(待补充)图像预处理——对比度归一化 & 数据增强

  本博客主要内容为图书《深度学习》的学习笔记，因此在全文中对它们多次引用。初出茅庐，学艺不精，有不足之处还望大家不吝赐教。

  欢迎大家在评论区多多留言互动~~~~

一、计算机视觉的主要任务

  计算机视觉的主要任务可以分为三类：一种是复现人的视觉能力，如图像分类、识别人脸，主要体现在对于对象的识别或者某种形式的检测；另一种是创造全新的视觉能力，如从视频中可视物体的振动中识别相应的声波 (Davis et al., 2014)；最后是利用生成模型进行图像合成，更经常被使用的领域是图像恢复，即修复图像中的缺陷或从图像中移除对象这样的计算机视觉任务。

二、图像预处理

  利用神经网络进行关于图像的深度学习与其他领域的最大区别在于，计算机视觉通常只需要较少的图像预处理工作，具体集中在两个方面，及对比度归一化与数据增强两个方面。

  在一些例子中，我们不需要去除方差带来的变化，在这类图像中我们只需要使它们的像素都在相同并且合理的范围内，比如[0; 1] 或者[-1; 1]。其次要考虑减少数据的变化量，减少数据中的变化量既能够减少泛化误差，也能够减小拟合训练集所需模型的大小。更简单的任务可以通过更小的模型来解决，而更简单的解决方案泛化能力一般更好。当使用大型数据集和大型模型训练时，这种预处理通常是不必要的，并且最好只是让模型学习哪些变化性应该保留。例如，用于分类ImageNet 的AlexNet 系统仅具有一个预处理步骤：对每个像素减去训练样本的平均值(Krizhevsky et al., 2012b)。

2.1 对比度归一化

  对比度是一种针对单张图像而定义的概念。在深度学习中对比度通常指的是图像或图像区域中像素的标准差，用来衡量图像中亮像素和暗像素之间差异的大小。假设我们有一个张量表示的图像$X\in R^{r\times c \times 3}$X 2 Rrc3，其中 Xi,j,1