import cv2
import numpy as np
from matplotlib import pyplot as plt
__author__ = "zxsuperstar"
__email__ = "[email protected]"
"""
直方图方向投影， HSV和RGB色彩空间
"""
def hist2d_demo(image):
hsv = cv2.cvtColor(image,cv2.COLOR_BGR2HSV)
hist = cv2.calcHist([image],[0,1],None,[180,256],[0,180,0,256])
cv2.imshow("hist2d",hist)
plt.imshow(hist,interpolation="nearest")
plt.title("2d histogram")
plt.show()
def back_projection_demo(): #直方图反向投影
sample = cv2.imread("t.jpg")
target = cv2.imread("t2.jpg")
roi_hsv = cv2.cvtColor(sample,cv2.COLOR_BGR2HSV)
target_hsv = cv2.cvtColor(target, cv2.COLOR_BGR2HSV)
cv2.imshow("sample",sample)
cv2.imshow("target",target)
roihist = cv2.calcHist([roi_hsv],[0,1],None,[32,32],[0,180,0,256])
cv2.normalize(roihist,roihist,0,255,cv2.NORM_MINMAX) #归一化
dst = cv2.calcBackProject(target_hsv,[0,1],roihist,[0,180,0,256],1)
cv2.imshow("backproject",dst)
if __name__ == "__main__":
src = cv2.imread("t.jpg") #blue green red
# cv2.namedWindow("image", cv2.WINDOW_AUTOSIZE)
cv2.imshow("image",src)
# hist2d_demo(src)
back_projection_demo()
cv2.waitKey(0)
cv2.destroyAllWindows()
说明：
1. 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。
归一化函数cv2.normalize原型：normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]) -> dst
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。
2.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。
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
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。