1.一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：依次包括秘密信息映射噪声图阶段、含秘图片生成阶段以及秘密信息提取阶段，且在含秘图片生成阶段和秘密信息提取阶段中加入通道注意力模块；

秘密信息映射噪声图阶段包括以下步骤

A1、将每τ个二进制比特归为一组，同时将区间[‑1,1]划分为 个区间，每一种二进制组合对应一个子区间s；根据每组二进制比特类型对应的子区间，通过随机函数frand计算随机噪声值vz；

A2、根据上采样图片像素值 与子区间s的位置关系对子区间s进行调整，若上采样图片像素值在子区间中，则子区间不需要调整；若上采样图片像素值不在子区间中，则根据上采样图片像素值与区间边界的距离长度对子区间的大小进行调整，得到调整后的子区间 ；

A3、在调整后的子区间 中重新生成噪声值Zi(x,y)；

A4、将噪声值Zi(x,y)组合形成噪声图Zi；

含秘图片生成阶段中，利用多层级生成对抗网络以多层生成器{G0,G1,...,Gn}与辨别器{D0,D1,...,Dn}对抗的方式学习并获得含秘图片，具体包括以下步骤B1、将真实图片In下采样至{I0,I1,...,In}；

B2、将第一层噪声图Z0输入第一层生成器G0得到第一层生成图 ；将第一层生成图 与第一层真实图片I0一同输入第一层辨别器D0并判断第一层生成图 的真假；

B3、使用上采样因子 将第一层生成图 上采样至 ；将第二层噪声图Z1与上采样图叠加输入第二层生成器G1并生成第二层生成图 ；第二层生成图 与第二层真实图片I1一同输入第二层辨别器D1并判断 的真假；

B4、重复步骤B3直至第n+1层，第n+1层生成器Gn输出图片 ，图片 即为多层级生成对抗网络输出的高分辨率含秘图片；

秘密信息提取阶段包括以下步骤

C1、接收秘密图片 ， 表示 经过媒介传输被接收者获取的秘密图片，将其输入第n+1层提取器En输出第n+1层噪声图 ，利用秘密信息映射噪声图逆过程将第n+1层噪声图恢复至第n+1层秘密信息 ；

C2、用下采样因子 将秘密图片下采样至第n层秘密图片 ，将其输入第n层提取器En‑1输出第n层噪声图 ，利用秘密信息映射噪声逆过程将第n层噪声图 恢复至第n层秘密信息 ；

C3、重复步骤C2，直至恢复到第一层秘密信息 ；

C4、将 拼接成比特流 ，比特流 即为恢复的秘密信息。

2.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤A1中，随机噪声值的计算方法如下式所示：

其中， 表示二进制组对应的十进制数；表示间隔常数，用于使每个子区间不交叉；

frand()表示取随机数函数；vz表示随机噪声值。

3.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤A2中，判断上采样图片像素值 是否在子区间s中，若在，则随机噪声值取 ；若不在，则根据上采样像素值 和子区间s的位置关系及距离长短来调整子区间s的大小；

调整子区间的计算方法如下式所示：

其中，sl表示子区间长度方向的一侧端点，sr表示子区间长度方向的另一侧端点，(x,y)表示像素位置， 表示调整后的子区间。

4.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤A3中，在调整后的子区间中使用取随机数函数获得随机噪声值，计算方法如下式所示：其中，Zi(x,y)表示位于位置(x,y)的随机噪声值，frand()表示取随机数函数， 表示调整后子区间长度方向的一侧端点， 表示调整后子区间长度方向的另一侧端点。

5.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述含秘图片生成阶段和秘密信息提取阶段中，在生成器{G0,G1,...,Gn}和提取器{E0,E1,...,En}中加入通道注意力模块进行训练，通道注意力模块设置于生成器的每两个卷积块之间，通道注意力模块也同样设置于提取器的每两个卷积块之间，通过通道注意力模块将秘密信息和通道特征进行连接。

6.根据权利要求5所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述通道注意力模块连接两个卷积块的方法包括以下步骤

D1、将前一个卷积块获得的特征F输入到通道注意力模块，同时进行最大池化和平均池化；

D2、将池化后的特征经激活后相加，再经过激活函数激活后得到注意力权重W；

D3、利用注意力权重W更新原特征F，获得更新后的特征 ，将更新后的特征 输入下一个卷积块中。

7.根据权利要求6所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤D1中，最大池化和平均池化的计算方法如下式所示：其中，Fi表示输入通道注意力模块的特征，MAX()表示取最大值函数，H和W分别表示特征图的高和宽，fmax表示最大池化后的特征，favg表示平均池化后的特征。

8.根据权利要求6所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤D2中，将池化后的特征输入多层感知机经过激活函数后并相加，再经过激活函数激活后获得注意力权重，计算过程如下式所示：其中，frlu表示relu激活函数，fsig表示sigmoid激活函数，W1和W2表示卷积层的权重，W表示通道注意力模块计算获得的权重。

9.根据权利要求6所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤D3中，由通道注意力模块输出的权重乘以输入特征获得最终经注意力更新后的特征，计算过程如下式所示：其中，Fi表示输入特征，Wi表示注意力权重， 表示更新后的权重。

10.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述生成器、辨别器以及提取器的优化器设置为亚当优化器，学习率参数为0.001。