Shannons Entropie für ein Bild

Shannons Entropie [Plog (1 / p)] für ein Bild ist eine probabilistische Methode zum Vergleichen von zwei Pixeln oder einer Gruppe von Pixeln. Angenommen, ein Bild mit einer Matrix von 3 × 3 hat Pixelintensitätswerte

1 1 2
2 3 3
4 4 5

und ein anderes Bild mit einer 3 × 3-Matrix weist eine Gruppe von Pixeln mit Intensitätswerten auf

5 5 6
6 7 7
8 8 9

Dann wäre Shannons Entropie für die Bilder dieselbe. In diesem Fall würden die Entropiewerte darauf hinweisen, dass die Bilder gleich sind, obwohl sie tatsächlich unterschiedlich sind. Eine Bildanpassung mit dieser Technik hilft also nicht. Auf der Grundlage einer überwachten Klassifizierung, bei der Ich klassifiziere ein Bild basierend auf trainierten Datenbanken der Shannon-Entropie. Wir verwenden das Konzept der Entropie, um Ähnlichkeit zwischen zwei Bildern zu finden. Gibt es eine Methode oder ein Forschungspapier, in dem diese Entropie für die Bildanpassung für den obigen Fall verwendet oder modifiziert werden kann?

Shannons Entropie fungiert hier als Hashing- oder Fingerabdruckfunktion. Sie sind nicht injektiv, was bedeutet, dass wir darauf achten müssen, nicht zu viel in Wertebeziehungen zu interpretieren.

Wenn , dann sind die Bilder und sicherlich nicht gleich.$H(I_1) \neq H(I_2)$$I_1$$I_2$

Wenn jedoch (oder sogar ) ist, wissen wir nichts. Die Bilder mögen ähnlich sein, aber die Werte können aufgrund der Nichtinjektivität auch nahe beieinander liegen.$H(I_1) = H(I_2)$$H(I_1) \approx H(I_2)$

Wir möchten etwas Glätte haben, das heißt, zwei Bilder sind unterschiedlicher, wennist größer. Ob dies der Fall ist, ist sicherlich ein Qualitätskriterium für solche Fingerabdruckfunktionen. In Ihrem Beispiel scheint Entropie in diesem Sinne kein guter Fingerabdruck zu sein.$|H(I_1) - H(I_2)|$

Es wäre verwirrend, wenn irgendeine Art von Entropie wäre. Jedes Rechteck einer Farbe enthält keine Informationen (Entropie Null), zwei Rechtecke unterschiedlicher Farbe sind jedoch so unterschiedlich wie zwei Bilder.

Ich finde das eine tolle Idee. Sie können es jedoch nicht mehr für die Bildanpassung verwenden, als Sie hoffen können, dass ein Bild mit "weißem Rauschen" mit einem anderen übereinstimmt. Aber es ist eine großartige Idee, ähnliche Kategorien von Bildern zu finden.

Ein verwandter Ansatz wäre, ein Histogramm der Pixelintensitäten für jedes der beiden Bilder zu berechnen und dann diese beiden Histogramme zu vergleichen. Typischerweise würden wir anstelle der Pixelintensitäten ein Histogramm eines Farbmaßes (z. B. des Farbtons) berechnen. Dies ist eine grobe Maßnahme, die manchmal dennoch hilfreich sein kann: z. B. um ein Bild eines Raums von einem Bild eines anderen zu unterscheiden (z. B. wenn ihre Wände in verschiedenen Farben gestrichen sind oder eine unterschiedliche Farbverteilung aufweisen).

Es gibt viele Möglichkeiten, zwei Histogramme zu vergleichen. Sie können sich jedes Histogramm als Verteilung für eine Zufallsvariable vorstellen und dann die beiden Verteilungen mit einer Reihe von Methoden vergleichen. Zum Beispiel könnten Sie sie mit KL-Divergenz vergleichen. Ein anderer Ansatz besteht darin, ein Standardabstandsmaß für Vektorräume zu verwenden, z. B. das Maß (Summe der quadratischen Differenzen). Oft möchten Sie zuerst die Werte ablegen, bevor Sie das Histogramm berechnen.${\cal L}_2$

Siehe auch

• https://stackoverflow.com/q/6499491/781723

• http://docs.opencv.org/doc/tutorials/imgproc/histograms/histogram_comparison/histogram_comparison.html