熵

在資訊理論中，資訊熵是訊息可能結果數的以 2 為底的對數。

對於影像，局部熵與給定鄰域中包含的複雜性相關，通常由結構元素定義。熵濾鏡可以偵測局部灰階分佈中的細微變化。

在第一個範例中，影像由兩個表面組成，這兩個表面具有兩個略有不同的分佈。影像在影像的中間具有範圍 [-15, +15] 的均勻隨機分佈，在影像邊界具有範圍 [-14, 14] 的均勻隨機分佈，兩者都以 128 的灰階值為中心。為了偵測中心正方形，我們使用半徑足夠大的圓形結構元素計算局部熵度量，以捕捉局部灰階分佈。第二個範例顯示如何使用較小的結構元素偵測相機影像中的紋理。

物件偵測

import matplotlib.pyplot as plt
import numpy as np

from skimage import data
from skimage.util import img_as_ubyte
from skimage.filters.rank import entropy
from skimage.morphology import disk

rng = np.random.default_rng()

noise_mask = np.full((128, 128), 28, dtype=np.uint8)
noise_mask[32:-32, 32:-32] = 30

noise = (noise_mask * rng.random(noise_mask.shape) - 0.5 * noise_mask).astype(np.uint8)
img = noise + 128

entr_img = entropy(img, disk(10))

fig, (ax0, ax1, ax2) = plt.subplots(nrows=1, ncols=3, figsize=(10, 4))

img0 = ax0.imshow(noise_mask, cmap='gray')
ax0.set_title("Object")
ax1.imshow(img, cmap='gray')
ax1.set_title("Noisy image")
ax2.imshow(entr_img, cmap='viridis')
ax2.set_title("Local entropy")

fig.tight_layout()

紋理偵測

image = img_as_ubyte(data.camera())

fig, (ax0, ax1) = plt.subplots(ncols=2, figsize=(12, 4), sharex=True, sharey=True)

img0 = ax0.imshow(image, cmap=plt.cm.gray)
ax0.set_title("Image")
ax0.axis("off")
fig.colorbar(img0, ax=ax0)

img1 = ax1.imshow(entropy(image, disk(5)), cmap='gray')
ax1.set_title("Entropy")
ax1.axis("off")
fig.colorbar(img1, ax=ax1)

fig.tight_layout()

plt.show()