[发明专利]一种基于模型的数字图像隐写方法

权利要求书

1.一种基于模型的数字图像隐写方法，其特征在于，包括以下操作步骤：步骤S1：获取待检测的彩色数字图像集，并将获取的彩色数字图像集做分类处理；

步骤S2：通过训练数据集训练得到具有分析图像隐写富模型特征能力的深度学习模型，该深度学习模型为深度卷积神经网络CNN；

步骤S3：将步骤S1中分类好的彩色数字图像独立输入步骤S2中训练得到深度学习模型中对应的卷积通道内学习，最终得出非载体图像、即隐密图像的检测结果。

2.根据权利要求1所述的一种基于模型的数字图像隐写方法，其特征在于，在步骤S1中，根据RGB色彩标准，将获取的彩色图像集分成R子频带、G子频带和B子频带。

3.根据权利要求1所述的一种基于模型的数字图像隐写方法，其特征在于，步骤S2还包括获取载体图像和隐密图像数据集；根据富模型对获取的载体图像和隐密图像数据集中任一图像进行卷积处理得出N幅余量图像；生成深度学习子模型；利用载体图像和隐密图像数据集对组合卷积神经网络模型进行训练得到深度学习模型Ⅰ。

4.根据权利要求1所述的一种基于模型的数字图像隐写方法，其特征在于，步骤S2还包括将深度分类模型与深度学习模型Ⅰ整合得到深度学习模型Ⅱ。

5.根据权利要求1所述的一种基于模型的数字图像隐写方法，其特征在于，步骤S2还包括根据预训练的载体图像和隐密图像数据集对深度学习模型Ⅱ训练，最终生成所需的深度学习模型。

6.根据权利要求1所述的一种基于模型的数字图像隐写方法，其特征在于，所述深度学习模型包括依次以输入输出相互级联的若干个特征提取层、若干个特征映射层和输出层，其中若干个特征提取层和若干个特征映射层交错分布。

7.根据权利要求6所述的一种基于模型的数字图像隐写方法，其特征在于，所述特征提取层包括通过滤波器和可加偏置与输入图像卷积形成的三个逐通道卷积单元，该逐通道卷积单元与R子频带、G子频带和B子频带相对应。

8.根据权利要求6所述的一种基于模型的数字图像隐写方法，其特征在于，所述特征映射层包括通过求和、加权值、加偏置和Sigmoid函数处理得到具有三层结构的卷积单元，该三层结构的卷积单元分别含有8n个卷积核、32n个卷积核和128n个卷积核，其中n为自然数。

9.根据权利要求1所述的一种基于模型的数字图像隐写方法，其特征在于，步骤S3中还包括预先将载体图像和隐密图像作标记处理，以便根据标记识别输出图像类别。