图像熵的计算公式和应用场景

系列文章目录



什么是图像熵

图像熵(image entropy)是图像“繁忙”程度的估计值。
图像熵表示为图像灰度级集合的比特平均数,单位比特/像素,也描述了图像信源的平均信息量。对于离散形式的二维图像,其信息熵的计算公式为:
在这里插入图片描述

对于上式,其中,pi 为每一灰度级出现的概率。

熵指的是体系的混乱的程度,对焦良好的图像的熵大于没有清晰对焦的图像,因此可以用熵作为一种对焦评价标准。熵越大,图像越清晰。
图像的熵是一种特征的统计形式,它反映了图像中平均信息量的多少,表示图像灰度分布的聚集特征,却不能反映图像灰度分布的空间特征,为了表征这种空间特征,可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。


图像熵的计算

C++实现

// calculate entropy of an image
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; 
}

python实现

import cv2
import numpy as np
tmp = []
for i in range(256):
    tmp.append(0)
val = 0
k = 0
res = 0
image = cv2.imread('C:/Users/shaw/Desktop/new/result/stand/squat_0.5_5_1.png',0)
img = np.array(image)
for i in range(len(img)):
    for j in range(len(img[i])):
        val = img[i][j]
        tmp[val] = float(tmp[val] + 1)
        k =  float(k + 1)
for i in range(len(tmp)):
    tmp[i] = float(tmp[i] / k)
for i in range(len(tmp)):
    if(tmp[i] == 0):
        res = res
    else:
        res = float(res - tmp[i] * (math.log(tmp[i]) / math.log(2.0)))
print res
  • 1
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 在Matlab中,可以使用Entropy函数来计算信息图像。 信息是用来度量信源的不确定性的一种方法。对于一个离散信源,其信息可以通过以下公式来计算: H(X) = -Σ(p(x)log₂p(x)) 其中,H(X)表示信源X的信息,p(x)表示信源X输出为x的概率。 在Matlab中,可以通过定义概率分布数组并使用Entropy函数来计算信息。例如,假设信源X的输出为{0,1,2},对应的概率分布为{0.2,0.3,0.5},可以使用以下代码计算信息: p = [0.2,0.3,0.5]; entropy = -sum(p.*log2(p)) 图像是对图像中像素值的分布进行度量的一种方法。对于一幅灰度图像图像可以表示为: H(I) = -Σ(p(i)log₂p(i)) 其中,H(I)表示图像I的图像,p(i)表示图像I中像素值为i的概率。 在Matlab中,可以使用imhist函数计算图像的直方图,并使用Entropy函数来计算图像。例如,假设图像为I,可以使用以下代码计算图像: histogram = imhist(I); total_pixels = numel(I); p = histogram/total_pixels; entropy = -sum(p.*log2(p)) 使用以上的方法,可以在Matlab中方便地计算信息图像。 ### 回答2: 在MATLAB中,信息图像是两个常用的计算方法,用于衡量数据的不确定性和图像的复杂度。下面分别介绍这两种计算方法。 信息是一种衡量数据不确定性的度量方式,可以用于评估信号、数据等的平均信息量。在MATLAB中,可以使用entropy函数计算信号的信息。此函数接受一个向量或矩阵作为输入,并返回其信息值。 例如,我们可以使用如下代码计算一个信号的信息: ```matlab x = [1 1 1 1 2 2 2 3 3 4]; entropy_x = entropy(x); disp(entropy_x); ``` 在以上代码中,我们定义了一个信号x,然后使用entropy函数计算其信息,并将结果输出。以上代码运行后,会输出结果为1.8464。 图像是一种衡量图像复杂度的度量方式,可以用于评估图像的信息含量和纹理复杂度。在MATLAB中,可以使用graycomatrix和entropy函数计算图像。graycomatrix函数用于计算图像的灰度共生矩阵,然后entropy函数用于计算灰度共生矩阵的值。 例如,我们可以使用如下代码计算一幅图像: ```matlab img = imread('image.jpg'); gray_img = rgb2gray(img); glcm = graycomatrix(gray_img); entropy_img = entropy(glcm); disp(entropy_img); ``` 在以上代码中,我们首先读取了一幅图像,然后使用rgb2gray函数将图像转换为灰度图像。接下来,使用graycomatrix函数计算图像的灰度共生矩阵glcm,最后使用entropy函数计算灰度共生矩阵的值。以上代码运行后,会输出图像值。 综上所述,在MATLAB中可以使用entropy函数计算信号的信息,使用entropy函数结合graycomatrix函数计算图像。这些函数可以帮助我们量化信号和图像的不确定性和复杂度。 ### 回答3: Matlab是一种常用的科学计算软件,也可用于计算信息图像。 信息是一种衡量信息不确定性的指标。在Matlab中,我们可以使用entropymc函数来计算信息。该函数首先将数据按照其统计分布进行离散化,然后根据计算公式计算信息。计算结果越大,表示数据的不确定性越高。 对于图像的计算,首先需要将图像转化为灰度图像。在Matlab中,我们可以使用rgb2gray函数将彩色图像转化为灰度图像。然后,可以使用imhist函数计算灰度图像的直方图。直方图表示了不同灰度级的像素的分布情况。最后,根据直方图计算图像图像越大,表示图像的灰度级分布越均匀,图像越丰富多样。 在计算信息图像时,需要注意数据的离散化和概率的估计。Matlab提供了丰富的处理函数和工具箱,可以帮助我们进行相关计算,并得到准确和可靠的结果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值