图像熵计算
基于Otsu准则及图像熵的阈值分割算法
(江苏大学电气信息工程学院，镇江 212013) 摘 要：在图像分割中，阈值的选取至关重要，在经典的 Otsu 准则基础上，结合图像熵提出了一种改进的局部递归的阈值选取及分割算 法。基于图像像素熵信息，运用递归思想局部搜索图像的最佳阈值，这样不但缩短了计算时间，而且具有较好的自适应特点。该算法在图 像背景不均匀或图像不是简单的单峰、双峰图像的情况下可以进行有效的分割，分割后的图像细节更加丰富，有利于分割后的特征提取。 对 Lena 图像进行了实验，获得了较好的分割结果。 关键词：图像分割；Otsu 准则；阈值；熵
0 ≤t ≤ L −1
Otsu 准则的推广
本文采用 IEEE 推荐的检测算法性能的 Lena 图像进行实 Lena 图像的大小为 256×256， 灰度级为 256 ， 验， 如图 1 所示， 从 0～ 255。图 2 分析了 Lena 图像的灰度分布情况，图 3 为 经典 Otsu 准则的分割结果， 图 4 为本文所述方法的分割结果。
Hale Waihona Puke 熵函数的定义为 H(P)=H(P1,P2,…,Pn)=
∑ p log Pi。
i =1 i
n
在图像分割问题中，也可以运用熵的方法处理，由于目 标和背景的灰度分布是不同的，因此可以被视为 2 个独立的 信源。在 2.1 节中符号设定下，目标和背景的信源熵分别为
H A = −∑ pi log pi ， H B = − ∑ pi log pi 。
2 σ 2 ＝ p A (ω A − ω0 ) ＋ pB (ωB − ω0 ) 2 显然， p A 、 pB 、 ω A 、 ω B 、 ω0 、 σ 2 都是关于灰度级 t 的
函数。 为了得到最优分割阈值，Otsu 把两类的类间方差作为判 别准则，认为使得 σ 2 值最大的 t * 即为所求的最佳阈值： t * ＝ Arg Max [ p A (ω A − ω0 ) 2 ＋ pB (ωB − ω0 ) 2 ]
图像熵
OpenMp
（1）、OpenMP只能并行化for循环，它不会并行while和 do-while循环，而且只能并行循环次数在for循环外面就确 定了的for循环。 （2）、循环变量只能是整型和指针类型（不能是浮点型）
OpenMp使用
（3）、循环语句只能是单入口单出口的。循环内部不能改 变index，而且里面不能有goto、break、return。但是可以 使用continue，因为它并不会减少循环次数。另外exit语句 也是可以用的，因为它的能力太大，他一来，程序就结束了。
double Result::result(Mat* Xiang,vector<double>*Rp,vector<double>* Gp,vector<double>* Bp,vector<double>* Ri,vector<double>* Gi,vector<double>* Bi) { double E=0,Er=0,Eg=0,Eb=0; double all=(*Xiang).cols*((*Xiang).rows); int j=0; #pragma omp parallel for for(j;j<256;j++){ pictureData(Xiang, j, Ri, Gi, Bi);} #pragma omp parallel for int k=0; for(k;k<256;k++){ (*Rp).at(k)=(*Ri).at(k)/all; (*Gp).at(k)=(*Gi).at(k)/all; (*Bp).at(k)=(*Bi).at(k)/all; if( (*Rp).at(k)==0) { (*Rp).at(k)=1;} if((*Gp).at(k)==0) { (*Gp).at(k)=1;} if((*Bp).at(k)==0) { (*Bp).at(k)=1;} Er+=(*Rp).at(k)*log((*Rp).at(k)); Eg+=(*Gp).at(k)*log((*Gp).at(k)); Eb+=(*Bp).at(k)*log((*Bp).at(k)); }
信息熵与图像熵计算
p (a i ) ∑ n《信息论与编码》课程实验报告班级：通信162姓名：李浩坤 学号：163977实验一信息熵与图像熵计算 实验日期：2018.5.31一、实验目的 1.复习 MATLAB 的基本命令，熟悉 MATLAB 下的基本函数。
2. 复习信息熵基本定义, 能够自学图像熵定义和基本概念。
二、实验原理及内容1.能够写出 MATLAB 源代码，求信源的信息熵。
2.根据图像熵基本知识，综合设计出 MATLAB 程序，求出给定图像的图像熵。
1.MATLAB 中数据类型、矩阵运算、图像文件输入与输出知识复习。
2.利用信息论中信息熵概念，求出任意一个离散信源的熵（平均自信息量）。
自信息是一个随机变量,它是指某一信源发出某一消息所含有的信息量。
所发出的消息不同，它们所含有的信息量也就不同。
任何一个消息的自信息量都代表不了信源所包含的平均自信息量。
不能作为整个信源的信息测度，因此定义自信息量的数学期望为信源的平均自信息量： H (X ) = E [ log 1 ] = -∑ p (a i ) log p (a i )i =1信息熵的意义：信源的信息熵H 是从整个信源的统计特性来考虑的。
它是从平均意义上来表征信源的总体特性的。
对于某特定的信源，其信息熵只有一个。
不同的信源因统计特性不同，其熵也不同。
1. 学习图像熵基本概念，能够求出图像一维熵和二维熵。
图像熵是一种特征的统计形式，它反映了图像中平均信息量的多少。
图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，令 P i 表示图像中灰度值为 i 的像素所占的比例，则定义灰度图像的一元灰度熵为：255H = p i log p ii =0图像的一维熵可以表示图像灰度分布的聚集特征，却不能反映图像灰度分布的空间特征，为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。
选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为( i, j )，其中i 表示像素的灰度值(0 <= i <= 255)，j 表示邻域灰度(0 <= j <= 255),pij=f (i, j) / N 2上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征，其中f(i, j)为特征二元组(i, j)出现的频数，N 为图像的尺度，定义离散的图像二维熵为：255H =pij log piji=0构造的图像二维熵可以在图像所包含信息量的前提下，突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征.三、实验步骤1.求解信息熵过程：1)输入一个离散信源，并检查该信源是否是完备集。
图像霍夫曼编码与解码以及熵,平均码长,冗余度的计算
DIP上机报告题目：数字图像处理上机报告（第4次）学校：中国地质大学（武汉）***师：****名：**班级序号： 071112-06目录1图像霍夫曼编码与解码以及熵，平均码长，冗余度的计算错误!未定义书签。
2上机小结 (10)注：给定的文件夹中只需运行test脚本就可以得到结果，从workspace中看到相应的数据4.2图像的霍夫曼编码与解码题目要求：对图2实施哈夫曼编码和解码，计算图象熵，平均码长和冗余度；算法设计：1.遍历图像，统计各个像素灰度值的概率2.找出概率最小的两个，在最小概率所代表的灰度值编码中加1，在另一个较小的概率所代表的灰度值编码中加03.合并两个概率，成为一个新的元素，如此重复下去，直到最后剩两个元素4.进行编码的逆过程，即解码过程5.计算相应的数据程序代码：运行代码：clearin=[2,2,3,5,0,0,5,5,5,4,1,1,2,2,1,5,4,6,5,5,7,2,2,3,5,2,2,2,3,4,4,4,6,2,1,4,1,1,2,2,1,5,7,6,5,5,7,2,2,4,4,1,2,2,1,5,2,3,1,2,2,1,5,0];[p,out] = gailv( in );[code] = Huffman(0:7,p); %进行霍夫曼编码[Coded_Img]=Encode(in,code); %对图像进行编码[H,L,R]=GetInfo(code); %计算熵、平均码长、冗余度[Img]=Decode(Coded_Img,code); %对图像进行解码图像各像素灰度的概率计算：function[ p,out ]=gailv( in )[M,N]=size(in);out = zeros(4,8);p = zeros(1,8);for i=1:8out(1,i)=i-1;endfor i=1:Mfor j=1:Nfor k=1:8if in(i,j) == out(1,k)out(2,k)=out(2,k)+1;endendendendfor i=1:8out(3,i)=out(2,i)/(M*N);p(1,i)=out(2,i)/(M*N);endend霍夫曼编码过程：function [code_out] = Huffman(s,p)[Ms,Ns]=size(s);if (Ms==1)sig=s';elsesig=s;end%s为各元素名称 p为各元素概率[Ms,Ns]=size(sig);[Mp,Np]=size(p);if (Ms~=Np)return;endcode=cell(Ms,4);%建立编码cellcode_out=cell(Ms,3);%建立输出cellcoding=cell(Ms,2);%建立编码过程中用到的cellfor i=1:Mscode{i,1}=sig(i,:);%第一列为元素名称code{i,2}=[];%第二列为编码code{i,3}=p(i);%第三列为元素概率code{i,4}=[];%第四列为元素概率排行coding{i,1}=p(i);%第一行为元素概率coding{i,2}=i;%第二行表示此概率由哪些元素组成end[m,l]=Cell_min(coding(:,1));%找出最小值while (m<1)%若最小值小于1（编码尚未完成）[m1,l1]=Cell_min(coding(:,1));%找出最小值temp_p=coding{l1,1};%记录下最小概率coding{l1,1}=2;%将概率改为2，则以后不会再次取到[m2,l2]=Cell_min(coding(:,1));%找出次小值coding{l2,1}=coding{l2,1}+temp_p;%最小概率和次小概率相加得到新元素概率[k,mp]=size(coding{l1,2});%考虑最小概率包含了哪些元素for i=1:mpcode{coding{l1,2}(i),2}=[1,code{coding{l1,2}(i),2}];%在这些元素的编码前加1end[k,mp]=size(coding{l2,2});%考虑次小概率包含了哪些元素for i=1:mpcode{coding{l2,2}(i),2}=[0,code{coding{l2,2}(i),2}];%在这些元素的编码前加0endcoding{l2,2}=[coding{l2,2},coding{l1,2}];%新元素包含了次小和最小元素包含的所有元素[m,l]=Cell_min(coding(:,1));%找出当前最小值，继续循环endfor i=1:Mscode_out(i,1:3)=code(i,1:3);%输出cell前3列等于编码cell前3列end求概率的最小值函数：function [mind,loc]=Cell_min(data)%找出cell中的某列元素的最小值和位置[M,N]=size(data);loc=-1;for i=1:Md(i)=data{i}(1,1);endturemin=min(d);%找出最小值for i=1:M %遍历矩阵，找出最小值所在位置if (d(i)==turemin)mind=d(i);loc=i;return;endendend图像编码代码：function [Coded_Img]=Encode(img,code)%遍历图像，查表确定码字[M,N]=size(img);[Mc,Nc]=size(code);Coded_Img=cell(M,N);for i=1:Mfor j=1:Ndata=img(i,j);for k=1:Mcif (code{k,1}==data)Coded_Img{i,j}=code{k,2};endendendendend图像解码代码：function [img]=Decode(Coded_Img,code)%遍历编码图像，查表确定数值[M,N]=size(Coded_Img);[Mc,Nc]=size(code);for i=1:Mfor j=1:Ndata=Coded_Img{i,j};for k=1:Mcif(size(data)==size(code{k,2}))if (code{k,2}==data)img(i,j)=code{k,1};endendendendendend相关数据的计算：function [H,L,R]=GetInfo(code)[M,N]=size(code);H=0;for i=1:MH=H+code{i,3}*log2(1/code{i,3});end%计算熵L=0;for i=1:M[m,n]=size(code{i,2});L=L+code{i,3}*n;end%计算平均码长R=L/H-1;%计算冗余度end运行结果：编码前图像：编码后图像：解码后图像：熵（H）、平均码长（L）、冗余度（R）至此，成功实现了图像矩阵的编码和解码以及相关参数的计算。
图像编码中的熵编码方法详解(一)
图像编码是一门关于将图像数据进行压缩和编码的技术。
熵编码是图像编码中常用的一种方法，其通过统计图像数据中的统计特性，将出现频率较高的像素值编码为较短的二进制码，而出现频率较低的像素值编码为较长的二进制码，从而达到压缩图像数据的目的。
本文将详细介绍熵编码的原理和常见的熵编码方法。
一、熵编码的原理熵编码的原理基于信息论中的熵概念，熵是度量信息量的一个指标，表示一个随机变量平均需要多少信息来表示。
在图像编码中，熵即为图像数据中的不确定性或不规律性，熵越高，图像数据的复杂度越大。
熵编码的目标是利用统计特性将出现频率较高的像素编码为较短的码字，而出现频率较低的像素编码为较长的码字。
这样一来，出现频率较高的像素值编码后的二进制码的长度较短，从而达到压缩图像数据的目的。
二、哈夫曼编码哈夫曼编码是最常见的一种熵编码方法，它通过构建一颗哈夫曼树来实现编码。
首先，统计图像中每个像素值的出现频率，然后构建一颗哈夫曼树。
在哈夫曼树中，出现频率较高的像素值编码为较短的码字，而出现频率较低的像素值编码为较长的码字。
最后，根据构建好的哈夫曼树，对图像数据进行编码。
三、算术编码算术编码也是一种常用的熵编码方法，它将整个图像看作一个整体，通过将图像中的每个像素值产生的条件概率进行累乘，得到整个图像的条件概率。
然后，根据条件概率对图像数据进行编码，编码时通过二分搜索来确定编码的区间。
四、自适应编码自适应编码是一种逐行或逐列扫描整个图像进行编码的方法。
在自适应编码中，每次编码一个像素值，然后根据编码结果来更新编码表，使得出现频率较高的像素值编码为较短的二进制码。
自适应编码的优点是适应性强，可以根据图像的统计特性动态地调整编码结果。
五、总结熵编码是图像编码中的一种重要方法，通过统计图像数据的统计特性，将出现频率较高的像素值编码为较短的码字，从而达到压缩图像数据的目的。
常见的熵编码方法包括哈夫曼编码、算术编码和自适应编码等。
不同的熵编码方法适用于不同的图像数据特性和编码需求，选择合适的编码方法可以提高图像的压缩率。
模糊熵的原理与应用实例
模糊熵的原理与应用实例一、模糊熵的原理模糊熵是一种用于描述模糊集合的混乱程度的指标。
在模糊集合理论中，模糊集合是一种介于完全隶属和完全不隶属之间的概念，具有一定的模糊性。
模糊熵的计算可以帮助人们理解模糊集合的不确定性和不确定性的量化。
模糊熵的计算公式如下：E(X) = -Σ (μ(x) * log2(μ(x)))其中，E(X)表示模糊熵，μ(x)表示元素x的隶属度。
模糊熵的值越大，表示模糊集合的混乱程度越高，不确定性也越大。
当模糊熵的值为0时，表示模糊集合是一个确定的集合，不存在不确定性。
二、模糊熵的应用实例1. 模糊控制系统模糊控制系统是一种基于模糊集合理论的控制方法，可以应对现实世界中存在的不确定性和模糊性。
在模糊控制系统中，通过计算系统的输入和输出的模糊熵，可以评估系统的控制效果和稳定性。
当系统的输入和输出的模糊熵较小时，表示系统的控制效果较好，稳定性较高。
2. 图像处理在图像处理领域，由于图像的复杂性和噪声的存在，常常需要采用模糊集合理论来处理图像。
通过计算图像的模糊熵，可以评估图像的清晰度和信息量。
当图像的模糊熵较小时，表示图像清晰度较高，信息量较大。
3. 机器学习在机器学习中，模糊熵常常被用于评估模型的复杂度和泛化能力。
通过计算模型的模糊熵，可以评估模型的泛化误差和过拟合问题。
当模型的模糊熵较小时，表示模型的复杂度较低，泛化能力较强。
4. 信息融合在信息融合领域，由于融合的信息来源多样化和不确定性的存在，常常需要采用模糊集合理论来进行信息融合。
通过计算信息的模糊熵，可以评估信息的可信度和一致性。
当信息的模糊熵较小时，表示信息的可信度较高，一致性较强。
三、总结模糊熵是一种用于描述模糊集合的混乱程度的指标。
在实际应用中，模糊熵可以用于模糊控制系统、图像处理、机器学习和信息融合等领域。
通过计算模糊熵，可以评估系统、图像、模型和信息的不确定性和泛化能力。
模糊熵的应用可以帮助人们理解和处理现实世界中的不确定性和模糊性，提高系统的控制效果和稳定性，提高图像的清晰度和信息量，提高模型的泛化能力和复杂度，提高信息的可信度和一致性。
信息熵与图像熵的计算
实验一信息熵与图像熵计算一、实验目的1．复习MATLAB 的基本命令，熟悉MATLAB 下的基本函数。
2．复习信息熵基本定义, 能够自学图像熵定义和基本概念。
二、实验仪器、设备1．计算机－系统最低配置 256M 内存、P4 CPU。
2．Matlab 仿真软件－ 7.0 / 7.1 / 2006a 等版本Matlab 软件。
三、实验内容与原理（1）内容：1．能够写出MATLAB 源代码，求信源的信息熵。
2．根据图像熵基本知识，综合设计出MATLAB 程序，求出给定图像的图像熵。
（2）原理1． MATLAB 中数据类型、矩阵运算、图像文件输入与输出知识复习。
2．利用信息论中信息熵概念，求出任意一个离散信源的熵（平均自信息量）。
自信息是一个随机变量,它是指某一信源发出某一消息所含有的信息量。
所发出的消息不同，它们所含有的信息量也就不同。
任何一个消息的自信息量都代表不了信源所包含的平均自信息量。
不能作为整个信源的信息测度，因此定义自信息量的数学期望为信源的平均自信息量：信息熵的意义：信源的信息熵H是从整个信源的统计特性来考虑的。
它是从平均意义上来表征信源的总体特性的。
对于某特定的信源，其信息熵只有一个。
不同的信源因统计特性不同，其熵也不同。
3．学习图像熵基本概念，能够求出图像一维熵和二维熵。
图像熵是一种特征的统计形式，它反映了图像中平均信息量的多少。
图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，令Pi 表示图像中灰度值为i的像素所占的比例，则定义灰度图像的一元灰度熵为：255log i iip p ==∑H图像的一维熵可以表示图像灰度分布的聚集特征，却不能反映图像灰度分布的空间特征，为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。
选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为( i, j )，其中i 表示像素的灰度值(0 <= i <= 255)，j 表示邻域灰度(0 <= j <= 255),2(,)/ijP f i j N =上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征，其中f(i, j) 为特征二元组(i, j)出现的频数，N 为图像的尺度，定义离散的图像二维熵为：255logij ijip p ==∑H构造的图像二维熵可以在图像所包含信息量的前提下，突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征.四、实验步骤1．求解信息熵过程：1) 输入一个离散信源，并检查该信源是否是完备集。
基于偏斜度的图像局部熵算法
ｓ ｍａ ｌ ｌ ｔ ａ ｒ ｇ ｅ ｔ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ． Ａｆ ｔ ｅ ｒ ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ｐ ｒ ｏ ｖｅ ｄ ｔ ｈ ａ ｔ ｔ ｈ ｉ ｓ ｍｅ ｔ ｈ ｏ ｄ ｃ ａ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｄ ｅ ｔ ｅ ｃ ｔ ｔ ｈ ｅ ｗｅ ａ ｋ ｔ ａ ｒ ｇ ｅ ｔ ，ｉ ｔ ｈ ａ ｓ ａ ｓ ｉ ｍｐ ｌ ｅ
如 果 一 个试 验 Ｓ有 ｎ 个 结 果 ＝ “＝ｌ ， ２ ， …， 玎 ） ， 每 个 事 件 的 概 率 分 布 Ｐ，则 每 个 结 果 本 身 的信 息 为
隐 蔽 性 好 等 优 势 ，在 军 事 武 器 系 统 中发 挥 着 越 来 越
重 要 的作 用 。但 由于 要 对 目标 进 行 早 期 探 测 和 精 确
图 １ 检 测 流 程
打 击 ，往 往 目标 距 离 较 远 ，使 得 目标 在 场 景 中一 般 尺 寸 较 小 、噪 声较 大 、背 景 复 杂 ，给 检 测 带 来 很大
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｂｅ ｃ ａ ｕ ｓ ｅ ｉ ｔ ｉ ｓ ｈ ａ ｒ ｄ ｔ ｏ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄ ｗｅ ａ ｋ ｓ ｍａ ｌ ｌ ｔ ａ ｒ ｇ ｅ ｔ ｓ ，ｐ ｕ ｔ ｆ ｏ ｒ ｗａ ｒ ｄ ａ ｎ ｅ ｗ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ ｔ ｈ ｅ ｌ ｏ ｃ ａ １． ｅ ｎ ｔ ｒ ｏ ｐ ｙ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像熵计算
信息熵：
利用信息论中信息熵概念，求出任意一个离散信源的熵（平均自信息量）。
自信息是一个随机变量,它是指某一信源发出某一消息所含有的信息量。
一条信息的信息量和它的不确定性有着直接的关系。
所发出的消息不同，它们所含有的信息量也就不同。
任何一个消息的自信息量都代表不了信源所包含的平均自信息量。
不能作为整个信源的信息测度，因此定义自信息量的数学期望为信源的平均自信息量：
信息熵的意义
信源的信息熵H 是从整个信源的统计特性来考虑的。
它是从平均意义上来表征信源的总体特性的。
对于某特定的信源，其信息熵只有一个。
不同的信源因统计特性不同，其熵也不同。
信息熵一般用符号H 表示，单位是比特。
变量的不确定性越大，熵也就越大。
图像熵：
1.一元灰度熵
图像熵是一种特征的统计形式，它反映了图像中平均信息量的多少。
图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，令P i 表示图像中灰度值为i 的像素所占的比例，则定义灰度图像的一元灰度熵为：
255
log =i i i H p p =∑ 其中P i 是某个灰度在该图像中出现的概率，可由灰度直方图获得。
%% 图像灰度直方图
clear;
clc;
close all;
ImageData=imread('lena.jpg');
if ndims(ImageData) == 3
figure;
imshow(ImageData);
title('您选择的是RGB图，将转换为灰度图！');
ImageData = rgb2gray(ImageData); %如果是真彩色图，就将其装换为灰度图
end
figure
imshow(ImageData)
title('您所选择的图像');
figure;
h=imhist(ImageData); %一个MATLAB图像处理模块中的函数，用以提取图像中的直方图信息
h1=h(1:2:256);
h2=1:2:256;
stem(h2,h1,'r--'); %绘出柱状图,红色
title('图像灰度直方图-柱状图');
figure;
imhist(ImageData); %一个MATLAB图像处理模块中的函数，用以提取图像中的直方图信息
title('灰度直方图');
2.二维熵
图像的一维熵可以表示图像灰度分布的聚集特征，却不能反映图像灰度分布的空间特征，为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。
选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为(i,j)，其中i 表示像素的灰度值(0<=i<=255)，j 表示邻域灰度均值(0<=j<=255)：
2(i,j)/N ij P f =
上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征，其中f(i,j)为特征二元组(i,j)出现的频数，N 为图像的尺度，定义离散的图像二维熵为：
2550log =ij ij
i H p p =∑
构造的图像二维熵可以在图像所包含信息量的前提下，突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征。