弹性变换是一种数据增强技术，用于人为地扩展训练数据集，尤其是在基于图像的机器学习任务中。 与旋转或翻转等刚性变换不同，弹性变换会对图像应用非线性、平滑的扭曲。 这可以模拟现实世界数据中可能发生的物体形状、纹理或方向的自然变化。 例如，在医学成像中，器官或组织在扫描期间可能会略有变形，弹性变换有助于模型泛化到这些变化。 当训练数据有限或感兴趣的物体具有灵活的几何形状（例如手写文本、生物细胞或可变形材料）时，该技术特别有用。
该过程涉及创建随机位移向量网格，该网格会局部扭曲图像。 首先，通过对像素坐标应用小的随机偏移来生成位移场。 为了确保平滑的扭曲，通常使用高斯核对该场进行过滤，这会混合相邻的位移。 然后使用插值（例如，双线性或双三次）来扭曲原始图像，以根据位移场将像素映射到其新位置。 这样会产生局部拉伸、压缩或弯曲效果，而不会引入明显的伪影。 例如，在手写数字数据集中，这可能会模拟笔划中的轻微波纹或字符倾斜的变化，从而使模型对这种自然的手写差异具有鲁棒性。
开发人员可以使用 OpenCV 或 TensorFlow 等库来实现弹性变换。 一个实际的例子涉及调整参数，如高斯滤波器的标准差（控制扭曲平滑度）和比例因子（确定扭曲强度）。 在自动驾驶汽车数据集中，弹性变换可以模拟路面不规则或相机镜头中的细微扭曲。 但是，过度使用可能会导致不真实的数据； 对于像徽标这样的刚性物体，它可能不太有效。 关键在于平衡扭曲强度与目标领域的物理合理性。 这种技术在医学成像等领域尤其有价值，在这些领域中，获取大量标记数据集具有挑战性，并且小变形很常见。