计算图像的自信息和信息熵，需包含下述步骤： （1） 读入一幅图像 （2） 计算图中每个灰度级的频数、频率 （3） 从频率出发计算该图像的自信息、信息熵 （4） 可视化显示原图、灰度级频数、自信息和信息熵 将以上要求用Python代码写出

以下是Python代码实现：

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

# 读入一幅图像
img = Image.open('lena.png').convert('L')

# 计算图中每个灰度级的频数、频率
histogram, _ = np.histogram(img, bins=256, range=(0, 255))
frequency = histogram / float(img.size)

# 从频率出发计算该图像的自信息、信息熵
self_information = -np.log2(frequency)
self_information[np.isinf(self_information)] = 0
entropy = np.sum(-frequency * np.log2(frequency))
print('Entropy:', entropy)

# 可视化显示原图、灰度级频数、自信息和信息熵
fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(10, 10))
axs[0][0].imshow(img, cmap='gray')
axs[0][0].set_title('Original Image')
axs[0][0].axis('off')

axs[0][1].bar(np.arange(256), histogram)
axs[0][1].set_title('Gray Level Frequency')
axs[0][1].set_xlabel('Gray Level')
axs[0][1].set_ylabel('Frequency')

axs[1][0].imshow(self_information[img], cmap='gray')
axs[1][0].set_title('Self Information')
axs[1][0].axis('off')

axs[1][1].text(0.5, 0.5, 'Entropy: {:.2f}'.format(entropy),
                horizontalalignment='center',
                verticalalignment='center',
                fontsize=20)
axs[1][1].axis('off')

plt.show()

其中，我们读入了一幅灰度图像`lena.png`，使用`numpy.histogram`函数计算图中每个灰度级的频数，然后根据频率计算该图像的自信息和信息熵。最后，我们使用`matplotlib`库可视化显示原图、灰度级频数、自信息和信息熵。