1.一种基于加权滤波增强的卷积神经网络图像预测方法，其特征在于，所述方法包括：步骤一、根据原始图像的纹理复杂度，将所述原始图像分为平滑块组和纹理块组；

步骤二、根据像素位置将步骤一中的所述平滑块组和纹理块组分别划分为四个像素集合，且每个所述像素集合的所有像素由其周围的8个像素预测，生成预处理图像，并将其作为训练集，所述预处理图像包括平滑块预处理图像和纹理块预处理图像；

所述步骤二包括：

根据像素位置将平滑块组和纹理块组分别划分红色 、黄色 、蓝色 、绿色 四个像素集合；预测红色像素时，输入到预测器的图像为 + + ；预测黄色像素时，输入到预测器的图像为 + + ；预测蓝色像素时，输入到预测器的图像为 + + ；预测绿色像素时，输入到预测器的图像为 + + ；当卷积核大小为3×3时，利用至多8/9个像素值进行像素点预测；当卷积核大小为5×5时，利用至多16/25个像素值进行像素点预测；

步骤三，利用步骤二中的所述平滑块预处理图像和纹理块预处理图像，分别对加权滤波增强的卷积神经网络进行训练，通过加权滤波调节目标像素周围像素值的权重，并通过混合扩张卷积HDC扩展网络接受域，获得像素预测，生成预测图像。

2.根据权利要求1所述的方法，其特征在于，所述步骤一包括：

步骤S1、通过均方误差MSE公式计算原始图像中每个图像子块的MSE，并设置阈值T度量纹理复杂度；

步骤S2、根据步骤S1中设置的阈值T，判断每个图像子块是否为平滑区域；

步骤S3、根据步骤S2的判断，当图像子块的MSE大于阈值T时，则图像子块为纹理区域；

当图像子块的MSE小于或等于阈值T时，则图像子块为平滑区域；

步骤S4、根据步骤S3中的纹理区域和平滑区域，划分平滑块组和纹理块组。

3.根据权利要求1所述的方法，其特征在于，所述加权滤波增强的卷积神经网络由三个网络组成，分别为特征提取网络、加权混合扩张卷积网络WHDCnet和像素预测网络。

4.根据权利要求3所述的方法，其特征在于，所述特征提取网络用于提取图像不同层次的特征，其由三个并行的卷积核组成，卷积核大小分别为3×3、5×5和7×7；不同的感受野提取图像不同层次的区域特征，经过三个并行卷积核的处理后，通过叠加三个32维度的特征矩阵，生成一个有96个维度的潜特征矩阵。

5.根据权利要求3所述的方法，其特征在于，所述加权混合扩张卷积网络用于扩大感受野范围以辅助提取图像特征，其由一个加权滤波核和三个串行的扩张卷积核组成，所述加权滤波核用来平衡不同距离像素的权值属性，三个串行的扩张卷积核，卷积核大小为3×3，扩张率分别为1，2，3；将图像输入到加权混合扩张卷积网络中，通过广域特征提取获得32通道的特征图。

6.根据权利要求3所述的方法，其特征在于，所述像素预测网络用于对特征矩阵优化，生成预测图像，其由四个卷积块组成，每个所述卷积块由三个卷积层和两个激活函数LeakyRelu组成；每个卷积层的核大小为3×3，前三个块的通道设置为128，最后一个块的输出为预测图像，同时利用残差连接将不同卷积块的输出进行连接，将低维特征与高维特征串联起来，以收集图像特征；并根据预测图像与预处理图像的四分之一计算均方误差损失。

7.根据权利要求1所述的方法，其特征在于，训练过程中的损失函数loss，其公式为：；

其中，为训练数据的数量， 为目标图像， 为预测图像， 为偏差， 为网络中所有权值。

8.根据权利要求1所述的方法，其特征在于，还包括数据的嵌入；

所述数据的嵌入包括：

步骤V1、确定待嵌入的秘密信息S，并将秘密信息S分成S1、S2、S3、S4四个大小相同的部分，其分别对应红色 、黄色 、蓝色 、绿色 四个像素集合中；

步骤V2、根据步骤V1中的划分，自适应地为平滑块预处理图像和纹理块预处理图像分配预测器，所述平滑块预处理图像使用平滑区预测器；纹理块预处理图像使用纹理区预测器；

步骤V3、根据步骤V2中的分配，计算预测图像和像素集合的预测误差，得到预测误差平面，并产生预测误差直方图；

步骤V4、利用直方图平移技术将待嵌入的秘密信息S1、S2、S3、S4嵌入步骤V3中的预测误差平面中，嵌入秘密信息的子集部分将取代原始子集部分，得到嵌入秘密信息后的载密图像。

9.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行权利要求1至8中任一项所述的基于加权滤波增强的卷积神经网络图像预测方法。