请在Notebook的最后一个代码Cell中编写Python代码完成实验内容 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

好的，以下是代码实现：

首先需要安装必要的包，包括 numpy, matplotlib 和 pillow。可以使用以下命令安装：

!pip install numpy matplotlib pillow

接下来，我们开始编写代码：

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

# 读入图像
img = Image.open('lena.png').convert('L')

# 获取图像大小
width, height = img.size

# 将图像转换为 numpy 数组
img_arr = np.array(img)

# 计算灰度级频数和频率
hist, _ = np.histogram(img_arr, bins=256, range=(0, 255))
hist_freq = hist / (width * height)

# 计算自信息和信息熵
self_info = -np.log2(hist_freq)
entropy = -(hist_freq * np.log2(hist_freq)).sum()

# 可视化显示
fig, axs = plt.subplots(2, 2, figsize=(10, 10))

axs[0, 0].imshow(img_arr, cmap='gray')
axs[0, 0].set_title('Original Image')

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

axs[1, 0].imshow(self_info[img_arr], cmap='gray')
axs[1, 0].set_title('Self-Information')

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

plt.show()

这段代码中，我们首先使用 Pillow 库读入图像，并将其转换为 numpy 数组。然后，我们计算了每个灰度级的频数和频率。接着，从频率出发，我们计算了该图像的自信息和信息熵。最后，我们使用 Matplotlib 库进行可视化，展示了原图、灰度级频数、自信息和信息熵。

完成代码后，运行代码即可得到图像的自信息和信息熵的可视化结果。