matlab中的entropy函数是如何实现的?

(1)先用Hist函数对x(n)的赋值范禅答围进行分块，比如赋值范围在0~10的对应第

一块，10~20的第二块，以此类推肆厅。这之前需要对x(n)做一些归一化处理

(2)统计每一块的数据个数，并求出相应的概率

(3)用信息熵公式求解裂袭隐

以上求解方法获得的虽然是近似的信息熵，但是一般认为，这么做是没有问题的

求一维序列的信息熵的matlab程序代码如下：（已写成调用的函数形式）

测试程序：

fs=12000

N=12000

T=1/fs

t=(0:N-1)*T

ff=104

sig=0.5*(1+sin(2*pi*ff*t)).*sin(2*pi*3000*t)+rand(1,length(t))

Hx=yyshang(sig,10)

求图像的熵，在型纯许多场合下都有应用，也可以有多种编写程序的方法，下面介绍作者编写的一个图像熵的函数yentropy()，可以直接调用首租晌。可者锋以用于求图像的局部熵，也可以求其整体熵。

function entr=yentropy(a)

a=uint8(a) %这里a为8位的单色图像或24为的RGB彩色图像

[m n l]=size(a)

entr=0

for k=1:l

hi=zeros(1,256)

for i=1:m

for j=1:n

hi(a(i,j,k)+1)=hi(a(i,j,k)+1)+1 %求每种值的在图像中出现的次数

end

end

hi=sort(hi,'descend')

hi=hi./m./n %求概率

en=0.0

for i=1:256

if hi(i)>0

en=en-hi(i).*log2(hi(i)) %概率不为0 累加求熵

else

i=257 %否则停止

end

end

entr=entr+en

end

entr=entr/l %当l=1时a为单色图像；当l=3时a为彩色图像，三个页面的熵平均

计算步骤如下图渣蔽：在信枯梁山息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。根据熵的特性，我们可以通过计算熵值来判断一个事件的没中随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。

---