使用python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

以下是使用Python实现的代码和注释：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读入一幅图像
img = cv2.imread('test.png', cv2.IMREAD_GRAYSCALE)

# 计算图中每个灰度级的频数、频率
hist, _ = np.histogram(img, bins=256, range=[0, 255])
freq = hist / np.sum(hist)

# 从频率出发计算该图像的自信息、信息熵
nonzero_freq = freq[freq != 0]  # 去除频率为0的灰度级
self_info = -np.log2(nonzero_freq)  # 自信息
entropy = -np.sum(freq * np.log2(freq))  # 信息熵

# 可视化显示原图、灰度级频数、自信息和信息熵
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, 0].axis('off')

axs[0, 1].bar(np.arange(256), hist)
axs[0, 1].set_title('Gray Level Count')
axs[0, 1].set_xlabel('Gray Level')
axs[0, 1].set_ylabel('Count')

axs[1, 0].bar(np.arange(len(nonzero_freq)), self_info)
axs[1, 0].set_title('Self Information')
axs[1, 0].set_xlabel('Gray Level')
axs[1, 0].set_ylabel('Self Information (bits)')

axs[1, 1].text(0.5, 0.5, f'Entropy: {entropy:.3f} bits/pixel', ha='center', va='center')
axs[1, 1].axis('off')

plt.tight_layout()
plt.show()

其中，`cv2.imread`函数可以读入指定路径的图像，`cv2.IMREAD_GRAYSCALE`参数表示读入灰度图像。`np.histogram`函数可以计算图像中每个灰度级的频数，`freq`数组则是由频数计算出的频率。在计算自信息时，需要去除频率为0的灰度级，否则会出现负无穷大的情况。最后，使用`matplotlib`库的函数将原图、灰度级频数、自信息和信息熵可视化显示。