图像增广（image augmentation）是通过对训练图像进行一系列随机改变，从而产生相似但又不同的训练样本的技术。
图像增广有以下两个主要作用：
- 扩大训练数据集的规模；
- 随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。
例如，通过不同方式裁剪图像，使感兴趣的物体出现在不同位置，可以减轻模型对物体出现位置的依赖性；调整亮度、色彩等因素能降低模型对色彩的敏感度。
一些常见的图像增广方法包括：
- 翻转：如左右翻转（通过
torchvision.transforms.RandomHorizontalFlip或tf.image.random_flip_left_right实现）和上下翻转（通过torchvision.transforms.RandomVerticalFlip或tf.image.random_flip_up_down实现），通常不会改变对象的类别。 - 随机裁剪：随机裁剪一个面积为原始面积一定比例（如10%到100%）的区域，该区域的宽高比也在一定范围内随机取值（如0.5到2），然后将该区域的宽度和高度缩放到指定像素（如200像素）。例如，使用
torchvision.transforms.RandomResizedCrop或tf.image.random_crop。 - 亮度变化：将图像的亮度随机调整为原图亮度的一定比例范围（如50%到150%），可通过
torchvision.transforms.ColorJitter中的brightness参数或tf.image.random_brightness实现。 - 色调变化：随机更改图像的色调，如使用
torchvision.transforms.ColorJitter中的hue参数或tf.image.random_hue。 - 颜色变化：还可以同时随机更改图像的亮度、对比度、饱和度和色调，创建
torchvision.transforms.ColorJitter实例并设置相应参数即可。 - 组合多种方法：可以使用
torchvision.transforms.Compose将多个图像增广方法组合起来应用到图像上。
在实践中，通常仅在训练样本上进行图像增广，而在预测过程中不使用随机操作的图像增广，以获得确切的结果。
