N1 = 5; %N1为要处理的图片张数 A = zeros(1,N1); %zeros()定义指定行列的零矩阵;A矩阵用来存储每一幅图像的清晰度原值 X =…
- User
N1 = 5; %N1为要处理的图片张数 A = zeros(1,N1); %zeros()定义指定行列的零矩阵;A矩阵用来存储每一幅图像的清晰度原值 X = zeros(1,N1); %X用来存储做归一化处理后的函数值 %处理图片 tic for L=1: N1
I=imread([int2str(L),'.jpg']); %读取图片,将值转换为字符串接受向量和矩阵输入 I=rgb2gray(I); I=double(I); A(1,L)=entr(I); %调用求熵值函数 end time=toc %对原始数据做归一化处理,线性函数归一化公式 for W = 1:N1 C = max(A); D = min(A); E = C-D; R = (A(1,W) - D)/(E); X(1,W) = R; end x1=[-20 -10 0 10 20 ]; y1 = [X(1,1) X(1,2) X(1,3) X(1,4) X(1,5)]; [p,S]=polyfit(x1,y1,2); %polyfit(x,y,n)曲线拟合函数,已知离散点坐标拟合曲线;x,y横纵坐标,n为拟合阶数,一阶直线拟合,二阶抛物线拟合 ,返回幂次从高到低的多项式系数向量P,矩阵S用于生成预测值的误差估计 Y=polyconf(p,x1,y1); %置信区间 plot(x1,y1,'r'); %画出拟合曲线,红线red title('基于信息熵的评价函数'); xlabel('成像面位置'); ylabel('归一化后的图像清晰度评价值');%定义子函数entr(),求一幅图像的熵值 %------------------------------------------- function[H_img]= entr(I)
[C,R]=size(I); %求图像的规格 Img_size=C*R; %图像像素点的总个数 L=256; %图像的灰度级0-255 H_img=0; %图象熵 nk=zeros(L,1); %存储图像灰度出现次数 for i=1:C for j=1:R Img_level=I(i,j)+1; %获取图像的灰度级 nk(Img_level)=nk(Img_level)+1; %统计每个灰度级像素的点数 end end for k=1:L Ps(k)=nk(k)/Img_size; %计算每一个灰度级像素点所占的概率 if Ps(k)~=0 %去掉概率为0的像素点 H_img=-Ps(k)*log2(Ps(k))+H_img; %求熵值的公式 end end end 将上述代码改为适用于python的版本 - Assistant
N1 = 5 A = np.zeros(N1) X = np.zeros(N1)
for L in range(N1): I = cv2.imread(str(L+1)+'.jpg', 0) A[L] = entr(I)
for W in range(N1): C = np.max(A) D = np.min(A) E = C - D R = (A[W] - D) / E X[W] = R
x1 = [-20, -10, 0, 10, 20] y1 = X
p = np.polyfit(x1, y1, 2) Y = np.polyval(p, x1)
plt.plot(x1, y1, 'r') plt.title('基于信息熵的评价函数') plt.xlabel('成像面位置') plt.ylabel('归一化后的图像清晰度评价值') plt.show()
def entr(I): C, R = I.shape Img_size = C * R L = 256 H_img = 0 nk = np.zeros(L)
for i in range(C): for j in range(R): Img_level = I[i, j] + 1 nk[Img_level] += 1 Ps = nk / Img_size Ps = Ps[Ps != 0] H_img = -np.sum(Ps * np.log2(Ps)) return H_img