API
归一化函数cv2.normalize
原型：normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]) -> dst
归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。
src参数表示输入数组。
dst参数表示输出与src相同大小的数组，支持原地运算。
alpha参数表示range normalization模式的最小值。
beta参数表示range normalization模式的最大值，不用于norm
normalization(范数归一化)模式。
norm_type参数表示归一化的类型。
norm_type参数可以有以下的取值：
NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围，线性归一化，一般较常用。
NORM_INF:归一化数组的C-范数(绝对值的最大值)。
NORM_L1 ：归一化数组的L1-范数(绝对值的和)。
NORM_L2 ：归一化数组的(欧几里德)L2-范数。
函数cv2.calcBackProject用来计算直方图反向投影。
函数原型：calcBackProject(images, channels, hist, ranges, scale[, dst]) -> dst
反向投影用于在输入图像（通常较大）中查找特定图像（通常较小或者仅1个像素，以下将其称为模板图像）最匹配的点或者区域，也就是定位模板图像出现在输入图像的位置。
images参数表示输入图像（是HSV图像）。传入时应该用中括号[ ]括起来。
channels参数表示用于计算反向投影的通道列表，通道数必须与直方图维度相匹配。
hist参数表示输入的模板图像直方图。
ranges参数表示直方图中每个维度bin的取值范围 （即每个维度有多少个bin）。
scale参数表示可选输出反向投影的比例因子，一般取1。
Code
import cv2 as cv
from matplotlib import pyplot as plt
def back_projection_demo():
sample = cv.imread("./data/sample.png")
target = cv.imread("./data/target.png")
sample_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV)
target_hsv = cv.cvtColor(target, cv.COLOR_BGR2HSV)
# show images
cv.imshow("sample", sample)
cv.imshow("target", target)
sampleHist = cv.calcHist([sample_hsv], [0, 1], None, [36, 48], [0, 180, 0, 256])
cv.normalize(sampleHist, sampleHist, 0, 255, cv.NORM_MINMAX)
dst = cv.calcBackProject([target_hsv], [0, 1], sampleHist, [0, 180, 0, 256], 1)
cv.imshow("backProject_demo", dst)
def hist2d_demo(image):
hsv = cv.cvtColor(image, cv.COLOR_BGR2HSV)
hist = cv.calcHist([image], [0, 1], None, [32, 32], [0, 180, 0, 256])
# cv.imshow("hist2d_demo", hist)
plt.imshow(hist, interpolation="nearest")
plt.title("2D Histgram")
plt.show()
src = cv.imread("./data/lena.jpg", cv.IMREAD_COLOR)
cv.namedWindow("lena", cv.WINDOW_AUTOSIZE)
cv.imshow("lena", src)
# hist2d_demo(src)
back_projection_demo()
cv.waitKey(0)
cv.destroyAllWindows()
