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，这是一个图像处理方面的问题，可以使用Python的Pillow库来实现。下面是代码实现：

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

# 读入图像
img = Image.open('image.jpg').convert('L')

# 获取图像大小
width, height = img.size

# 计算每个灰度级的频数
histogram = img.histogram()

# 计算每个灰度级的频率
freqs = np.array(histogram) / (width * height)

# 计算自信息
self_info = -np.log2(freqs)

# 计算信息熵
entropy = -np.sum(freqs * np.log2(freqs))

# 可视化显示
plt.subplot(2, 2, 1)
plt.imshow(img, cmap='gray')
plt.title('Original Image')

plt.subplot(2, 2, 2)
plt.bar(np.arange(256), histogram)
plt.title('Histogram')

plt.subplot(2, 2, 3)
plt.plot(np.arange(256), self_info)
plt.title('Self Information')

plt.subplot(2, 2, 4)
plt.text(0.5, 0.5, 'Entropy: {:.3f}'.format(entropy),
         ha='center', va='center', fontsize=20)
plt.axis('off')
plt.title('Entropy')

plt.show()

其中，`image.jpg`是待处理的图像文件名。运行后，会显示出原图、灰度级频数直方图、自信息曲线和信息熵值。

注意，这里的计算是基于8位灰度级的图像，如果是其他深度的图像需要进行相应的修改。