三幅不同类型灰度图像的信息熵

根据引用[1]和引用，灰度图像的一元灰度熵可以用来衡量图像中灰度分布的聚集特征所包含的信息量。因此，不同类型的灰度图像的信息熵可能会有所不同。

下面是三种不同类型的灰度图像的信息熵的例子：

1. 对比度较低的图像

import cv2
import numpy as np

# 读取图像
img = cv2.imread('low_contrast.jpg', 0)

# 计算灰度图像的一元灰度熵
hist, _ = np.histogram(img, bins=256)
hist = hist / float(img.size)
entropy = -np.sum([p * np.log2(p) for p in hist if p != 0])

print("Low contrast image entropy: ", entropy)

2. 对比度较高的图像

import cv2
import numpy as np

# 读取图像
img = cv2.imread('high_contrast.jpg', 0)

# 计算灰度图像的一元灰度熵
hist, _ = np.histogram(img, bins=256)
hist = hist / float(img.size)
entropy = -np.sum([p * np.log2(p) for p in hist if p != 0])

print("High contrast image entropy: ", entropy)

3. 噪声图像

import cv2
import numpy as np

# 读取图像
img = cv2.imread('noisy.jpg', 0)

# 计算灰度图像的一元灰度熵
hist, _ = np.histogram(img, bins=256)
hist = hist / float(img.size)
entropy = -np.sum([p * np.log2(p) for p in hist if p != 0])

print("Noisy image entropy: ", entropy)