换一种方式担任然用skimage 库

当然可以。如果你想要使用`skimage`库来处理图像并实现类似功能，比如计算非边缘区域的邻域均值，你可以尝试以下步骤：

首先，导入必要的库：

from skimage import io, filters, measure
import numpy as np

接着，加载图像并转换为灰度图（如果原图不是灰度的）：

img = io.imread('your_image.jpg')
if len(img.shape) == 3 and img.shape[2] > 1:  # 判断是否为彩色图
    img_gray = filters.rgb2gray(img)
else:
    img_gray = img

然后，选择合适的滤波器来获取邻域信息，如使用膨胀操作来创建一个方形邻域：

kernel_size = 5  # 可自定义邻域大小
neighbourhood = np.ones((kernel_size, kernel_size)) / (kernel_size ** 2)
selem = morphology.disk(kernel_size // 2)  # 创建圆盘形状的结构元素

接下来，应用膨胀操作获取每个像素的邻域：

img_neighborhood = measure.label(morphology.binary_dilation(img_gray, selem))

最后，计算中心像素的邻域均值，通常这会对应于`img_neighborhood`标签为1的地方（代表未填充区域）：

mean_values = np.bincount(img_neighborhood.flatten(), weights=img_gray.flatten())
central_pixel_indices = img_neighborhood.flatten() == 1
result = mean_values[central_pixel_indices]

这样你就得到了非边缘区域的邻域均值。