mahotas API文档翻译
mahotas作为一种计算机视觉方向方面的python库，其不仅包含了上百种视觉方向的机器学习的算法，同时还可以操作python的numpy数组，使得数据处理，很方便。
虽然mahotas作为一种新型的库，其每个月都在更新，但是其接口是很稳定的，我们的学习更加的简单方便。
mahotas.as_rgb(r, g, b)：
as_rgb是一个将各个色彩融合在一起的一个接口，其中的r,g,b分别是各个色彩的通道，每个图像都有一个或多个颜色通道，图像中默认的颜色通道数取决于其颜色模式，即一个图像的颜色模式将决定其颜色通道的数量。例如，CMYK图像默认有4个通道，分别为青色、洋红、黄色、黑色。在默认情况下，位图模式、灰度、双色调和索引颜色图像只有一个通道。RGB和Lab图像有3个通道，CMYK图像有4个通道。
参数:
r,g,b : 可以是类数组对象，或者是整数等，只要保证所有的参数一致。
返回:
rgb : n维数组
mahotas.bbox(img, border={0}, as_slice={False})
as_slice默认是False，当期为false的时候会返回每一个维度，当其为true的时候会返回一个切片，此时就根据border来定的。
参数：img ：数组
输出：imag所有的非零值，当as_slice为false的时候
一个切片当as_slice为true的时候。
mahotas.border(labeled, i, j, Bc={3x3 cross}, out={np.zeros(labeled.shape, bool)}, always_return=True)
参数：
i：整数
j: 整数
Bc:结构元素
out：按照labeled的新的元素，如果bool为None，那就会重新创建一个新的数组。
always_return:bool值，如果为false的话，当没有像素点在边界上面的话，就会返回一个none，如果为true，无论是什么都会返回一个数组。
mahotas.borders(labeled, Bc={3x3 cross}, out={np.zeros(labeled.shape, bool)})
计算边界上面的像素点，如果像素点i!=j的话。
参数：
labeled：整数类型的数组
Bc：结构元素，可以不选择。
out：输出的控制
输出：
一个包含bool值的数组
mahotas.bwperim(bw, n=4)
查找像素点中的周长，默认值为4，可以设定为8.
参数：
bw：一个黑白图片的数组（必须转换为黑白图像）
n: 一个整数
输出：
一个布尔值数组
mahotas.cdilate(f, g, Bc={3x3 cross}, n=1)
根据f、g和Bc通过迭代创建一个y。
参数：
f：二进制图像
g: 调节图像
structure：结构元素
n：迭代次数
输出：
一个图像
mahotas.center_of_mass（img，labels = None ）
返回质心，如果labels为None则返回一维数组，否则则返回一个二维数组。
参数：
img：一个图像
labels：标签
输出：
一个质心数组
mahotas.cerode（f，g，Bc = {3x3 cross}，out = {np.empty_as（A）} ）
条件侵蚀，和cdilate是相对的。
mahotas.close（f，Bc = {3x3 cross}，out = {np.empty_like（f）} ）
条件关闭，我们根据条件关闭结构元素范围的方块。
参数：
f：条件数组
Bc: 结构元素
out：输出操作
输出：
一个图像
mahotas.close_holes(ref, Bc=None)
关闭孔。
参数：
ref：一个数组，应该是一个二进制数组
Bc：结构元素
输出：
一个图像
mahotas.convolve(f, weights, mode='reflect', cval=0.0, out={new array})
根据f和权重的卷积
使用双重卷积防止下漏或上溢，结果会一律转化为f类型。
参数：
f:数组，任何维度的都可以
权重：数组，权重过滤器，如果和f不一致，会被转化。
mode：如何处理边界
cval：默认是double可以选择
out：输出数组。与f一致
输出：
卷积，与f一直的数组
mahotas.convolve1d(f, weights, axis, mode='reflect', cval=0.0, out={new array})
沿着轴的卷积，其他的和convolve都一样。
mahotas.croptobbox(img, border=0)
将裁减的图像返回到图像的边框上面。
参数：
img：数组
border：边界
输出：
一个子图像
mahotas.cwatershed(surface, markers, Bc=None, return_lines=False) W, WL = cwatershed(surface, markers, Bc=None, return_lines=True）
计算输入表面上面的分水岭的变化
需要种子点
参数：
surface：数组
marker：数组
Bc：结构元素
return_line：可选，一个布尔值函数
输出：
W：区域图像
WL：行图像
mahotas.daubechies（f，code，inline = False ）
小波变换
如果图像的尺寸为2的倍数这个功能更加的有效
参数：
f：2-D数组
code:str
输出：
一个新的单图像，当inline为false的时候，否则将新的结果写入原来的图像。
mahotas.dilate(A, Bc=None, out=None, output=None)
形态扩张，如果输入的A为布尔值的话，那么扩张就是二进制的，否则是灰度扩张。
参数：
A：输入的数组
Bc:结构元素
out：决定是否输出的是一个数组还是新建的一个数组。
输出：
一个扩张的数组
mahotas.disk(radius, dim=2)
返回维度和半径
参数：
radius：int，这里是返回的磁盘半径
dim：int可选，这里是维度
输出：
一个布尔型的数组
mahotas.distance(bw, metric='euclidean2')
计算图像变化的距离
计算的是像素点到背景的距离，如果没有背景的话就是无穷大的值。
参数：
bw：n维数组
metric：字符串str
输出：
n维数组
mahotas.dog(img, sigma1 = 2, thresh= None, just_filter = False)
运用高斯差计算边。
参数：
img：任何的2D数组
sigma：第一个高斯滤波器的sigma的值，第二个为第一个的1.001
乘数：得到sigma2的乘数
just_filter：布尔值，可以进行选择以及不选择。
输出：
n维数组
mahotas.erode（A，Bc = {3x3 cross}，out = {np.empty_as（A）} ）
形态侵蚀，参照dilate
mahotas.euler（f，n = 8 ）
计算图像f的欧拉值
参数：
f:n维数组
n:数值
mode：如何处理边界
输出：
欧拉数
mahotas.find(f, template)
寻找与f一样的模板。
参数：
f：n维数组
template：n维数组
输出：
匹配的坐标点
mahotas.fullhistogram(img)
返回带有0，1..的直方图
参数：
img：无符号数组
输出：
hist：一个为np.dist32的数组
mahotas.gaussian_filter（array，sigma，order = 0，mode ='reflect'，cval = 0。，out = {np.empty_like（array）} ）
多维高斯滤波器
参数：
array：一个n维数组
sigma：高斯中的权值