针对目前传统方法脑肿瘤检测准确率低的问题, 提出一种基于深度学习的三维脑肿瘤检测方法.首先将不同模态的脑肿瘤磁共振成像影像进行融合, 获取不同模态下的脑肿瘤病灶三维空间特征; 然后在卷积层和池化层之间增加实列归一化层, 提高网络的收敛速度, 缓解过拟合的问题; 并对损失函数进行改进, 采用加权损失函数加强对病灶区域的特征学习; 最后结合后处理方法解决假阳脑肿瘤病灶多的问题.实验结果表明：提出的脑肿瘤检测方法可有效进行肿瘤病灶定位; 相关性系数、敏感性和特异性三种评价指标分别达到了0.926 7、0.928 1和0.997 7, 与二维检测网络相比, 提高了4.6%、3.96%和0.04%, 较初始的单模态脑肿瘤检测方法提升了13.2%、10.42%和0.12%.

针对数码迷彩图案拼接时出现的接缝,导致形成伪装目标新的暴露特征的问题, 提出了一种新的适用于数码迷彩图案的拼接算法。利用位置权重模板的移动, 在迷彩图案的左右边缘拼合处添加一列或多列迷彩斑块, 使得迷彩图案平滑过渡。实验采用边缘检测算子和峰值信噪比分别对拼接算法进行了定性和定量的效果验证。结果表明, 提出的迷彩拼接方法可以有效地降低迷彩在拼接时出现的暴露特征, 达到与原迷彩图案自然衔接的效果。

传统迷彩大都是由不规则的斑点或条纹组成，其边缘平滑、不同色彩间界限分明，视觉区分度强，以致隐蔽的效果大打折扣。数码迷彩能够有效破坏伪装目标的外形，使不同色彩间的边界模糊、破碎，具有良好的伪装隐身效果。本文提出了一种根据目标背景图像生成数码迷彩的算法，它首先将背景图案的颜色量化，提取出背景主色，然后确定马赛克方块的大小，最后生成数码迷彩。实验表明，利用此算法生成的数码迷彩相对于传统迷彩能够更好地与自然背景相融合，达到良好的光学伪装效果。