【1】引言
前序学习进程中，我们已经对阈值处理有所认知，相关文章链接为：
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
python学opencv|读取图像（三十五）反阈值处理-CSDN博客
综合的技能点为：
cv.THRESH_BINARY阈值处理的原则是：给定阈值开关，大于开关的像素点，对其BGR值强制赋最大值255，相反则赋0；
cv.THRESH_BINARY_INV反阈值处理的原则是： 给定阈值开关，大于开关的像素点，对其BGR值强制赋0，相反则赋最大值255。
如果有些时候无需赋最大值255，只需要赋最小值0，这时候就要做零值处理。
【2】官网教程
零值处理依然使用cv2.threshold()函数，只不过此时需要调用的Type参数换成了cv.THRESH_TOZERO或者cv.THRESH_TOZERO_INV，这两个参数的作用是：
cv.THRESH_TOZERO零值处理的原则是：给定阈值开关，不大于开关的像素点，对其BGR值强制赋最小值0，相反则保持原值；
cv.THRESH_TOZERO_INV反零值处理的原则是： 给定阈值开关，大于开关的像素点，对其BGR值强制赋0，相反则保持原值。
关于这两个参数的介绍，可以通过下述链接直达官网：
OpenCV: Miscellaneous Image Transformations
++图1++
【3】代码测试
【3.1】灰度图像
在上述分析的基础上，我们进行代码测试。
首先是引入模块和图像：
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',0)
dst=src#输出图像然后进行零值处理和反零值处理：
python
#零值处理
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
#反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关58，阈值上限158
tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_BINARY_INV) #阈值开关0，阈值上限255之后将零值处理图像和原图像进行对比：
python
#零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_TOZERO) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255
#反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255之后就是显示特定点的BGR值，保存图像：
python
#显示BGR值
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
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100]) # 获取像素数为[100,100]位置处的BGR
#保存图像
cv.imwrite('srcf-m-VC-dst.png', dst) # 保存图像
cv.imwrite('srcf-m-t1-VC-ttt1.png', ttt1) # 保存图像
cv.imwrite('srcf-m-t2-VC-ttt2.png', ttt2) # 保存图像
cv.imwrite('srcf-m-t3-VC-ttt3.png', ttt3) # 保存图像
cv.waitKey() # 图像不会自动关闭
cv.destroyAllWindows() # 释放所有窗口此处使用的原图为：
++图2++
读取图像时转化的灰度图为：
++图3++
按照原图-零值-反零值的顺序，进行零值和反零值处理后的图像效果对比图为：
++图4 原图-零值-反零值，阈值开关58++
++图5 原图-零值-反零值，阈值开关100++
++图6 原图-零值-反零值，阈值开关0++
从上述对比效果中，可以很明显地看出：零值处理后的图像，无论阈值开关多大，实际效果都相对于原图和反零值处理图更好。
看一下此时的特定像素点BGR值：
++图7 灰度图零值和反零值处理后的BGR值++
理论上分析，因为零值处理让本山RGB值小于阈值开关的像素点对应RGB=0，相当于让这些点直接变成黑点，而亮的地方保持不变，所以实际上是增强了对比效果。
此时的完整代码为：
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',0)
dst=src#输出图像
#零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_TOZERO) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255
#反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255
#和原图对比
ttt1=np.hstack((dst,dst1,dstt1)) #和原图对比
ttt2=np.hstack((dst,dst1,dstt2)) #和原图对比
ttt3=np.hstack((dst,dst1,dstt3)) #和原图对比
#展示图像
cv.imshow('srcf', dst) # 在屏幕展示效果
cv.imshow('srcft1', ttt1) # 在屏幕展示效果
cv.imshow('srcft2', ttt2) # 在屏幕展示效果
cv.imshow('srcft3', ttt3) # 在屏幕展示效果
#显示BGR值
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
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100]) # 获取像素数为[100,100]位置处的BGR
#保存图像
cv.imwrite('srcf-m-VC-dst.png', dst) # 保存图像
cv.imwrite('srcf-m-t1-VC-ttt1.png', ttt1) # 保存图像
cv.imwrite('srcf-m-t2-VC-ttt2.png', ttt2) # 保存图像
cv.imwrite('srcf-m-t3-VC-ttt3.png', ttt3) # 保存图像
cv.waitKey() # 图像不会自动关闭
cv.destroyAllWindows() # 释放所有窗口【3.2】彩色图像
之后进行彩色图像的零值和反零值处理，这只需要改一行代码，将src = cv.imread('srcun.png',0)改为：
src = cv.imread('srcun.png') #读取图像
直接输出完整代码：
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') #读取图像
dst=src#输出图像
#零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_TOZERO) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255
#反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255
#和原图对比
ttt1=np.hstack((dst,dst1,dstt1)) #和原图对比
ttt2=np.hstack((dst,dst1,dstt2)) #和原图对比
ttt3=np.hstack((dst,dst1,dstt3)) #和原图对比
#展示图像
cv.imshow('srcf', dst) # 在屏幕展示效果
cv.imshow('srcft1', ttt1) # 在屏幕展示效果
cv.imshow('srcft2', ttt2) # 在屏幕展示效果
cv.imshow('srcft3', ttt3) # 在屏幕展示效果
#显示BGR值
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
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100]) # 获取像素数为[100,100]位置处的BGR
#保存图像
cv.imwrite('srcf-m-VCC-dst.png', dst) # 保存图像
cv.imwrite('srcf-m-t1-VCC-ttt1.png', ttt1) # 保存图像
cv.imwrite('srcf-m-t2-VCC-ttt2.png', ttt2) # 保存图像
cv.imwrite('srcf-m-t3-VCC-ttt3.png', ttt3) # 保存图像
cv.waitKey() # 图像不会自动关闭
cv.destroyAllWindows() # 释放所有窗口这里可以直接给出按照原图-零值-反零值的顺序的图像效果对比图：
++图8 原图-零值-反零值，阈值开关58++
++
++
++图9 原图-零值-反零值，阈值开关100++
++
++
++图10 原图-零值-反零值，阈值开关50++
看一下此时的特定像素点BGR值：
++图11 彩色图零值和反零值处理后的BGR值++
对于彩色图像也一样，理论上分析，因为零值处理让本身RGB值小于阈值开关的像素点对应RGB=0，相当于让这些点直接变成黑点，而亮的地方保持不变，所以实际上是增强了对比效果。
【4】细节说明
这里为了增强对比效果，所以调用了np.hstack()函数来让图像水平拼接；与此相对应，还有竖直拼接，可以调用np.vstack()函数实现这个目标。
【5】总结
掌握了python+opencv实现图像零值和反零值处理的技巧。