yecharts是一款將python與echarts結合的強大的數據可視化工具，本系列文章將為你闡述pyecharts的使用細則，讓你對數據進行可視化處理時更加得心應手。這一系列中全部代碼在Windows 10系統下基于Python3.7和pyecharts1.9.0實際運行通過。

一、前言

在本系列上一篇文章中筆者介紹了使用pyecharts繪制地理圖表的方法，運用pyecharts在繪制地圖方面有著特有的優勢，能動態且直觀的展現出繪制者想在地圖中表達的資源信息。在這一期文章里，筆者將介紹使用pyecharts繪制雷達圖、詞云圖、日歷圖等基本圖表。

二、使用實例

在本期文章中，我們需要導入的庫有：

from pyecharts.charts import *
from pyecharts.components import Table
from pyecharts import options as opts
from pyecharts.commons.utils import JsCode
import  random
import  datetime

雷達圖是一種平行坐標圖，是一種從同一點開始的軸上表示多個定量或變量的二維圖表。雷達圖常用于繪制企業經營狀況、展現評價指標之間的關系，能夠直觀地查看各類數據指標及數據變化趨勢。

實現代碼：

data=[
    [66, 91, 123, 78, 82, 67],
    [89, 101, 45, 88, 86, 75],
    [86, 93, 101, 84, 35, 73],
]
radar=(Radar()
         .add_schema(schema=[
             opts.RadarIndicatorItem(name="語文", max_=150),
             opts.RadarIndicatorItem(name="數學", max_=150),
             opts.RadarIndicatorItem(name="英語", max_=150),
             opts.RadarIndicatorItem(name="政治", max_=100),
             opts.RadarIndicatorItem(name="地理", max_=100),
             opts.RadarIndicatorItem(name="歷史", max_=100),
         ]
)
    .add('', data)
)
radar.render('雷達圖.html')

詞云圖是一種以各種詞匯組成的二維圖表，一般用于提取大量文本中的關鍵字詞信息，使讀者能一眼掃過詞云圖便可以明白其主要內容和關鍵信息，同時也提高了閱讀文本的趣味性。

實現代碼：

words=[
    ("heart", 173),
    ("no", 365),
    ("you", 360),
    ("can", 282),
    ("yes", 273),
    ("start", 265),
    ("hello", 365),
    ("world", 124),
    ("PPT", 436),
    ("frame", 255),
    ("Hadoop", 666),
    ("zookeeper", 244),
    ("goal", 681),
    ("today", 184),
    ("Monday", 12),
    ("last time", 148),
    ("configuration", 247),
    ("batter", 182),
    ("remember", 255),
    ("to", 150),
    ("make", 162),
    ("her", 266),
    ("in", 60),
    ("my", 82),
]
wc=(
    WordCloud()
    .add("", words)
)
wc.render('詞云圖.html')

日歷圖是一種能直觀顯示出對應日期的某個指標取值的動態圖表，利用pyecharts中的Calendar方法繪制日歷圖十分簡單。

實現代碼：

begin=datetime.date(2021, 1, 1)
end=datetime.date(2021, 10, 29)
data=[[str(begin + datetime.timedelta(days=i)), random.randint(1000, 1200)]
        for i in range((end - begin).days + 1)]

calendar=(
    Calendar()
        .add("", data,calendar_opts=opts.CalendarOpts(range_="2021"))
)

calendar.render('日歷圖.html')

餅圖用于展現圖表中各項的大小與各項總和的比例，常在統計學中應用。

實現代碼：

cate=['meituan','zhifubao','weixin','taobao','jingdong','pinduoduo']
data=[123,153,89,107,98,23]
pie=(Pie()
       .add('', [list(z) for z in zip(cate, data)])
       )
pie.render('餅圖.html')

儀表盤圖是pyecharts中一種特有圖表，模仿汽車儀表盤碼速表，生動地展示某項數據的取值。

實現代碼：

data=(
    '不及格率',
    12
)
gauge=(Gauge()
          .add("", [data])
          )
gauge.render('儀表盤圖.html')

水球圖同樣是pyecharts庫中一種特色圖表，用于展示某一項指標的取值。

實現代碼：

liquid=(Liquid()
          .add("", [0.66, 0.34])
          )
liquid.render('水球圖.html')

平行坐標圖用于展示在擁有高維度的評價指標情況下，各個評價對象之間的聯系和等級。

實現代碼：

data=[
    ['301班', 78, 91, 123, 78, 82, 67, "優秀"],
    ['302班', 89, 101, 127, 88, 86, 75, "良好"],
    ['303班', 86, 93, 101, 84, 90, 73, "合格"],
]
parallel=(
    Parallel()
    .add_schema(
        [
            opts.ParallelAxisOpts(
                dim=0,
                name="班級",
                type_="category",
                data=["301班", "302班", "303班"],
            ),
            opts.ParallelAxisOpts(dim=1, name="語文"),
            opts.ParallelAxisOpts(dim=2, name="數學"),
            opts.ParallelAxisOpts(dim=3, name="英語"),
            opts.ParallelAxisOpts(dim=4, name="政治"),
            opts.ParallelAxisOpts(dim=5, name="歷史"),
            opts.ParallelAxisOpts(dim=6, name="地理"),
            opts.ParallelAxisOpts(
                dim=7,
                name="等級",
                type_="category",
                data=["優秀", "良好", "合格"],
            ),
        ]
    )
    .add("", data)
)
parallel.render('平行坐標圖.html')

旭日圖是一種特殊的餅圖，能清晰地表達層級和從屬關系，在pyecharts中我們使用Sunburst方法繪制。

實現代碼：

data=[
    {"name": "廣東",
     "children": [
             {"name": "廣州",
              "children": [
                  {"name": "天河區", "value": 55},
                  {"name": "越秀區", "value": 34},
                  {"name": "增城區", "value": 66},
              ]},
             {"name": "東莞",
              "children": [
                      {"name": "麻涌鎮", "value": 156},
                      {"name": "望牛墩鎮", "value": 134},
              ]},
             {"name": "汕頭", "value": 87},
             {"name": "揭陽", "value": 23},
     ],
     },
    {"name": "新疆",
     "children": [
             {"name": "烏魯木齊",
              "children": [
                  {"name": "五家渠", "value": 55},
                  {"name": "昌吉", "value": 78},
                  {"name": "呼圖壁", "value": 34},
              ]},
             {"name": "阿克蘇", "value": 67},
             {"name": "克拉瑪依", "value": 34},
     ],
     },
    {"name": "重慶", "value": 235}
]
sunburst=(Sunburst()
            .add("", data_pair=data)
            )
sunburst.render('旭日圖.html')

河流圖是一種特殊的流圖，主要用于表示事件或主題在某一時間段內的變化情況。

實現代碼：

cate=['meituan','zhifubao','weixin','taobao','jingdong','pinduoduo']
date_list=["2021/10/{}".format(i + 1) for i in range(30)]
data=[[day, random.randint(10, 50), c] for day in date_list for c in cate]
river=(
    ThemeRiver()
    .add(
        series_name=cate,
        data=data,
        singleaxis_opts=opts.SingleAxisOpts(type_="time")
    )
)
river.render('河流圖.html')

3D散點圖，用于展現三維數據在空間中的分布情況。

實現代碼：

data=[(random.randint(0, 100), random.randint(0, 100), random.randint(0, 100)) for _ in range(100)]
scatter3D=(Scatter3D()
             .add("", data)
             )
scatter3D.render('3D散點圖.html')

3D直方圖，用于展示三維數據在空間中的分布情況。

實現代碼：

data=[[i, j, random.randint(0, 100)] for i in range(24) for j in range(7)]
hour_list=[str(i) for i in range(24)]
week_list=['周日', '周一', '周二', '周三', '周四', '周五', '周六']
bar3D=(
    Bar3D()
    .add(
        "",
        data,
        xaxis3d_opts=opts.Axis3DOpts(hour_list, type_="category"),
        yaxis3d_opts=opts.Axis3DOpts(week_list, type_="category"),
        zaxis3d_opts=opts.Axis3DOpts(type_="value"),
    )
)
bar3D.render_notebook()

以上就是這一期的全部內容，前三期內容筆者介紹了pyecharts庫的一些圖表的繪制方法，在這一系列的下一篇文章中筆者將介紹pyecharts庫中各個函數的配置項，熟練的使用配置項才能創造一個真正屬于自己的圖表。請各位等待下一期更新。

文分享自華為云社區《[Python從零到壹] 五十四.圖像增強及運算篇之局部直方圖均衡化和自動色彩均衡化處理-云社區-華為云》，作者： eastmount。

一.局部直方圖均衡化

前文通過調用OpenCV中equalizeHist()函數實現直方圖均衡化處理，該方法簡單高效，但其實它是一種全局意義上的均衡化處理，很多時候這種操作不是很好，會把某些不該調整的部分給均衡處理了。同時，圖像中不同的區域灰度分布相差甚遠，對它們使用同一種變換常常產生不理想的效果，實際應用中，常常需要增強圖像的某些局部區域的細節。

為了解決這類問題，Pizer等提出了局部直方圖均衡化的方法（AHE），但AHE方法僅僅考慮了局部區域的像素，忽略了圖像其他區域的像素，且對于圖像中相似區域具有過度放大噪聲的缺點。為此K. Zuiderveld等人提出了對比度受限CLAHE的圖像增強方法，通過限制局部直方圖的高度來限制局部對比度的增強幅度，從而限制噪聲的放大及局部對比度的過增強，該方法常用于圖像增強，也可以被用來進行圖像去霧操作[1-2]。

在OpenCV中，調用函數createCLAHE()實現對比度受限的局部直方圖均衡化。它將整個圖像分成許多小塊（比如按10×10作為一個小塊），那么對每個小塊進行均衡化。這種方法主要對于圖像直方圖不是那么單一的（比如存在多峰情況）圖像比較實用。其函數原型如下所示：

retval=createCLAHE([, clipLimit[, tileGridSize]])

• clipLimit參數表示對比度的大小
• tileGridSize參數表示每次處理塊的大小

調用createCLAHE()實現對比度受限的局部直方圖均衡化的代碼如下：

# -*- coding: utf-8 -*-
# By:Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#讀取圖片
img=cv2.imread('lena.bmp')

#灰度轉換
gray=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
#局部直方圖均衡化處理
clahe=cv2.createCLAHE(clipLimit=2, tileGridSize=(10,10))

#將灰度圖像和局部直方圖相關聯, 把直方圖均衡化應用到灰度圖 
result=clahe.apply(gray)

#顯示圖像
plt.subplot(221)
plt.imshow(gray, cmap=plt.cm.gray), plt.axis("off"), plt.title('(a)') 
plt.subplot(222)
plt.imshow(result, cmap=plt.cm.gray), plt.axis("off"), plt.title('(b)') 
plt.subplot(223)
plt.hist(img.ravel(), 256), plt.title('(c)') 
plt.subplot(224)
plt.hist(result.ravel(), 256), plt.title('(d)') 
plt.show()

輸出結果如圖1所示，圖1(a)為原始圖像，對應的直方圖為圖1?，圖1(b)和圖1(d)為對比度受限的局部直方圖均衡化處理后的圖像及對應直方圖，它讓圖像的灰度值分布更加均衡。可以看到，相對于全局的直方圖均衡化，這個局部的均衡化似乎得到的效果更自然一點。

二.自動色彩均衡化

Retinex算法是代表性的圖像增強算法，它根據人的視網膜和大腦皮層模擬對物體顏色的波長光線反射能力而形成，對復雜環境下的一維條碼具有一定范圍內的動態壓縮，對圖像邊緣有著一定自適應的增強。自動色彩均衡（Automatic Color Enhancement，ACE）算法是在Retinex算法的理論上提出的，它通過計算圖像目標像素點和周圍像素點的明暗程度及其關系來對最終的像素值進行校正，實現圖像的對比度調整，產生類似人體視網膜的色彩恒常性和亮度恒常性的均衡，具有很好的圖像增強效果[3-4]。

ACE算法包括兩個步驟，一是對圖像進行色彩和空域調整，完成圖像的色差校正，得到空域重構圖像；二是對校正后的圖像進行動態擴展。ACE算法計算公式如下：

其中，W是權重參數，離中心點像素越遠的W值越小；g是相對對比度調節參數，其計算方法如公式(22-2)所示，a表示控制參數，值越大細節增強越明顯。

圖2是條形碼圖像進行ACE圖像增強后的效果圖，通過圖像增強后的圖(b)對比度更強，改善了原圖像的明暗程度，增強的同時保持了圖像的真實性。

由于OpenCV中暫時沒有ACE算法包，下面的代碼是借鑒“zmshy2128”老師的文章，修改實現的彩色直方圖均衡化處理[5]。

# -*- coding: utf-8 -*-
# By:Eastmount
# 參考zmshy2128老師文章
import cv2
import numpy as np
import math
import matplotlib.pyplot as plt

#線性拉伸處理
#去掉最大最小0.5%的像素值 線性拉伸至[0,1]
def stretchImage(data, s=0.005, bins=2000):   
    ht=np.histogram(data, bins);
    d=np.cumsum(ht[0])/float(data.size)
    lmin=0; lmax=bins-1
    while lmin<bins:
        if d[lmin]>=s:
            break
        lmin+=1
    while lmax>=0:
        if d[lmax]<=1-s:
            break
        lmax-=1
    return np.clip((data-ht[1][lmin])/(ht[1][lmax]-ht[1][lmin]), 0,1)

#根據半徑計算權重參數矩陣
g_para={}
def getPara(radius=5):                        
    global g_para
    m=g_para.get(radius, None)
    if m is not None:
        return m
    size=radius*2+1
    m=np.zeros((size, size))
    for h in range(-radius, radius+1):
        for w in range(-radius, radius+1):
            if h==0 and w==0:
                continue
            m[radius+h, radius+w]=1.0/math.sqrt(h**2+w**2)
    m /=m.sum()
    g_para[radius]=m
    return m

#常規的ACE實現
def zmIce(I, ratio=4, radius=300):                     
    para=getPara(radius)
    height,width=I.shape
    
    #Python3報錯如下 使用列表append修改
    zh=[]
    zw=[]
    n=0
    while n < radius:
        zh.append(0)
        zw.append(0)
        n +=1
    for n in range(height):
        zh.append(n)
    for n in range(width):
        zw.append(n)
    n=0
    while n < radius:
        zh.append(height-1)
        zw.append(width-1)
        n +=1
    #print(zh)
    #print(zw)
    
    Z=I[np.ix_(zh, zw)]
    res=np.zeros(I.shape)
    for h in range(radius*2+1):
        for w in range(radius*2+1):
            if para[h][w]==0:
                continue
            res +=(para[h][w] * np.clip((I-Z[h:h+height, w:w+width])*ratio, -1, 1))
    return res

#單通道ACE快速增強實現
def zmIceFast(I, ratio, radius):
    print(I)
    height, width=I.shape[:2]
    if min(height, width) <=2:
        return np.zeros(I.shape)+0.5
    Rs=cv2.resize(I, (int((width+1)/2), int((height+1)/2)))
    Rf=zmIceFast(Rs, ratio, radius)             #遞歸調用
    Rf=cv2.resize(Rf, (width, height))
    Rs=cv2.resize(Rs, (width, height))
 
    return Rf+zmIce(I,ratio, radius)-zmIce(Rs,ratio,radius)   

#rgb三通道分別增強 ratio是對比度增強因子 radius是卷積模板半徑          
def zmIceColor(I, ratio=4, radius=3):               
    res=np.zeros(I.shape)
    for k in range(3):
        res[:,:,k]=stretchImage(zmIceFast(I[:,:,k], ratio, radius))
    return res

#主函數
if __name__=='__main__':
    img=cv2.imread('test01.png')
    res=zmIceColor(img/255.0)*255
    cv2.imwrite('Ice.jpg', res)

運行結果如圖3和圖4所示，ACE算法能有效進行圖像去霧處理，實現圖像的細節增強。

三.總結

本文主要講解圖像局部直方圖均衡化和自動色彩均衡化處理。這些算法可以廣泛應用于圖像增強、圖像去噪、圖像去霧等領域。

參考文獻：

• [1]王浩,張葉,沈宏海,張景忠.圖像增強算法綜述[J].中國光學,2017,10(04):438-448.
• [2]李艷梅. 圖像增強的相關技術及應用研究[D].電子科技大學,2013.
• [3]S. Bidon, Olivier Besson, J. Y. Tourneret. The Adaptive Coherence Estimator is the Generalized Likelihood Ratio Test for a Class of Heterogeneous Environments[J]. IEEE Signal Processing Letters, 2008, 15: 281-284.
• [4]eastmount. [Python圖像處理] 三十八.OpenCV圖像增強和圖像去霧萬字詳解（直方圖均衡化、局部直方圖均衡化、自動色彩均衡化）[EB/OL]. (2021-03-12). https://blog.csdn.net/ Eastmount/article/details/114706950.
• [5]zmshy2128. 自動色彩均衡（ACE）快速算法[EB/OL]. (2016-12-05). https://www.cnblogs.com/zmshy2128/p/6135551.html.

點擊下方，第一時間了解華為云新鮮技術~

華為云博客_大數據博客_AI博客_云計算博客_開發者中心-華為云