计算图像方差和信息熵

最新推荐文章于 2024-09-13 15:57:08 发布

触不可及<>

最新推荐文章于 2024-09-13 15:57:08 发布

阅读量879

点赞数 1

分类专栏：图像增强文章标签： opencv 图像增强协方差信息熵

本文链接：https://blog.csdn.net/qq_33898609/article/details/120847606

版权

图像增强专栏收录该内容

1 篇文章 0 订阅

订阅专栏

这段代码展示了如何使用OpenCV库计算图像的方差和信息熵。`analyse`函数通过`meanStdDev`计算图像的灰度平均值，返回的是平均值。`entropy`函数则计算每个像素的频率并利用这些频率计算信息熵，通过对图像的像素进行遍历和概率计算得出结果。

摘要由CSDN通过智能技术生成

计算图像方差：

double analyse(Mat input)
{
    Mat imageGrey;
    cvtColor(input,imageGrey,CV_RGB2GRAY);
    Mat meanValueImage;
    Mat meanStdValueImage;

    meanStdDev(imageGrey,meanValueImage,meanStdValueImage);
    double meanValue = 0.0;
    meanValue = meanStdValueImage.at<double>(0,0);
    return meanValue;
}

计算图像信息熵：

double entropy(Mat img)
{
    // 将输入的矩阵为图像
    double temp[256];
    // 清零
    for(int i=0;i<256;i++)
    {
        temp[i] = 0.0;
    }
    // 计算每个像素的累积值
    for(int m=0;m<img.rows;m++)
    {// 有效访问行列的方式
     const uchar* t = img.ptr<uchar>(m);
     for(int n=0;n<img.cols;n++)
     {
        int i = t[n];
        temp[i] = temp[i]+1;
     }
    }

    // 计算每个像素的概率
    for(int i=0;i<256;i++)
    {
        temp[i] = temp[i]/(img.rows*img.cols);
    }

    double result = 0;
    // 根据定义计算图像熵
    for(int i =0;i<256;i++)
    {
        if(temp[i]==0.0)
        {
            result = result;
        }
        else
        {
            result = result-temp[i]*(log(temp[i])/log(2.0));
        }
    }
    return result;
}