IB 3.9.16

图像中的熵，核心含义是图像信息量的度量，或者更通俗地说，是图像中像素值混乱程度（随机性/复杂度）的度量，可以把它理解为图像的“信息丰富度”或“细节复杂度”。

下图中是我绘制的一半全黑一半全白的图像，第一行三个ROI都是用来计算熵的，可以看到全黑或者全白的熵是0，也就是说这些区域没有任何可用的信息，而黑白交界处的熵为1，我们可以很自信的说我能在这个图像上看到一条边，这个图像是有信息的！

反观第二行的3个ROI是用来估计噪声的，因为是绘图工具绘制的完美图像，所以三个噪声都是0，虽然存在一条边缘，但是边缘并不是噪声。

第三第四行，我用“噪声增加”工具增加了一个标准差为10的高斯噪声，对应的熵计算也都明显提升，因为图像的细节复杂度、混乱程度提升了；自然的噪声估计数值也变大了，且不同位置的数值都是一样的。

熵工具的应用

1. 图像自动聚焦：相机对焦时，清晰的图像边缘锐利、细节丰富（熵高）；模糊的图像平滑柔和（熵低）。自动对焦系统就是不断调整镜头，寻找熵值最大的那个位置。
2. 图像分割与特征提取：在识别感兴趣区域时，算法常利用局部熵。如果图像某一块区域的熵突然变得极高，说明这里存在复杂的纹理或边缘，通常是物体的边界或关键特征点。
3. 检测“坏图”：如果一张照片曝光过度（全白）或曝光不足（全黑），其熵值极低，算法可以自动将其过滤掉，不需要浪费算力去处理。
4. 图像质量评价：在没有参考图的情况下，熵值可以粗略判断图像是否因过度压缩而失真（JPEG压缩会让纹理区域变平滑，导致熵值下降）。

噪声工具的应用

1. 噪声增加工具 是灵闪的第一个“随机”工具，当进行直线检测等工具配置的时候可用于测试当前配置的鲁棒性！
2. 噪声增加工具 协助进行样本生成。
3. 噪声估计工具 用于对图像中噪声大小的评价：典型的应用是检测“拼接伪造”，一张真照片的不同区域，其原生噪声水平是大致连续且均匀的（因为来源于同一个相机）。如果进行了换脸，那么人脸区域的噪声水平（来自于另一个相机）会与背景区域存在显著差异。噪声估计能绘制出“噪声分布热力图”，精准找出噪声突变的分界线，从而揭露PS痕迹。
4. 噪声估计工具 与熵协同工作，用于辨别这个高熵区域到底是我想要的有用细节（纹理），还是传感器产生的无用干扰（噪声）。