[发明专利]一种大容量图像隐写方法

权利要求书

1.一种大容量图像隐写方法，其特征在于，包括如下步骤：

将载体图像和两幅秘密图像输入至训练好的图像隐写模型中，得到载密图像和两幅提取图像，且载密图像和载体图像在视觉效果上保持一致，两幅提取图像分别和两幅秘密图像在视觉效果上保持一致；

其中，所述图像隐写模型包括隐藏阶段和提取阶段；

所述隐藏阶段包括载体图像预处理网络、秘密图像预处理网络和隐藏网络；所述载体图像预处理网络用于将输入的载体图像进行预处理；所述秘密图像预处理网络用于将级联后的两幅秘密图像进行预处理；所述隐藏网络用于将级联后的载体图像预处理网络的输出和秘密图像预处理网络的输出进行处理，得到包含有两幅秘密图像的载密图像；

所述提取阶段包括两个提取网络；所述两个提取网络用于将输入的载密图像分别进行处理，得到对应的提取图像；

所述载体图像预处理网络包括一个跳跃连接、以及依次连接的一个卷积层和一个最大池化层；所述载体图像预处理网络的卷积层的输入为载体图像；所述跳跃连接用于将最大池化层的输出与载体图像进行级联，且级联后的结果为所述载体图像预处理网络的输出；

所述秘密图像预处理网络包括依次连接的一个卷积层和一个平均池化层，所述秘密图像预处理网络的卷积层的输入为级联后的两幅秘密图像，所述平均池化层的输出为所述秘密图像预处理网络的输出；

在对图像隐写模型进行训练的过程中，采用的总损失函数为：

其中，Loss_Sum表示总损失函数，LossH_i表示每一组的隐藏损失函数，LossH_i表示每一组的提取损失函数，φ是加权值，n表示总组数。

2.根据权利要求1所述的大容量图像隐写方法，其特征在于，所述隐藏网络包括下采样模块、金字塔池化模块和上采样模块；隐藏网络的下采样模块包括依次连接四个卷积层，且四个卷积层中第一个卷积层的输入为所述隐藏网络的输入，最后一个卷积层的输出为金字塔池化模块的输入；隐藏网络的上采样模块包括五个卷积层和四个跳跃连接，四个跳跃连接用于将五个卷积层中前四个卷积层的输出与下采样模块中对应大小卷积层的输出进行级联，第一个卷积层的输入为金字塔池化模块的输出，后四个卷积层的输入分别为四个跳跃连接的输出，最后一个卷积层的输出为所述隐藏网络的输出。

3.根据权利要求2所述的大容量图像隐写方法，其特征在于，所述隐藏网络的金字塔池化模块包括五个池化层、五个卷积层和五个上采样层；五个池化层的输入均为隐藏网络的下采样模块的输出；五个卷积层的输入分别为五个池化层的输出；五个上采样层的输入为五个卷积层的输出，输出为隐藏网络的金字塔池化模块的输出。

4.根据权利要求1所述的大容量图像隐写方法，其特征在于，两个提取网络的结构一样，且每一个提取网络均包括下采样模块、金字塔池化模块和上采样模块；提取网络的下采样模块包括依次连接四个卷积层，且四个卷积层中第一个卷积层的输入为所述提取网络的输入，最后一个卷积层的输出为金字塔池化模块的输入；提取网络的上采样模块包括五个卷积层和四个跳跃连接，四个跳跃连接用于将五个卷积层中前四个卷积层的输出与下采样模块中对应大小卷积层的输出进行级联，第一个卷积层的输入为金字塔池化模块的输出，后四个卷积层的输入分别为四个跳跃连接的输出，最后一个卷积层的输出为所述提取网络的输出。

5.根据权利要求4所述的大容量图像隐写方法，其特征在于，所述提取网络的金字塔池化模块包括五个池化层、五个卷积层和五个上采样层；五个池化层的输入均为提取网络的下采样模块的输出；五个卷积层的输入分别为五个池化层的输出；提取网络的五个上采样层的输入为五个卷积层的输出，输出为提取网络的金字塔池化模块的输出。

6.根据权利要求1～5任一项所述的大容量图像隐写方法，其特征在于，将均方差作为隐藏损失函数来计算损失值。

7.根据权利要求1～5任一项所述的大容量图像隐写方法，其特征在于，将均方差作为提取损失函数来计算损失值。