圖像的局部墑速度優化
1、香農墑定義
信息論大師香農給出了信息隨機性的度量，稱為信息墑。信息的隨機性越大，信息墑就越大。假定事件s1,s2,s3……sn，它們出現的概率為p(s1),p(s2)……p(sn)，則每個事件的平均不確定性用香農墑（Shannon entropy）來定義，為
2、圖像的局部墑優化
由香農墑的定義可以看出，只要把圖像中的灰度值看作隨機事件，就可以度量圖像的信息量了。
1、對於一個灰度完全一致的圖像，P(Si) = 1，圖像的香農墑為0；
2、對於一個對比度很大的圖像，圖像的香農墑很大；假定圖像一半白，一半黑，香農墑為1/2 * 2 = 1; 這個特性可以用來檢測圖像紋理中的缺陷，紋理均勻的地方，香農墑小；紋理缺陷的地方，香農墑大；然後在墑圖像選取一個合適的閾值二值化，就可以檢測出缺陷。
如果直接計算整張圖的香農墑，得出來的是關於整張圖像的對比度，均勻性等信息的度量，一個標量值（紋理特征）；主要用於分類和識別。
在缺陷檢測中，我們更關心的是局部的特性，每個局部點的信息墑組成一個信息墑圖。類似於濾波，matlab中的局部墑計算函數為entropyfilt，常用的墑濾波器是9x9大小的，因此可以按照空間域濾波滑動窗口的形式方法計算局部墑。
2.1 圖像局部墑Native計算方式：
2.2 局部墑優化1（查找表方式）:
Native計算方式中最大的計算量為log(2)的重復除法
考慮到hist[k]的最大頻數為81，因此計算概率的時候先不歸一化處理，只計算頻數，然後構建頻率查找表：
查找表方式優化效率，有質的提升。
2.3 局部墑優化2（減少直方圖循環）
直方圖中不是每個灰度頻數都大於0，最多個頻數大於0的個數為81，也就是鄰域9x9 內的所有灰度值都不相同；因此對於那些頻數為0的index可以先去除，然後在循環。測試後，提速不明顯，主要是對直方圖中256個index又要遍歷一遍，然後還要存在索引表中，這本省要耗點時間。但對頻數大於0的首尾index提取（很快就提取出來），會有10%左右的提速。
minIndex為頻數不為0的最小索引值，maxIndex為頻數不為0的最大索引值；
2.4 局部墑優化3（中值濾波優化思路）
窗口在滑動時，只有第一列和最後一列是不同的元素，因此在計算下一個點鄰域直方圖時，只需在當前直方圖的基礎上減去第一列，然後在加上最後一列。這個減少了imageWidth * imageHeight * (81 - 18)次加法，600x500的圖沒提速前是50ms左右，提速後在40ms左右，提速20%-30%；
3、計算結果圖demo
圖像的局部墑速度優化