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

好的，这是一个图像处理的问题，需要使用Python编程语言和一些图像处理库来实现。以下是代码实现：

import numpy as np
import matplotlib.pyplot as plt
import imageio

# 读入一幅图像
img = imageio.imread('lena.png')
plt.imshow(img, cmap='gray')
plt.title('Original Image')
plt.axis('off')
plt.show()

# 计算图中每个灰度级的频数、频率
hist, bins = np.histogram(img.flatten(), 256, [0, 256])
freq = hist / np.sum(hist)

# 从频率出发计算该图像的自信息、信息熵
eps = 1e-10
info = -np.log2(freq + eps)
entropy = np.sum(-freq * np.log2(freq + eps))

# 可视化显示原图、灰度级频数、自信息和信息熵
plt.figure(figsize=(10, 8))

plt.subplot(2, 2, 1)
plt.imshow(img, cmap='gray')
plt.title('Original Image')
plt.axis('off')

plt.subplot(2, 2, 2)
plt.bar(bins[:-1], hist, width=1)
plt.title('Histogram')
plt.xlabel('Intensity')
plt.ylabel('Frequency')

plt.subplot(2, 2, 3)
plt.imshow(info[img], cmap='gray')
plt.title('Self Information')
plt.axis('off')

plt.subplot(2, 2, 4)
plt.text(0.5, 0.5, f'Entropy = {entropy:.2f}', ha='center', va='center', fontsize=20)
plt.axis('off')

plt.show()

解释一下代码：

1. 读入一幅图像使用 `imageio.imread()` 函数，存储在 `img` 变量中。
2. 计算图像中每个灰度级的频数和频率，使用 `numpy.histogram()` 函数。
3. 从频率出发计算该图像的自信息和信息熵，使用 `numpy.log2()` 函数和一些基本运算。
4. 可视化显示原图、灰度级频数、自信息和信息熵，使用 `matplotlib.pyplot` 库的函数进行绘图。

注意，这里的图像是灰度图像，如果是彩色图像需要将其转换为灰度图像。同时，如果想要计算多个图像的自信息和信息熵，可以将上述代码封装成一个函数并循环调用。