1、香农墒定义
信息论大师香农给出了信息随机性的度量，称为信息墒。信息的随机性越大，信息墒就越大。假定事件s1,s2,s3……sn，它们出现的概率为p(s1),p(s2)……p(sn)，则每个事件的平均不确定性用香农墒（Shannon entropy）来定义，为
2、图像的局部墒优化
由香农墒的定义可以看出，只要把图像中的灰度值看作随机事件，就可以度量图像的信息量了。
1、对于一个灰度完全一致的图像，P(Si) = 1，图像的香农墒为0；
2、对于一个对比度很大的图像，图像的香农墒很大；假定图像一半白，一半黑，香农墒为1/2 * 2 = 1; 这个特性可以用来检测图像纹理中的缺陷，纹理均匀的地方，香农墒小；纹理缺陷的地方，香农墒大；然后在墒图像选取一个合适的阈值二值化，就可以检测出缺陷。
如果直接计算整张图的香农墒，得出来的是关于整张图像的对比度，均匀性等信息的度量，一个标量值（纹理特征）；主要用于分类和识别。
在缺陷检测中，我们更关心的是局部的特性，每个局部点的信息墒组成一个信息墒图。类似于滤波，matlab中的局部墒计算函数为entropyfilt，常用的墒滤波器是9x9大小的，因此可以按照空间域滤波滑动窗口的形式方法计算局部墒。
2.1 图像局部墒Native计算方式：
2.2 局部墒优化1（查找表方式）:
Native计算方式中最大的计算量为log(2)的重复除法
考虑到hist[k]的最大频数为81，因此计算概率的时候先不归一化处理，只计算频数，然后构建频率查找表：
查找表方式优化效率，有质的提升。
2.3 局部墒优化2（减少直方图循环）
直方图中不是每个灰度频数都大于0，最多个频数大于0的个数为81，也就是邻域9x9 内的所有灰度值都不相同；因此对于那些频数为0的index可以先去除，然后在循环。测试后，提速不明显，主要是对直方图中256个index又要遍历一遍，然后还要存在索引表中，这本省要耗点时间。但对频数大于0的首尾index提取（很快就提取出来），会有10%左右的提速。
minIndex为频数不为0的最小索引值，maxIndex为频数不为0的最大索引值；
2.4 局部墒优化3（中值滤波优化思路）
窗口在滑动时，只有第一列和最后一列是不同的元素，因此在计算下一个点邻域直方图时，只需在当前直方图的基础上减去第一列，然后在加上最后一列。这个减少了imageWidth * imageHeight * (81 - 18)次加法，600x500的图没提速前是50ms左右，提速后在40ms左右，提速20%-30%；
3、计算结果图demo
