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

转自https://blog.csdn.net/jemmychang/article/details/70307435