【0】基础定义
按位与运算：两个等长度二进制数上下对齐，全1取1，其余取0。按位或运算：两个等长度二进制数上下对齐，有1取1，其余取0。
按位取反运算：一个二进制数，0变1,1变0。
【1】引言
前序已经学习了cv2.bitwise_and()函数进行图像按位与计算和按位或运算，相关文章链接为：
python学opencv|读取图像（四十三）使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客
python学opencv|读取图像（四十四）原理探究：bitwise_and()函数实现图像按位与运算-CSDN博客
python学opencv|读取图像（四十五）增加掩模：使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客
python学opencv|读取图像（四十六）使用cv2.bitwise_or()函数实现图像按位或运算-CSDN博客
在此基础上，我们尝试对单个图像操作“按位取反”，此处使用的函数为cv2.bitwise_not()。
【2】官网教程
【2.1】cv2.bitwise_not()函数
点击下方链接，直达函数cv2.bitwise_not()的官网教程：
OpenCV: Operations on arrays
官网对函数的说明页面为：
图1 cv2.bitwise_not()的官网教程
在cv2.bitwise_not()的官网教程可以看到，函数的参数说明为：
void cv::bitwise_not ( InputArray src, #输入图像
OutputArray dst, #输出图像
InputArray mask = noArray() ) #掩模
在函数cv2.bitwise_not()中，也可以调用掩模效果，而且掩模为8位单通道二维矩阵。
【2.2】np.bitwise_not()函数
点击下方链接，可以=直达numpy官网对bitwise_not()函数的官网页面：numpy.bitwise_invert — NumPy v2.2 Manual
代码先后使用cv2.bitwise_not()函数和np.bitwise_not()函数来展示图像按位取反操作的基本原理。
【3】代码测试
参考前述学习进程中调用的代码，按照输入图像-按位取反-输出图像的顺序规划代码。
首先引入相关模块和图像：
python">import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcx.png') #读取图像
dst=src #输出图像
gray_src=cv.cvtColor(src,cv.COLOR_BGR2GRAY) #转化为灰度图
dstg=gray_src #输出图像
print('初始图像像素大小为',src.shape)
print('初始图像灰度图像素大小为',gray_src.shape)然后定义一个掩模矩阵，掩模矩阵直接使用引入图像的尺寸来约束大小：
python">#定义掩模矩阵
mask = np.zeros((gray_src.shape), np.uint8) # 定义一个竖直和水平像素与初始图像等大的全0矩阵
mask[280:350, :] = 155 # 水平区域
mask[:,150:350] = 200 # 竖直区域然后进行按位取反运算：
python">#按位取反运算
img=cv.bitwise_not(src) #按位取反运算
img2=cv.bitwise_not(src,mask=mask) #按位取反运算然后进行BGR值的二进制取反运算验证：
python">#显示BGR值
print("dst像素数为[300,180]位置处的BGR=", dst[300,180]) # 获取像素数为[100,100]位置处的BGR
print("mask像素数为[300,180]位置处的BGR=", mask[300,180]) # 获取像素数为[100,100]位置处的BGR
print("img像素数为[300,180]位置处的BGR=", img[300,180]) # 获取像素数为[100,100]位置处的BGR
print("img2像素数为[300,180]位置处的BGR=", img2[300,180]) # 获取像素数为[100,100]位置处的BGRa=np.zeros((1,3),np.uint8) #定义矩阵
a=dst[300,180] #将像素点BGR直接赋值给矩阵
b=np.zeros((1,3),np.uint8) #定义矩阵
b=img[300,180] #将像素点BGR直接赋值给矩阵
c=np.zeros((1,3),np.uint8) #定义矩阵
d=np.zeros((1,3),np.uint8) #定义矩阵
e=np.zeros((1,3),np.uint8) #定义矩阵
e=img2[300,180] #将像素点BGR直接赋值给矩阵#二进制按位取反计算
for i in range(3): #计数print('a','[0,',i,']=',a[i],'的二进制转化值= ', bin(a[i])) #输出二进制转化值c[0,i]=np.bitwise_not(a[i]) #赋值按位与计算值print('c','[0,',i,']=',c[0,i],'的二进制转化值=', bin(c[0,i])) #输出二进制转化值print('c',[0,i],'是a','[0,',i,']转到二进制后按位取反从，再二进制转回十进制=',c[0,i]) #输出按位与计算值print('b','[0,',i,']=',b[i],'的二进制转化值=', bin(b[i])) #输出二进制转化值d[0,i]=np.bitwise_not(b[i]) #赋值按位与计算值print('d', '[0,', i, ']=', d[0, i], '的二进制转化值=', bin(d[0, i])) # 输出二进制转化值print('d', [0, i], '是b', '[0,', i, ']转到二进制后按位取反从，再二进制转回十进制=', d[0, i]) # 输出按位与计算值print('e','[0,',i,']=',[i],'的二进制转化值=', bin(e[i])) #输出二进制转化值
#输出矩阵结果
print('a=',a) #输出矩阵
print('b=',b) #输出矩阵
print('c=',c) #输出矩阵
print('d=',d) #输出矩阵
print('e=',e) #输出矩阵再把图像显示和输出即可：
python">#合并图像
himg=np.hstack((src,img))
himg2=np.hstack((src,img2))
himg3=np.hstack((img,img2))
# 显示和保存定义的图像
cv.imshow('dst', dst) # 显示图像
cv.imshow('or-img', img) # 显示图像
cv.imwrite('or-img.png', img) # 保存图像
cv.imshow('or-img2', img2) # 显示图像
cv.imwrite('or-img2.png', img2) # 保存图像cv.imshow('or-mask', mask) # 显示图像
cv.imwrite('or-mask.png', mask) # 保存图像
cv.imshow('or-himg', himg) # 显示图像
cv.imwrite('or-himg.png', himg) # 保存图像
cv.imshow('or-himg2', himg2) # 显示图像
cv.imwrite('or-himg2.png', himg2) # 保存图像
cv.imshow('or-himg3', himg3) # 显示图像
cv.imwrite('or-himg3.png', himg3) # 保存图像
cv.waitKey() # 图像不关闭
cv.destroyAllWindows() # 释放所有窗口代码运行使用的图像有：
图2 初始图像srcx.png
图3 掩模矩阵对应图像or-mask.png
图4 图像不带掩模按位取反效果or-img.png
图5 初始图像对比不带掩模按位取反图像
由图2、图4和图5可见，初始图像进行按位取反以后，颜色发生了显著变化。
如果添加掩模效果，会有：
图6 图像带掩模按位取反效果or-img2.png
图7 初始图像对比带掩模按位取反图像
由图6和图7可见，初始图像叠加掩模效果进行按位取反以后，颜色发生了显著变化，但只保留了掩模所在区域的图像。
在此基础上，读取特定像素点的BGR值进行二进制取反操作：
图8 BGR值取反验证
图8中，代码调用np.bitwise_not()函数对BGR值执行了取反-再取反的验证过程，实践表明：
使用cv2.bitwise_not()函数执行图像按位取反计算时，各个像素点的BGR值都是按照十进制转二进制、二进制按位取反计算，然后再转回十进制的顺序进行。
图9 cv2.bitwise_not()函数实现图像带掩模矩阵按位取反计算
【4】细节说明
由于掩模矩阵是单通道二维矩阵，所以掩模本身只会在黑白色之间变化。
