关于skimage.measure.shannon_entropy()的分箱数与直方图计算问询

1. 不同类型图像的分箱数 #

分箱规则完全由输入图像的数据类型决定：

• 整数类型（含1/2/4字节有符号/无符号灰度图）：分箱数等于该数据类型的取值范围总个数，即 np.iinfo(image.dtype).max - np.iinfo(image.dtype).min + 1。例如：
  • uint8（1字节无符号）：256个分箱（覆盖0~255）
  • int8（1字节有符号）：256个分箱（覆盖-128~127）
  • uint16/int16：65536个分箱
  • uint32/int32：2^32个分箱
• 浮点类型（如32位浮点灰度图）：固定使用256个分箱。

2. 直方图的计算流程 #

函数会根据图像数据类型分支处理：

整数类型图像 #

1. 通过np.iinfo()获取当前数据类型的最小/最大取值
2. 以「取值范围总个数」作为分箱数，同时指定直方图的统计范围为该类型的min到max，确保每个整数取值对应独立分箱
3. 调用np.histogram()生成直方图

浮点类型图像 #

1. 直接传入bins=256调用np.histogram()，分箱会自动覆盖图像像素值的实际范围，均匀划分为256个区间
2. 生成直方图后，会过滤掉计数为0的分箱，避免后续概率计算出现log(0)的错误

后续统一流程：将直方图的计数转换为概率（每个分箱计数/总像素数），再通过熵公式 -Σ(prob * log(prob)/log(base)) 计算最终结果，默认以2为对数底。

内容的提问来源于stack exchange，提问作者shparekh