利用信息熵和峰值信噪比评价灰度图像彩色化的质量代码

以下是利用信息熵和峰值信噪比评价灰度图像彩色化质量的 Python 代码：

import cv2
import numpy as np

def entropy(img):
    h, w = img.shape[:2]
    hist = cv2.calcHist([img], [0], None, [256], [0, 256])
    hist /= (h * w)
    hist = hist.ravel()

    entropy = -np.sum([p * np.log2(p + 1e-10) for p in hist if p != 0])
    return entropy

def psnr(img1, img2):
    mse = np.mean((img1 - img2) ** 2)
    psnr = 10 * np.log10(255 ** 2 / mse)
    return psnr

# 读入灰度图像
gray_img = cv2.imread('gray_image.png', cv2.IMREAD_GRAYSCALE)

# 读入彩色图像
color_img = cv2.imread('color_image.png')

# 进行彩色化处理
colorized_img = colorize(gray_img)

# 计算信息熵和峰值信噪比
gray_entropy = entropy(gray_img)
colorized_entropy = entropy(colorized_img)
psnr_value = psnr(color_img, colorized_img)

print('Gray Image Entropy: {:.2f}'.format(gray_entropy))
print('Colorized Image Entropy: {:.2f}'.format(colorized_entropy))
print('PSNR Value: {:.2f}'.format(psnr_value))

其中，`entropy` 函数计算图像的信息熵，`psnr` 函数计算两幅图像的峰值信噪比。在代码中，我们读入灰度图像和彩色图像，并对灰度图像进行彩色化处理，然后计算信息熵和峰值信噪比，输出结果。请注意，`colorize` 函数需要根据具体的彩色化算法来实现。