一些图像数据数据扩充（扩样本）方法

避免过拟合的基本方法之一是从数据源获得更多数据，当训练数据有限时，可以通过数据增强（data augmentation）变换原有的数据生成新的数据来扩大训练集。即使拥有大量数据，进行数据增强也是有必要的，因为可以防止神经网络学习到不相干的模式，从根本上提升整体性能。还要注意在使用增强技术的同时，必须确保不增加无关（无意义）的数据。

数据增强的主要方法有：

第一种：图像处理型（利用一定手段生成样本空间没有的样本）

翻转flip

        将图片水平或垂直翻转。
旋转rotate

       旋转后图像维度可能不会被保留，如果是正方形图像，旋转90度后图像的尺寸会被保存；

        如果图像是长方形，旋转180度后图像的尺寸也会被保存；

        但用更小的角度旋转图像将会改变最终图像的尺寸。

缩放re-scale

        图像可以被放大或缩小，放大时大多数图像处理框架会按原始尺寸对放大后的图像进行裁剪；缩小时由于图像尺寸比原来的尺寸小，不得不对图像边界之外的内容做出假设。先考虑放大的情况：

裁剪crop

        随机从原始图像中采样一部分，然后将这部分图像调整为原始图像大小。注意裁剪和缩放的区别。

平移pad