本文是对OpenCV2.4.13文档的部分翻译，作个人学习之用，并不完整。
反向投影是给定图像的像素对直方图上的像素分布匹配程度的记录方式。 简单地说，你可以对某以特性计算一个直方图模型并用其来找到图像的该特性。 在实际应用上，比如你有一个肉色的的直方图，你可以用其找到图像中的肉色区域。 原理： 以上一篇中的图像为例： 当你基于一张图像计算出一个皮肤的直方图（Hue-Saturation），就可以应用某个掩码矩阵来捕捉直方图上的皮肤区域。 如果使用另一张手部图像，我们希望能使用我们的模型直方图来检测第二张图像中的皮肤区域： 过程： 1.对于测试图像的每个像素p ( i , j )，收集数据，找到相应的bin分布如 2.在相应的bin- 查找模型直方图中对应的bin值 3.将bin值存储在一个新的图像中（反向投影），你也可以考虑先将模型直方图标准化，那么测试图像的输出结果就可见了。 4.应用上面的步骤，可以得到下面对测试图像的反向投影的图像 5.数据方面，存储在反向投影中的值表示测试图像中的像素基于模型直方图属于皮肤区域的概率。例如较亮的区域更有可能是皮肤区域。 #include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include <iostream> using namespace cv; using namespace std; /// Global Variables // 存储图像并初始化bins的数量 Mat src; Mat hsv; Mat hue; int bins = 25; /// Function Headers void Hist_and_Backproj(int, void* ); /** * @function main */ int main() { /// 载入图像 src = imread("hand_sample1.jpg", 1 ); /// 转换为HSV格式 cvtColor( src, hsv, COLOR_BGR2HSV ); /// 使用Hue值（一维直方图） hue.create( hsv.size(), hsv.depth() ); int ch[] = { 0, 0 }; // 只获得HSV图像的通道0（通道已被复制的原数组，原数组个数，复制通道的目标数组，目标数组个数，表示通道如何复制的索引对的数组（这里&hsv的Hue(0)通道复制到了&hue的0通道）） mixChannels( &hsv, 1, &hue, 1, ch, 1 ); /// 创建滑动块来输入bin的值，每次改变会再次调用Hist_and_Backproj函数 const char* window_image = "Source image"; namedWindow( window_image, WINDOW_AUTOSIZE ); createTrackbar("* Hue bins: ", window_image, &bins, 180, Hist_and_Backproj ); Hist_and_Backproj(0, 0); /// 显示图像 imshow( window_image, src ); /// 等待按键 waitKey(0); return 0; } /** * @function Hist_and_Backproj * @brief Callback to Trackbar */ void Hist_and_Backproj(int, void* ) { // 将calcHist函数需要的参数初始化，bins的数量由滑动块输入 MatND hist; int histSize = MAX( bins, 2 ); float hue_range[] = { 0, 180 }; const float* ranges = { hue_range }; /// 获得直方图并标准化到[0,255] calcHist( &hue, 1, 0, Mat(), hist, 1, &histSize, &ranges, true, false ); normalize( hist, hist, 0, 255, NORM_MINMAX, -1, Mat() ); /// 获得反向投影，参数与计算直方图的参数一样，只是添加了反向投影矩阵来存储原图像&hue的反向投影 MatND backproj; calcBackProject( &hue, 1, 0, hist, backproj, &ranges, 1, true ); /// 画出反向投影图 imshow( "BackProj", backproj ); /// 画出I-D Hue直方图 int w = 400; int h = 400; int bin_w = cvRound( (double) w / histSize ); Mat histImg = Mat::zeros( w, h, CV_8UC3 ); for( int i = 0; i < bins; i ++ ) { rectangle( histImg, Point( i*bin_w, h ), Point( (i+1)*bin_w, h - cvRound( hist.at<float>(i)*h/255.0 ) ), Scalar( 0, 0, 255 ), -1 ); } imshow( "Histogram", histImg ); }结果：