当您说可能性时，您是在调用其他几个概念，例如事件、样本、参数、模型、概率密度函数 (PDF) 等（如果您了解更多关于这些概念的信息会很有帮助）。本质上，似然函数$l(x|\theta)$是一个 PDF，用于量化该事件发生的可能性$x$给定参数，发生在一组可能的事件中$\theta$定义你的模型。

在图像的特定情况下，可能的事件集通常是两个选项之一：1）数据集中的所有可用图像，或 2）所有现有图像。通常您希望在选项 2) 中对可能性进行建模，但只能访问所有可能图像的样本。在任何一种情况下，可能性只是您从所有可能的图像中选择一个图像的概率。如果你只考虑图像$1048\times 720$像素，可能的图像数量是$(256\times3)^{1048\times 720}$，我假设每个像素由 3 种颜色组成，每种颜色可以取 256 个值。由于可能的图像数量如此之多，因此选择特定图像的概率非常非常小是很常见的。这就是为什么您通常使用对数似然（似然的对数）而不是直接使用似然的原因。例如，如果您的所有图像的可能性相同，则可能性将是$10^{-{10^7}}$, 而对数似然会在$-10^7$.

为了用图像和像素的概率来解决你的悖论，请考虑你有硬币而不是像素，而不是图像你有硬币序列。假设你有一个公平的硬币，所以反面的概率 ($T$) 抛硬币后是 0.5。如果你抛第二个硬币，得到的概率$T$同样自然也是 0.5，但是两者结果的概率是多少$T$? 它是乘积 (0.25)，因为事件是独立的。同样，其他三个序列的概率$TH$,$HT$和$HH$仅为 0.25。您可以看到，由于需要在 4 个等概率序列之间共享概率，因此它们相对于长度为 1 的序列的概率更小。如果您掷硬币 3 次，那么所有这些硬币的概率都是反面只是$0.5^{3}$. 同样，现在有 8 个可能的序列，它们都具有相同的概率。你可以看到发生了什么。由于可能选项的数量变大，每个可能的硬币序列的概率变小。显然，你永远不会抛硬币 10 次，然后期望得到所有$T$， 对？好吧，在图片的情况下也发生了完全相同的情况。