import cv2
import matplotlib.pyplot as plt
import numpy as np
import math
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
def calc_array():
img=cv2.imread('C:/Users/xpp/Desktop/Lena.png',0)#读取图像
hist_cv=cv2.calcHist([img],[0],None,[256],[0,256])#[0,256]的范围是0~255
plt.subplot(231)
plt.axis('off')
plt.title('原始图像')
plt.imshow(img,cmap='gray')
plt.subplot(232)
plt.plot(hist_cv)
plt.show()
P=hist_cv/(len(img)*len(img[0]))#概率
E=np.sum([p *np.log2(1/p) for p in P])
print(E)
calc_array()
算法：一维熵是图像灰度值的聚集特征，不能表征空间特征。一维熵公式如下：
其中，pi表示通过图像灰度直方图获得灰度值为i(0≤i≤255)的像素所占的比例。
熵是体系的混乱的程度，越乱越大。图像熵是图像特征的一种统计形式,反映了图像中平均信息量的多少,能够反映图像各像素点的分布复杂程度。熵越大，图像越清晰。
文献：Calabrese, P. , & Cardy, J. . (2005). Evolution of entanglement entropy in one-dimensional systems. Journal of Statistical Mechanics Theory & Experiment, 4(4), 04010.
Korepin, V. E. . (2004). Universality of entropy scaling in one dimensional gapless models. Physical Review Letters, 92(9), 096402.
链接：http://www.360doc.com/content/13/1122/11/10724725_331249748.shtml
注意：熵值为非负值。
