直方圖反向投影的用途這裡暫時不講，先給大家看一個簡單的例子，通過這個例子讓大家瞭解到直方圖反向投影是怎麼樣的一種運算，大家瞭解它的運算後就可以發揮自己的才智去運用它了。

設有原灰度影象矩陣：

Image=
  9    5    7    9
  1    2    3    5
  6    7    8    1
  2    3    5    6

將灰度值劃分為如下四個區間：

[0,2]   [3,5]   [6,7]   [8,10]

很容易得到這個影象矩陣的直方圖hist= 4  5  4  3

好，接下來計算反向投影矩陣：

反向投影矩陣的大小和原灰度影象矩陣的大小相同！

原影象中座標為(0,0)的灰度值為9，9位於區間[8,10] 中，區間[8,10] 對應的直方圖值為3，所以反向投影矩陣中中座標為(0,0)的值記為3

按上面的計算方法，可以得到Image的直方圖反向投影矩陣為：

back_Projection=
  3    5    4    3
  4    4    5    5
  4    4    3    4
  4    5    5    4
從上面的計算過程我們來理解直方圖的反向投影到底代表什麼

？

各位朋友，如果你想知道“直方圖的反向投影到底代表什麼”，可以搜尋公眾號"qxsf321"，並關注，然後回覆0018獲取答案。

OpenCV提供了函式calcBackProject來計算影象的直方圖反向投影，函式原型如下：
C++: void calcBackProject(const Mat* images, int nimages, const int* channels, InputArray hist, OutputArray backProject, const float** ranges, double scale=1, bool uniform=true )
引數介紹下：
images

:源影象陣列指標
nimages：源影象張數
channels：要計算直方圖反向投影的通道編號。通道編號方法：第一張圖的通道編號為0至images[0].channels()-1，第二張圖的通道編號為images[0].channels()至images[0].channels() + images[1].channels()-1，以此類推，注意這個引數是指標。
hist：影象的直方圖矩陣
backProject：函式計算出的直方圖反向投影圖的儲存矩陣
ranges：各個通道取值的邊界值或區間劃分。
scale：反向投影圖的尺度係數。最終函式生成的的反向投影圖會乘以這個係數。
uniform:直方圖是否均勻化的標誌，意義暫時不清楚，等以後搞清楚了再來補充說明。

用函式calcBackProject來計算影象的直方圖反向投影的原始碼如下：
原始碼中使用的影象下載連結：http://pan.baidu.com/s/1kUJMx1t 密碼：r3d3

//opencv版本:OpenCV3.0
//VS版本:VS2013
//Author:qxsf321.net

#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>    
#include <opencv2/imgproc/types_c.h>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/highgui/highgui_c.h>

#include <iostream>

using namespace cv;
using namespace std;

int main()
{

        Mat img = imread("02.jpg");
        if (img.empty())
        {
                cout << "Error: Could not load image" << endl;
                return 0;
        }

        Mat srcImage;
        cvtColor(img, srcImage, CV_BGR2GRAY);

        imshow("【原圖的灰度圖】", srcImage);

        //為計算直方圖配置變數  
        //首先是需要計算的通道編號，就是需要計算哪個通道的直方圖（BGR空間需要確定計算，計算方法見帖子中對相關引數的說明）  
        int channels = 0;
        //然後是定義直方圖計算結果的儲存空間
        Mat dstHist;
        //接下來是直方圖的每一個維度的數目（這個數目用於將每一維度的數值分組）  
        int histSize[] = { 256 };
        //最後是確定每個維度的取值範圍，就是每一維度的橫座標的取值範圍  
        //首先得定義一個數組用來儲存單個維度的的取值範圍  
        float midRanges[] = { 0, 256 };
        //然後把這個陣列再放到一個二維陣列中
        const float *ranges[] = { midRanges };

        const float *ranges2 = { midRanges };

        //準備工作做好後,就可以呼叫calcHis函式計算直方圖資料了
        calcHist(&srcImage, 1, &channels, Mat(), dstHist, 1, histSize, ranges, true, false);

        //calcHist函式呼叫結束後，dstHist變數中將儲存直方圖資料 

        //對直方圖資料進行歸一化處理，把值歸一化到0到255
        normalize(dstHist, dstHist, 0, 255, NORM_MINMAX, -1, Mat());

        // 計算反向投影
        Mat backproj;
        calcBackProject(&srcImage, 1, 0, dstHist, backproj, &ranges2, 1, true);

        /// Draw the backproj  
        imshow("BackProj", backproj);

        waitKey(0);

        return 0;
}

程式碼說明：
計算直方圖的程式碼這裡就不說了，不清楚的可參看博文https://blog.csdn.net/lehuoziyuan/article/details/84064822
這裡說下歸一化函式normalize，原型如下：
C++: void normalize(InputArray src, InputOutputArray dst, double alpha=1, double beta=0, int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray() )
引數意義如下：
src:待歸一化的矩陣
dst：歸一化後的矩陣
alpha：歸一化後值的下邊界
beta： 歸一化後值的上邊界，這個值當normType=NORM_L1或normType=NORM_L2時無效。
normType：歸一化型別，具體型別如下有NORM_INF, NORM_L1, or NORM_L2，實際上是選擇哪個數成為歸一化後的最大值。當為NORM_INF時，最大值為beta；當為NORM_L1時，最大值為矩陣的L1範數；當為NORM_L2時，最大值為矩陣的L2範數；
dtype：當這個值為負值時，輸出矩陣和輸入矩陣的資料型別一致；當為其它值時，不僅資料型別要一致，深度和通道數也要一樣。
mask：掩碼陣列。掩碼中的非0元素對應的影象元素將會被計算，0元素則被遮蔽不參與計算，可選引數。
程度執行結果截圖如下：