def hist2D_demo(image):
    hsv = cv.cvtColor(image,cv.COLOR_BGR2HSV)
    hist = cv.calcHist([image],[0,1],None,[289,286],[0,289,0,286])
    cv.imshow("hist2D",hist)

def hist2D_demo(image):
    hsv = cv.cvtColor(image,cv.COLOR_BGR2HSV)
    hist = cv.calcHist([image],[0,1],None,[289,286],[0,289,0,286])
    plt.imshow(hist,interpolation="nearest")
    plt.title("2D Histogram")
    plt.show()

def back_projection_demo():
    sample = cv.imread("./s2.png")
    target = cv.imread("./b.png")
    roi_hsv = cv.cvtColor(sample,cv.COLOR_BGR2HSV)
    tar_hsv = cv.cvtColor(target,cv.COLOR_BGR2HSV)

    cv.imshow("sample",sample)
    cv.imshow("target",target)

    roihist = cv.calcHist([roi_hsv], [0, 1], None, [324, 356], [0, 324, 0, 356])　　#加红部分越小，匹配越放松，匹配越全面，若是bsize值越大，则要求得越精细，越不易匹配，所以导致匹配出来的比较小
    cv.normalize(roihist,roihist,0,255,cv.NORM_MINMAX)　　#规划到0-255之间
    dst = cv.calcBackProject([tar_hsv],[0,1],roihist,[0,324,0,356],1)   #直方图反向投影
    cv.imshow("back_projection_demo",dst)

roihist = cv.calcHist([roi_hsv], [0, 1], None, [32, 46], [0, 324, 0, 356])　　#这是两个通道，bsize变少了，但是他的匹配更加广了（对于匹配的局限放宽了）

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。