[发明专利]一种基于卷积神经网络的彩色图像隐写方法

权利要求书

1.一种基于卷积神经网络的彩色图像隐写方法，其特征在于，包括：

制作包含载体图像和秘密图像的数据集；

以所述载体图像和所述秘密图像为输入，以隐写图像和提取图像为输出，构建由隐藏网络和提取网络组成的图像隐写网络模型；在构建所述图像隐写网络模型的过程中，包括：将所述载体图像和所述秘密图像分别输入到所述隐藏网络，通过所述隐藏网络将所述秘密图像嵌入到所述载体图像中，得到所述隐写图像；将所述隐写图像输入到所述提取网络，通过所述提取网络得到所述提取图像；其中，

所述通过所述隐藏网络将所述秘密图像嵌入到所述载体图像中，得到所述隐写图像，具体包括：将所述载体图像和所述秘密图像分别通过卷积层后，用ReLU激活函数激活，分别得到与所述载体图像对应的第一载体特征图和与所述秘密图像对应的第一秘密特征图；将所述第一载体特征图和所述第一秘密特征图分别通过卷积层后，用ReLU激活函数激活，分别得到与所述载体图像对应的第二载体特征图和与所述秘密图像对应的第二秘密特征图；将所述第二载体特征图和所述第二秘密特征图分别通过卷积层后，用ReLU激活函数激活，分别得到与所述载体图像对应的第三载体特征图和与所述秘密图像对应的第三秘密特征图；将所述第三载体特征图和所述第三秘密特征图进行合并，得到第一特征图；将所述第一特征图进行卷积和使用ReLU函数进行激活，得到第二特征图；将所述第一特征图通过跳过连接和所述第二特征图进行合并，并进行卷积和使用ReLU函数进行激活，得到第三特征图；将所述第一特征图和所述第二特征图分别通过跳过连接和所述第三特征图进行合并，并进行卷积和使用ReLU函数进行激活，得到第四特征图；将所述第一特征图、所述第二特征图和所述第三特征图分别通过跳过连接和所述第四特征图进行合并，并进行卷积和使用ReLU函数进行激活，得到第五特征图；将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图分别通过跳过连接和所述第五特征图进行合并，并进行卷积和使用ReLU函数进行激活，得到第六特征图；将所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图和所述第五特征图分别通过跳过连接和所述第六特征图进行合并，并进行卷积和使用Tanh函数进行激活，得到第七特征图；将载体图像通过跳线连接和所述第七特征图相加，得到所述隐写图像；

设置所述图像隐写网络模型的参数，并对所述图像隐写网络模型进行训练；

运用训练好的所述图像隐写网络模型进行图像隐写。

2.根据权利要求1所述的基于卷积神经网络的彩色图像隐写方法，其特征在于，通过所述提取网络得到所述提取图像，具体包括：

将所述隐写图像进行卷积和使用ReLU函数进行激活，得到第一隐写特征图；

将所述第一隐写特征图进行卷积和使用ReLU函数进行激活，得到第二隐写特征图；

将所述第二隐写特征图进行卷积和使用ReLU函数进行激活，得到第三隐写特征图；

将所述第三隐写特征图进行卷积和使用ReLU函数进行激活，得到第四隐写特征图；

将所述第四隐写特征图进行卷积和使用ReLU函数进行激活，得到第五隐写特征图；

将所述第五隐写特征图进行卷积和使用Tanh函数进行激活，得到所述提取图像。

3.根据权利要求1所述的基于卷积神经网络的彩色图像隐写方法，其特征在于，设置所述图像隐写网络模型的参数，包括：

设置所述图像隐写网络模型的学习率、批次处理图像的张数、迭代周期和优化器。

4.根据权利要求3所述的基于卷积神经网络的彩色图像隐写方法，其特征在于，制作包含载体图像和秘密图像的数据集，具体包括：

随机从ImageNet数据集中选取多张图片；

将选取的所有图片的尺寸均调整为相同的尺寸，制作成包含载体图像和秘密图像的数据集。

5.根据权利要求4所述的基于卷积神经网络的彩色图像隐写方法，其特征在于，还包括：

将所述数据集分成训练集和测试集；

将所述测试集中的载体图像和秘密图像分别输入所述图像隐写网络模型中，得到所述测试集对应的隐写图像和提取图像；

计算出所述测试集对应的隐写图像和所述测试集中的载体图像之间的PSNR值和SSIM值，以及所述测试集对应的提取图像和所述测试集中的秘密图像之间的PSNR值和SSIM值，以对所述图像隐写网络模型的性能进行测试。