[发明专利]基于卷积神经网络的信息隐藏方法及装置

权利要求书

1.一种基于卷积神经网络的信息隐藏方法，其特征在于，所述方法的具体步骤如下：

S1：利用数据集对卷积神经网络模型进行训练得到信息隐藏模型，使其能够实现秘密信息在原始图像中的嵌入和提取；

所述卷积神经网络模型包括编码网络、解码网络和评价网络；

编码网络第一层为卷积层，输入为原始图像，并且采用LeakyReLU函数作为激活函数；

编码网络第二层为卷积层，输入为第一层的输出特征和秘密信息，并且采用LeakyReLU函数作为激活函数；

编码网络第三层为SKNet注意力网络，输入为第二层的输出特征；

编码网络第四层为卷积层，输入为第三层的输出特征，并且采用LeakyReLU函数作为激活函数；

编码网络第五层为SKNet注意力网络，输入为第二层的输出特征；

编码网络第六层为卷积层，输入为第五层的输出特征，并且采用LeakyReLU函数作为激活函数，第六层输出为嵌入秘密信息后的含密图像；

解码网络第一层为卷积层，输入为含密图像，并且采用LeakyReLU函数作为激活函数；

解码网络第二、三层为卷积层，卷积核大小均为3*3，并且均采用LeakyReLU函数作为激活函数；

解码网络第四层为卷积层，输出为秘密信息；

评价网络第一层为卷积层，输入为原始图像和含密图像，并且采用LeakyReLU函数作为激活函数；

评价网络第二、三层为卷积层，卷积核大小均为3*3，并且均采用LeakyReLU函数作为激活函数；

评价网络第四层为卷积层，输出为一个用于判断输入图像是否是含密图像的分数；

S2：发送方将待加密图像以及待嵌入秘密信息输入所述信息隐藏模型中的编码网络中，由编码网络输出含密图像；

S3：接收方从发送方处收到所述含密图像后，将所述待加密图像和所述含密图像输入所述信息隐藏模型中的评价网络中，若评价网络判断输入图像是含密图像，则将所述含密图像输入所述信息隐藏模型中的解码网络中，从中提取出秘密信息。

2.如权利要求1所述的基于卷积神经网络的信息隐藏方法，其特征在于，所述卷积神经网络模型中，每一层卷积层的卷积核大小均为3*3。

3.如权利要求1所述的基于卷积神经网络的信息隐藏方法，其特征在于，所述数据集为div2k数据集。

4.如权利要求1所述的基于卷积神经网络的信息隐藏方法，其特征在于，所述数据集中的样本图片预先裁剪为360*360*3的数据形式。

5.如权利要求1所述的基于卷积神经网络的信息隐藏方法，其特征在于，利用数据集对卷积神经网络模型进行训练时，batchsize设置为1，epoch设置为10。