【1】引言
前序已经学习了对灰度图像和彩色图像的阈值处理，对图像的RGB通道强行赋值，相关链接为：
python学opencv|读取图像（三十三）阈值处理-灰度图像-CSDN博客
python学opencv|读取图像（三十四）阈值处理-彩色图像-CSDN博客
在应用上述阈值处理的过程中，我们调用的函数是cv2.threshold()，该函数的官网链接为：
OpenCV: Miscellaneous Image Transformations
在官网，我们会看到对cv2.threshold()函数的处理中，有一个type参数，这是我们之前未深入探讨的地方，今天我们就着重研究一下。
图1
【2】阈值和反阈值处理
点击图1中type对应的ThresholdTypes，会链接到新的网页：
OpenCV: Miscellaneous Image Transformations
在这里，我们主要关注两个type：
图2
图2显示了两个type：cv.THRESH_BINARY和cv.THRESH_BINARY_INV，这两个是完全过来的，第一个只要实际值大于阈值开关，就直接赋最大值，第二个则是不超过阈值开关时赋最大值。
cv.THRESH_BINARY在之前的两篇文章中，一直被cv2.threshold()调用。所以，如果做反阈值处理，cv2.threshold()函数就要调用cv.THRESH_BINARY_INV。
【3】代码测试
代码测试直接使用前两篇使用的代码，只需要修改cv2.threshold()函数，使其从调用cv.THRESH_BINARY该换为调用cv.THRESH_BINARY_INV即可。
【3.1】灰度图像
灰度图像反阈值处理使用的完整代码为：
python
import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块
# 读取图片
src = cv.imread('scasrcf.png',0)
dst=src#输出图像
t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_BINARY_INV) #阈值开关0，阈值上限255
#展示图像
cv.imshow('srcf', dst) # 在屏幕展示效果
cv.imshow('srcft1', dst1) # 在屏幕展示效果
cv.imshow('srcft2', dst2) # 在屏幕展示效果
cv.imshow('srcft3', dst3) # 在屏幕展示效果
print("dst像素数为[100,100]位置处的BGR=", dst[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dst1像素数为[100,100]位置处的BGR=", dst1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dst2像素数为[100,100]位置处的BGR=", dst2[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dst3像素数为[100,100]位置处的BGR=", dst3[100, 100]) # 获取像素数为[100,100]位置处的BGR
#保存图像
cv.imwrite('srcf-m-V.png', dst) # 保存图像
cv.imwrite('srcf-m-t1-V.png', dst1) # 保存图像
cv.imwrite('srcf-m-t2-V.png', dst2) # 保存图像
cv.imwrite('srcf-m-t3-V.png', dst3) # 保存图像
cv.waitKey() # 图像不会自动关闭
cv.destroyAllWindows() # 释放所有窗口可以看到，阈值处理函数全部调用了 cv.THRESH_BINARY_INV：
t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关58，阈值上限158 t2,dst2=cv.threshold(src,100,255,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255 t3,dst3=cv.threshold(src,0,255,cv.THRESH_BINARY_INV) #阈值开关0，阈值上限255
本次使用的原图是：
图2
获得的未做阈值处理的灰度图为：
++图3 未做阈值处理的灰度图++
此时经过阈值函数处理，获得的图像分别为：
++图4 阈值开关58，阈值上限158，反阈值处理++
++图5 阈值开关100，阈值上限255，反阈值处理++
++图6 阈值开关0，阈值上限255，反阈值处理++
经过此次反阈值处理，会发现：原图亮的地方变暗了，暗的地方变亮了。
如果仔细核对特定点的BGR值，也会发现这个结论：
++图7++
【3.2】彩色图像
彩色图像反阈值处理使用的完整代码为：
python
import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块
# 读取图片
src = cv.imread('srcun.png')
dst=src#输出图像
t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_BINARY_INV) #阈值开关0，阈值上限255
#展示图像
cv.imshow('srcf', dst) # 在屏幕展示效果
cv.imshow('srcft1', dst1) # 在屏幕展示效果
cv.imshow('srcft2', dst2) # 在屏幕展示效果
cv.imshow('srcft3', dst3) # 在屏幕展示效果
print("dst像素数为[100,100]位置处的BGR=", dst[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dst1像素数为[100,100]位置处的BGR=", dst1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dst2像素数为[100,100]位置处的BGR=", dst2[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dst3像素数为[100,100]位置处的BGR=", dst3[100, 100]) # 获取像素数为[100,100]位置处的BGR
#保存图像
cv.imwrite('srcf-m-VC.png', dst) # 保存图像
cv.imwrite('srcf-m-t1-VC.png', dst1) # 保存图像
cv.imwrite('srcf-m-t2-VC.png', dst2) # 保存图像
cv.imwrite('srcf-m-t3-VC.png', dst3) # 保存图像
cv.waitKey() # 图像不会自动关闭
cv.destroyAllWindows() # 释放所有窗口代码运行后，经过饭阈值处理的图像为：
++图8 阈值开关58，阈值上限158，反阈值处理++
++图9 阈值开关100，阈值上限255，反阈值处理++
++图10 阈值开关0，阈值上限255，反阈值处理、++
由图8、图9和图10反阈值效果图可见：
和灰度图像一致，对彩色图像，反阈值处理的结果也是让亮暗的地方反向变化。
特定像素点的BGR取值也能证明这一点：
图11
【4】细节说明
cv.THRESH_BINARY和cv.THRESH_BINARY_INV是完全相反的操作，但实际BGR值和阈值开关进行判断时，采取的操作都是按照：大于是一个取值，小于等于（不大于）是相反的取值。
【5】总结
掌握了python+opencv实现灰度图和彩色图像反阈值操作的技巧。