[发明专利]基于多尺度融合空洞卷积残差网络的大容量图像隐写方法

权利要求书

1.一种基于多尺度融合空洞卷积残差网络的大容量图像隐写方法，包括如下步骤：

1)获取足够数量的样本图像，并将样本图像分为两组，一组用作封面图像，另一组用作待隐藏的秘密图像，秘密图像尺寸最大为512×512；

2)对用于将秘密图像隐写到封面图像中的隐写网络和用于从含密图像中提取秘密图像的显现网络进行联合训练，隐写网络和显现网络均为多尺度融合空洞卷积残差网络，其骨干网络为包含12个残差模块的ResNet50，部分残差模块的残差连接(Skip Connection)采用空洞卷积(Dilated/Atrous Convolution)进行处理，其中第9个和第10个残差模块采用系数为3的空洞卷积，第8个和第11个残差模块采用系数为2的空洞卷积，其他残差模块的残差连接采用普通的卷积层处理；多尺度融合空洞卷积残差网络采用多尺度融合的策略，在第3个和第6个残差模块后对特征图进行系数为2的下采样以得到不同尺度的特征，并把第5个、第9个和最后一个残差模块的输出引出，用反卷积进行放大因子分别为2、4和4的上采样，使从3个分支引出的特征图与输入图像大小一致后进行通道连接实现多尺度融合，连接后的特征图再经过一个卷积层得到含密图像或秘密图像；

3)训练完成后，将封面图像和秘密图像输入到隐写网络以生成含密图像，该含密图像外观与封面图像在视觉上没有差异；

4)利用训练得到的显现网络，从含密图像中提取出隐藏的秘密图像，所提取的秘密图像与原始秘密图像一致。

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：彩色图像通过所述大容量图像隐写方法被隐藏在彩色图像中，其中隐写网络的输入为6通道，即封面彩色图像与秘密彩色图像的连接，输出为3通道的含密图像，显现网络的输入和输出均为3通道。

3.根据权利要求1所述的大容量图像隐写方法，其特征在于：灰度图像通过所述大容量图像隐写方法被隐藏在彩色图像中，其中隐写网络的输入为4通道，即封面彩色图像的RGB三个通道与秘密灰度图像的连接，输出为3通道的含密图像，显现网络的输出为单通道，输入仍为3通道。

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：灰度图像通过所述大容量图像隐写方法被隐藏在灰度图像中，其中隐写网络的输入为2通道，即封面灰度图像与秘密灰度图像的连接，输出为单通道的含密图像，显现网络的输入和输出均为单通道。

5.根据权利要求1所述的大容量图像隐写方法，其特征在于：隐写网络和显现网络均以残差网络ResNet50作为骨干网构建，包含12个残差模块，输入首先经过卷积层处理后进入由12个残差模块串接的深度网络，每个残差模块由2个卷积层构成，每个卷积层后由批量归一化(Batch Normalization)和激活层修正线性单元(ReLU) 修正，所有残差模块均没有池化层。

6.根据权利要求1所述的大容量图像隐写方法，其特征在于：所述隐写网络采用生成对抗网络结构，即使用隐写分析网络作为判别器进行生成对抗训练，以提高所生成的含密图像的抗隐写分析能力。

7.根据权利要求6所述的大容量图像隐写方法，其特征在于：所述隐写分析网络采用空域XuNet结构，通过训练XuNet隐写分析网络来对输入图像是否含密进行正确分类，隐写分析网络的损失为基于隐写分析分类误差计算的二元交叉熵损失。

8.根据权利要求1所述的大容量图像隐写方法，其特征在于：对所述多尺度融合空洞卷积残差网络进行进一步联合训练，在训练过程中，用Adam算法对网络参数进行优化；显现网络的回归损失不仅在显现网络中反向传播，还在隐写网络中反向传播；隐写网络的回归损失即含密图像与封面图像的差异仅在隐写网络中反向传播；同时判别器的损失也是隐写网络损失的组成部分，其对隐写网络损失的贡献是负加成的，即隐写网络的优化使生成的含密图像能加大判别器的判别误差。