信息论-图像熵的程序实现.docxVIP

图像熵的程序实现实验报告作者：院系：的专业：的授指导老师：v实验日期：摘要图像熵在图像分割，图片识别领域应用广泛。如果像素为统计独立的，图像的一维熵可以表示图像灰度分布的聚集特征。对于不是统计独立的情况，二维熵考虑了相邻像素之间的相关性及图像的空间分布特征，本报告通过C程序来实现图像一维熵和二维熵。关键词：信息论；信息熵；图像熵AbstractImage entropy is widely used in image segmentation and image recognition. The one-dimensional entropy of the image can represent the aggregation of the gray distribution of the image if the pixels are statistically independent，For the case that is not statistically independent, the two-dimensional entropy takes into account the relation between neighboring pixels and the spatial distribution of the image. In this report, we calculate the one-dimensional and two-dimensional entropy of the image with C++.Key Words: information theory; information entropy; image entropy实验要求1.一幅大小为 M×N 的 256 级灰度图像，如果图像的各个像素之间是统计独立的，求该图像的信息熵。2. 一幅大小为 M×N 的 256 级灰度图像，如果图像的各个像素之间不是统计独立的，求该图像的信息熵。样例图像为256*256，每像素8bit。文件名为Lena256.img，只有数据信息，没有头信息。实验原理熵(entropy)指的是体系的混乱的程度，它在控制论、概率论、数论、天体物理、生命科学等领域都有重要应用，在不同的学科中也有引申出的更为具体的定义，是各领域十分重要的参量。熵由鲁道夫·克劳修斯(Rudolf Clausius)提出，并应用在热力学中。后来在，克劳德·艾尔伍德·香农(Claude Elwood Shannon)第一次将熵的概念引入到信息论中来。而图像熵描述了图像信源的平均信息量，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。（一）一维熵图像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。图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，令Pi 表示图像中灰度值为i的像素所占的比例，则定义灰度图像的一元灰度熵为：（二）二维熵图像的一维熵可以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。选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为(x,y)，其中表示像素的灰度值(0 = x = 255)，j 表示邻域灰度均值(0 = y= 255)：上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征，其中为特征二元组(x,y)出现的频数，N 为图像的尺度，定义离散的图像二维熵为：三、程序设计（一）一维信息熵（二）二维信息熵我们知道一个像素通常和它周围的像素的灰度值相近，特别是色彩渐变较缓慢时。为体现像素位置上的灰度值与其周围像素灰度分布的综合特征，令为此像素周围四个像素的灰度平均值的数量，即。二维信息熵的计算和一维类似，但是需要多一个维度y。通过(x,y)的联合分布概率计算信息量，进而求得信息熵。程序流程如下：（三）注意事项1.由于读取文件的复杂，所以实验样例为img文件。没有头文件，省去复杂的文件读取操作。2.在求y时应注意公式可能数组越界。3.为方便操作，在程序中加入了一个循环，使用户可以多次输入img文件地址，得到两种信息量。四、程序运行结果程序运行结果如下：一维信息熵H(X)为7.56829，二维信息熵H(XY)的结果为11.8342。由此还可以得到，H(Y|X)=H(XY)-H(X)=4.26591，说明X和Y存在相关性。也就是一个像素与周围的像素点的并不是统计独立，而是有一定的相关性。五、实验总结在本次实验中，信息熵代码是很简单的。我的大部分工作就是在设计如何读取文件，并将数据如何保存提取。整体来说困难不大。二维信息熵部分我参考了网上的一些资料，还了解到