《LearnPython-Python学习笔记》-熵函数

2025-11-07 01:24:36 编程来源：ZONE.CI 全球网 0 阅读模式

理论
代码
9. 熵函数

理论

基于统计特征的熵函数是衡量图像信息丰富程度的一个重要指标，有信息论可知，一幅图像的信息量是由该图像的信息熵来度量：其中：是图像中灰度值为的像素出现的概率，为灰度级总数（通常取值256）。根据Shannon信息论，熵最大时信息量最多。将此原理应用到对焦过程，越大则图像越清晰。熵函数灵敏度不高，依据图像内容不同容易出现与真实情况相反的结果。https://blog.csdn.net/Real_Myth/article/details/50827940

代码

def%20entropy(img):

%20%20%20%20'''

%20%20%20%20:param%20img:narray%20二维灰度图像

%20%20%20%20:return:%20float%20图像约清晰越大

%20%20%20%20'''

%20%20%20%20out%20=%200

%20%20%20%20count%20=%20np.shape(img)[0]*np.shape(img)[1]

%20%20%20%20p%20=%20np.bincount(np.array(img).flatten())

%20%20%20%20for%20i%20in%20range(0,%20len(p)):

%20%20%20%20%20%20%20%20if%20p[i]!=0:

%20%20%20%20%20%20%20%20%20%20%20%20out-=p[i]*math.log(p[i]/count)/count

%20%20%20%20return%20out

https://blog.csdn.net/Greepex/article/details/90183018

9.%20熵函数

基于统计特征的熵函数是衡量图像信息丰富程度的一个重要指标，有信息论可知，一幅图像%20f%20的信息量是由该图像的信息熵%20D(f)%20来度量:其中：Pi 是图像中灰度值为i的像素出现的概率，L为灰度级总数（通常取值256）。根据Shannon信息论，熵最大时信息量最多。将此原理应用到对焦过程，D(f)越大则图像越清晰。熵函数灵敏度不高，依据图像内容不同容易出现与真实情况相反的结果。

代码：

def Entropy(img):
        x, y = img.shape
        temp = np.zeros((1,256))
        # 对图像的灰度值在[0,255]上做统计
        for i in range(x):
            for j in range(y):
                if img[i,j] == 0:
                    k = 1
                else:
                    k = img[i,j]
                temp[0,k] = temp[0,k] + 1
        temp = temp / (x * y)
        # 由熵的定义做计算
        D = 0
        for i in range(1,256):
            if temp[0,i] != 0:
                D = D - temp[0,i] * math.log(temp[0,i],2)
        return D