Python 有没有更快的方法获取MNIST数据集的本地二进制模式？

我需要知道是否有更快的方法获得LBP和MNIST数据集的结果直方图。这将用于手写文本识别，通过一个模型，我还没有决定

我已经加载了MNIST数据集，并根据

tensorflow

教程将其拆分为x，y训练集和x，y测试集

然后我使用了

cv2

来反转图像

在此基础上，我定义了一个函数，使用

skimage

获取LBP和输入图像的相应直方图

最后，我使用了一个经典的

for

循环来迭代图像，获取它们的直方图，将它们存储在一个单独的列表中，并返回新列表以及训练集和测试集的未更改标签列表

以下是加载MNIST数据集的函数：

def loadDataset（）：
mnist=tf.keras.datasets.mnist
（x_列，y_列），（x_测试，y_测试）=列表负载数据（）
#我该不该倒过来？
x_列=cv2。按位_非（x_列）
x_测试=cv2。按位_非（x_测试）
返回（x_列，y_列），（x_测试，y_测试）

以下是获取LBP和相应直方图的函数：

def getLocalBinaryPattern（img、点、半径）：
lbp=特征。局部\二进制\模式（img、点、半径、方法=“统一”）
hist，u=np.直方图（lbp.ravel（），
bins=np.arange（0，点+3），
范围=（0，点数+2））
返回lbp，hist

最后是迭代图像的函数：

def compr(imgs):
    hists = [getLocalBinaryPattern(img, 8, 1)[1] for img in imgs]
    return hists

def vect(imgs):
    lbp81riu2 = lambda img: getLocalBinaryPattern(img, 8, 1)[1]
    vec_lbp81riu2 = np.vectorize(lbp81riu2, signature='(m,n)->(k)')
    hists = vec_lbp81riu2(imgs)
    return hists

def app(imgs):
    lbp81riu2 = lambda img: getLocalBinaryPattern(img.reshape(28, 28), 8, 1)[1]
    pixels = np.reshape(imgs, (len(imgs), -1))
    hists = np.apply_along_axis(lbp81riu2, 1, pixels)
    return hists

def formatDataset（数据集）：
（x_序列，y_序列），（x_测试，y_测试）=数据集
x_train_hst=[]
对于范围内的i（len（x_列））：
_，hst=getLocalBinaryPattern（x_train[i]，8，1）
打印（“计算训练集的LBP:{}/{}”。格式（i，len（x_-train）））
列车附加（hst）
打印（“完成训练集的LBP计算！”）
x_测试_hst=[]
对于范围内的i（len（x_测试））：
_，hst=getLocalBinaryPattern（x_检验[i]，8，1）
打印（“为测试集计算LBP:{}/{}”。格式（i，len（x_测试）））
x_测试\u hst.附加（hst）
打印（“完成测试集的LBP计算！”）
打印（“完成！”）
返回（x_-train_-hst，y_-train），（x_-test_-hst，y_-test）

---

我知道它会很慢，事实上，它很慢。因此，我正在寻找更多的方法来加速它，或者如果已经有一个版本的数据集包含了我需要的信息。

我认为没有一种简单的方法来加速对图像的迭代。有人可能认为使用NumPy或将提高性能，但这些解决方案实际上比

for

循环（或列表理解）慢

演示 迭代图像的不同备选方案：

def compr(imgs):
    hists = [getLocalBinaryPattern(img, 8, 1)[1] for img in imgs]
    return hists

def vect(imgs):
    lbp81riu2 = lambda img: getLocalBinaryPattern(img, 8, 1)[1]
    vec_lbp81riu2 = np.vectorize(lbp81riu2, signature='(m,n)->(k)')
    hists = vec_lbp81riu2(imgs)
    return hists

def app(imgs):
    lbp81riu2 = lambda img: getLocalBinaryPattern(img.reshape(28, 28), 8, 1)[1]
    pixels = np.reshape(imgs, (len(imgs), -1))
    hists = np.apply_along_axis(lbp81riu2, 1, pixels)
    return hists

结果:

In [112]: (x_train, y_train), (x_test, y_test) = loadDataset()

In [113]: %timeit -r 3 compr(x_train)
1 loop, best of 3: 14.2 s per loop

In [114]: %timeit -r 3 vect(x_train)
1 loop, best of 3: 17.1 s per loop

In [115]: %timeit -r 3 app(x_train)
1 loop, best of 3: 14.3 s per loop

In [116]: np.array_equal(compr(x_train), vect(x_train))
Out[116]: True

In [117]: np.array_equal(compr(x_train), app(x_train))
Out[117]: True