Une image en niveaux de gris est une matrice d'entiers de 0 (noir) à…

def negatif(img):
    """Negatif d'une image en niveaux de gris.

    Precondition : img est une matrice non vide de valeurs entre 0 et 255.
    """
    assert len(img) > 0 and all(len(l) == len(img[0]) for l in img)
    assert all(0 <= p <= 255 for ligne in img for p in ligne)
    return [[255 - p for p in ligne] for ligne in img]

def seuillage(img, s):
    """Image en noir et blanc : 0 sous le seuil s, 255 a partir de s."""
    assert 0 <= s <= 255
    return [[0 if p < s else 255 for p in ligne] for ligne in img]

La double compréhension est ici la bonne écriture : chaque pixel du résultat ne dépend que du pixel de même position, et rien d'autre. Aucune matrice intermédiaire, aucun risque d'aliasing — la compréhension construit des lignes neuves.

La propriété qui se teste sans réponse écrite : le négatif est involutif.

img = [[0, 128, 255], [10, 200, 90]]
assert negatif(img) == [[255, 127, 0], [245, 55, 165]]
assert negatif(negatif(img)) == img               # involution
assert seuillage(img, 128) == [[0, 255, 255], [0, 255, 0]]
assert seuillage(img, 0) == [[255, 255, 255], [255, 255, 255]]

Comme au chapitre 3, l'involution seule ne prouve rien — l'identité la vérifierait. D'où le premier assert, calculé à la main : $255-128=127$, et non $128$.

Le détail à ne pas manquer : $255-128=127$, pas $128$. L'intervalle $[0,255]$ compte $256$ valeurs, et il n'a donc pas de centre exact. Le gris « du milieu » n'existe pas — c'est le même décalage de $1$ que celui du complément à deux au chapitre 1.

Le seuillage à $0$ rend une image entièrement blanche, puisqu'aucun pixel n'est strictement inférieur à $0$. Cas limite utile : il vérifie que la comparaison est bien < et non <=.