[深度学习] 增加样本——弹性变换算法实现

我们都知道，深度学习的成功的原因主要有两点：
（1）当前计算机的计算能力有很大提升；
（2）随着大数据时代的到来，当前的训练样本数目有很大的提升。
然而深度学习的一大问题是，有的问题并没有大量的训练数据，而由于深度神经网络具有非常强的学习能力，如果没有大量的训练数据，会造成过拟合，训练出的模型难以应用。

因此对于一些没有足够样本数量的问题，可以通过已有的样本，对其进行变化，人工增加训练样本。

对于图像而言，常用的增加训练样本的方法主要有对图像进行旋转、移位等仿射变换，也可以使用镜像变换等等，这里介绍一种常用于字符样本上的变换方法，弹性变换算法(Elastic Distortion)。该算法最先是由Patrice等人在2003年的ICDAR上发表的《Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis》提出的，最开始应用在mnist手写体数字识别数据集中，发现对原图像进行弹性变换的操作扩充样本以后，对于手写体数字的识别效果有明显的提升。当前也有很多人把该方法应用到手写体汉字的识别问题中，是一种很普遍的扩充字符样本图像的方式。

下面来详细介绍一下算法流程：

（1）首先需要对图像中的每个像素点(x,y)产生两个-1~1之间的随机数，Δx(x,y)和Δy(x,y)，分别表示该像素点的x方向和y方向的移动距离；

（2）生成一个以0为均值，以σ为标准差的高斯核k_nn，并用前面的随机数与之做卷积，并将结果作用于原图像。

作者在这里提出σ的大小与弹性变换的处理结果息息相关，如果σ过小，则生成的结果类似与对图像每个像素进行随机移动，而如果σ过大，则生成的结果与原图基本类似。

但是作者在文中并没有解释高斯核k_nn中n的大小对图像处理结果的影响，下面我的操作结果以n和σ为变量，进行了实验，我的原图是573*573大小，产生的卷积结果实验结果Δx(x,y)和Δy(x,y)各自扩大了100倍（因为Δx(x,y)和Δy(x,y)是-1~1的，如果不扩大的话基本看不出变化），实验结果如下图所示：