Czy proste zdjęcie zawiera więcej informacji niż złożony obraz?

12

Mam nadzieję, że to pytanie jest odpowiednie dla tej witryny.

Natrafiłem na ten fragment w powieści Liu Cixina The Three Body Problem :

Profesor umieścił dwa zdjęcia: Jednym z nich był słynny obraz dynastii Song Along the River podczas festiwalu Qingming , pełen pięknych, bogatych detali; drugim było zdjęcie nieba w słoneczny dzień, ciemnoniebieska przestrzeń przełamana jedynie przez chmurkę ... Zawartość informacji fotograficznej - jej entropia - przekroczyła obraz o jeden lub dwa rzędy wielkości

Reprezentatywne zdjęcia:

Czy to prawda? Jak wyjaśnić to zjawisko sprzeczne z intuicją?

image image-compression soft-question

— RSS
źródło

Czy w książce jest więcej kontekstu?

— endolith,

@endolith nie, niestety nie.

— RSS

Chciałbym, żeby entropia była jedyną miarą zawartości. Ale nie. Obrazy RGB są tworzone dla ludzi, aby mogli na nie patrzeć, zarówno obrazy, jak i fotografie. Więc spójrz na to sam. Który z nich jest bardziej pouczający i bogaty? Twój wybór jest prawidłowy, niezależnie od wymyślonych przez nas środków komputerowych.

— Tolga Birdal

@TolgaBirdal Wystarczająco uczciwe, ale nadal chciałbym zrozumieć, dlaczego komputery źle sobie radzą w tym przypadku.

— RSS

12

To zależy od tego, jak zdefiniujesz termin „informacja” lub „entropia”.

Konwencjonalna definicja entropii obrazu polega na traktowaniu obrazu jako dwuwymiarowej macierzy piksela i gdzie jest prawdopodobieństwem obliczanym na podstawie histogramu związanego z poziomem szarości .

H = - \sum_{k} p_{k} \log_{2} (p_{k})

$H = - \sum_k p_k \log_2(p_k)$

p_{k}

$p_k$

k

$k$

Tego rodzaju entropia jest poprawna, jeśli zignorujemy korelację między pikselami. Na przykład dwa obrazy mają tę samą entropię według tej definicji.

Nie jest prawdą, jeśli weźmie się pod uwagę korelację między pikselami. Na przykład jeśli pierwszy piksel koloru w lewym górnym rogu ma prawdopodobieństwo , następny piksel z pewnością ma ten sam kolor, a jego kolor nie ma tego samego prawdopodobieństwa . $p_k$ $p_k$

My, istota ludzka, z tobą jako przykładem, używamy tego rodzaju korelacji do postrzegania obrazów. Tego rodzaju korelacje nazywane są „szczegółami”, a my / oczekujemy, że obrazy o bogatej szczegółowości powinny zawierać więcej informacji / entropii niż proste. To jest powód, dla którego uważasz to za sprzeczne z intuicją.

PS:

Próbowałem obliczyć entropię dwóch opublikowanych zdjęć, ale nie różnią się one „o jeden lub dwa rzędy wielkości” !!!!

„Wzdłuż rzeki podczas festiwalu Qingming” entropia około 7

Entropia „nieba” około 6

Nie mogą to być te same akta profesora.

— AlexTP
źródło

Dzięki, myślę, że to była odpowiedź, której szukałem. Oczywiście przesłane przeze mnie obrazy miały być reprezentatywne, nie mam pojęcia, co fikcyjny profesor pokazał klasie: D

— RSS

1

Przede wszystkim nie jest to sam obraz, ale jego zdjęcie (lub skan), które możemy porównać ze zdjęciem (lub skanem) czegoś innego, na przykład sceny naturalnej.

Na podstawie dostarczonych obrazów, percepcyjnie mówiąc, obraz powinien oczywiście zawierać więcej informacji w porównaniu do zwykłego nieba. Rezultat jest taki, że po skompresowaniu plik malowania będzie większy niż plik nieba w tym samym algorytmie kompresji.

Biorąc to jednak pod uwagę, prosta scena nieba może zawierać percepcyjnie niewidoczne elementy, takie jak artefakty kwantyzacji, gradient kolorów lub podobne rzeczy, które, choć nie można dostrzec ich istnienia, algorytm matematyczny będzie nadal traktowany jako informacja statystyczna, dzięki czemu entropia granica obrazu jest zwiększona. W rezultacie powstaje większy plik.

To samo może oczywiście mieć miejsce również w przypadku pliku malarskiego.

— Fat32
źródło

Zrobiłeś dobre rozróżnienie, tj. Czy profesor porównał zdjęcie z faktycznym obrazem (nazwijmy to słabszą hipotezą), czy może nawet skan obrazu zawierałby mniej informacji (silniejsza hipoteza). Tak więc, zgodnie z twoim wyjaśnieniem, tylko słabsza hipoteza jest prawdziwa?

— RSS

Użyłem terminów zdjęcie i skan, aby oznaczyć bitową cyfrową sekwencję która reprezentuje informacje o obrazie oraz pewne zniekształcenie spowodowane procesem digitacji. Prawda jest taka, że percepcyjnie mówiąc malarstwo zawiera więcej informacji. Ale matematyczna koncepcja entropii jest zasadniczo statystyczną miarą informacji opartą na prawdopodobieństwach. Tak więc niewidoczne odmiany pikseli byłyby nadal uważane za informację i będą kodowane , chyba że zostaną odrzucone przez kwantyzator percepcyjnego kodeka, takiego jak warianty JPEG.

N

$N$

f [n 1, n 2]

$f[n1,n2]$

— Fat32

0

Oba zawierają te same informacje, tzn. Oba mają 1 bit informacji. Weź pod uwagę, że na poziomie pokładowym znajdują się dwa dwa obrazy, jeden z malarstwa i drugi z nich. Prawdopodobieństwo jednego obrazu wynosi 1/2 = 0,5. Ponieważ nie wiesz, który to obraz przed ich obejrzeniem.

— Amruth A.
źródło