在这种情况下，熵意味着什么？
What does entropy mean in this context?
我正在阅读一篇图像分割论文，其中使用范式 "signal separation" 来解决问题，即信号（在本例中为图像）由多个信号（图像中的对象）组成图像）以及噪声，任务是分离出信号（分割图像）。
算法的输出是一个矩阵， which represents a segmentation of an image into M components. T is the total number of pixels in the image, 是源分量(/signal/object)i在像素j
的值
在我正在阅读的论文中，作者希望 select 的分量 m 符合特定的平滑度和熵标准。但是我不明白这种情况下的熵是什么。
熵定义如下：
他们说'' are probabilities associated with the bins of the histogram of ''
目标成分是肿瘤，论文中写道："the tumor related component with "几乎“常数值预计具有最低的熵值。”
但是在这种情况下，低熵意味着什么？每个bin代表什么？低熵向量是什么样的？
他们在谈论 Shannon's 熵。查看熵的一种方法是将其与给定概率分布相关事件的不确定性量联系起来。熵可以作为 'disorder' 的度量。随着无序程度的增加，熵增加，事件变得更不可预测。
回到论文中熵的定义：
H(s_m)是随机变量s_m的熵。这里 是结果 s_m 发生的概率。 m 是所有可能的结果。概率密度 p_n 是使用灰度直方图计算的，这就是总和从 1 到 256 的原因。箱子代表可能的状态。
那么这是什么意思呢？在图像处理中，熵可用于对纹理进行分类，某种纹理可能具有某种熵，因为某些图案以近似某种方式重复自身。在本文的上下文中，低熵 (H(s_m) 表示分量 m 内的低无序、低方差。低熵分量比高熵分量更均匀，它们与对组件进行分类的平滑度标准。
看待熵的另一种方式是将其视为信息量的度量。相对'low'熵的向量是信息含量相对较低的向量。它可能是 [0 1 0 1 1 1 0]。熵比较'high'的向量，是信息量比较高的向量。它可能是 [0 242 124 222 149 13].
这是一个引人入胜且复杂的主题，真的无法用一个post来概括。
熵由 Shanon (1948) 引入，熵值越高 = 信息越详细。
熵是图像信息含量的度量，解释为信息源的平均不确定性。
在图像中，熵被定义为各个像素可以适应的强度级别的相应状态。
它用于定量分析和评估图像细节，使用熵值是因为它可以更好地比较图像细节。
也许，考虑图像中的熵和信息内容的另一种方法是考虑图像可以压缩多少。独立于压缩方案（运行 长度编码是其中一种），您可以想象一个信息很少（低熵）的简单图像可以用更少的数据字节进行编码，而完全随机的图像（如白噪声）则不能压缩很多，如果有的话。
我正在阅读一篇图像分割论文，其中使用范式 "signal separation" 来解决问题，即信号（在本例中为图像）由多个信号（图像中的对象）组成图像）以及噪声，任务是分离出信号（分割图像）。
算法的输出是一个矩阵，
在我正在阅读的论文中，作者希望 select
熵定义如下：
他们说''
目标成分是肿瘤，论文中写道："the tumor related component
但是在这种情况下，低熵意味着什么？每个bin代表什么？低熵向量是什么样的？
他们在谈论 Shannon's 熵。查看熵的一种方法是将其与给定概率分布相关事件的不确定性量联系起来。熵可以作为 'disorder' 的度量。随着无序程度的增加，熵增加，事件变得更不可预测。
回到论文中熵的定义：
H(s_m)是随机变量s_m的熵。这里
那么这是什么意思呢？在图像处理中，熵可用于对纹理进行分类，某种纹理可能具有某种熵，因为某些图案以近似某种方式重复自身。在本文的上下文中，低熵 (H(s_m) 表示分量 m 内的低无序、低方差。低熵分量比高熵分量更均匀，它们与对组件进行分类的平滑度标准。
看待熵的另一种方式是将其视为信息量的度量。相对'low'熵的向量是信息含量相对较低的向量。它可能是 [0 1 0 1 1 1 0]。熵比较'high'的向量，是信息量比较高的向量。它可能是 [0 242 124 222 149 13].
这是一个引人入胜且复杂的主题，真的无法用一个post来概括。
熵由 Shanon (1948) 引入，熵值越高 = 信息越详细。 熵是图像信息含量的度量，解释为信息源的平均不确定性。 在图像中，熵被定义为各个像素可以适应的强度级别的相应状态。 它用于定量分析和评估图像细节，使用熵值是因为它可以更好地比较图像细节。
也许，考虑图像中的熵和信息内容的另一种方法是考虑图像可以压缩多少。独立于压缩方案（运行 长度编码是其中一种），您可以想象一个信息很少（低熵）的简单图像可以用更少的数据字节进行编码，而完全随机的图像（如白噪声）则不能压缩很多，如果有的话。