图像增强的方法

在深度神经网络的训练中总是需要大量的样本，所以经常需要对样本进行增强，说白了就是一变多，通常的图像增强方法有 crop、flip、ratate、scale、颜色调整（对比度、亮度等）；

还有一类是仿射类增强，在图像分割中可能更常用一些，这里重点介绍MLS（移动最小二乘），它包含三种图像变形方法，分别是仿射变换、相似变换、刚性变换。其中刚性变换的效果是最好的。

参考这里，比较详细的介绍了仿射变换的原理和过程，以及c++代码实现。

核心计算公式，给定一个图像的控制点 p，原图像上的像素点v的坐标。变形后图像的控制顶点位置q，求v在变形后图像中对应位置$L(v)$。
$$l_v(x)=(x-p_{\ast })M+q_{\ast }$$
其中，$p_{\ast }$是所有控制点 p 相对于 x 的重心，即加权求和后的均值，每个控制点的权值是 x 与 $p_i$ 的距离的倒数。

论文地址
3d MLS 论文