fig, axs = plt.subplots(n_imgs, 2, figsize=(10, 5*n_imgs))

我可以回答这个问题。这是一个使用 Matplotlib 库创建子图的代码，其中 n_imgs 表示子图的数量，2 表示每个子图有两个轴。fig 和 axs 是创建的图形对象和轴对象。 figsize 参数指定了图形的大小。

相关问题

python实现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

下面是一个 Python 实现的示例，使用了 Pillow 库来读取和显示图像，以及 numpy 库来计算频数和频率：

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

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

# 计算频数和频率
hist, bins = np.histogram(img_arr, bins=256, range=(0, 255))
freqs = hist / np.sum(hist)

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

# 可视化显示结果
fig, axs = plt.subplots(2, 2, figsize=(8, 8))

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

axs[0, 1].bar(bins[:-1], hist, width=1)
axs[0, 1].set_title('Histogram')

axs[1, 0].bar(bins[:-1], self_info, width=1)
axs[1, 0].set_title('Self Information')

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

plt.show()

其中，我们假设待处理的图像为 `lena.png`，并将其转换为灰度图像。然后，使用 `np.histogram` 函数计算图像中每个灰度级的频数（即直方图），并将其归一化为频率。接着，根据频率计算自信息和信息熵。最后，使用 Matplotlib 库进行可视化显示，将原图、直方图、自信息和信息熵分别显示在四个子图中。运行上述代码，即可得到类似下面的结果：