1.基于SE-ResNet的图像隐写方法，其特征在于：具体包括如下步骤：步骤1，获取秘密图像，将秘密图像进行通道分离，获得分离后的三张图像为：B通道图像、R通道图像和G通道图像，B通道图像即为载体图像的B通道Icover-B；

步骤2，将步骤1中的得到的秘密图像和载体图像的B通道Icover-B分别输入到编码网络中，获取级联后的特征图；

所述步骤2的具体过程为：

步骤2.1，将H×W大小的灰度秘密图像Memb输入到编码网络的Guest网络分支中，进行特征提取，得到特征图；

其中，Guest网络分支是由7层卷积层组成的，其中的每一层是由conv卷积操作和ReLU激活函数组成；conv卷积操作特征提取，ReLu激活操作进行非线性映射；

步骤2.2，将H×W大小的载体图像B通道Icover-B输入编码网络的Host网络分支中，进行特征提取；且每经过两个卷积层和ReLU层，会对Guest网络分支的Memb特征图和Host网络分支的Icover-B特征图进行级联操作，即将Guest网络分支提取的特征叠加到Host网络分支提取的特征上，得到级联的特征图；

Host网络分支的前7层和Guest网络分支构造一样，也是由7层卷积层组成，其中的每一层是由conv卷积操作和ReLU激活函数组成；Guest网络分支的第一层、第三层、第五层和第七层分别与Host网络分支的第一层、第三层、第五层和第七层级联，即将灰度秘密图像分支提取的特征叠加到彩色载体图像分支提取的特征上；Host网络分支的后五层是由3个SE-ResNet块和2个卷积层构成；第11层卷积也是由conv卷积操作和ReLU激活函数组成，最后一层卷积的卷积核大小为1×1，通道数也为1，没有ReLU激活函数；

步骤3，将步骤2中得到的级联特征图经过3个SE-ResNet块和2个卷积层得到最终的隐写图像的B通道；

步骤4，将步骤3得到的隐写图像B通道和步骤1中载体图像的R通道与G通道合并，得到隐写图像；

步骤5，将步骤4中得到的隐写图像进行通道分离，得到3张图像：隐写图像的B通道图像、隐写图像的R通道图像和隐写图像的G通道图像；将隐写图像的B通道图像输入到解码网络中，提取得到秘密图像Mext。

2.根据权利要求1所述的基于SE-ResNet的图像隐写方法，其特征在于：所述步骤1的具体过程为：步骤1.1，在网络上分别下载CIFAR10、ImageNet、PASCAL-VOC2012和LFW数据集；

步骤1.2，将步骤1.1中数据集的图像尺寸统一为H×W；分别选取n张灰度图像和n张彩色图像，组成n对图像对，其中尺寸为H×W的灰度图像即为秘密图像；将尺寸为H×W的3通道彩色图像分离成B通道图像、R通道图像和G通道图像，其中B通道图像即为载体图像的B通道Icover-B。

3.根据权利要求2所述的基于SE-ResNet的图像隐写方法，其特征在于：所述步骤3的具体过程为：Host网络分支将得到的级联特征图经过3个SE-ResNet块和2个卷积层操作，得到最终的隐写图像的B通道；

编码网络的损失函数如下公式（1）所示：

（1）；

其中，LE表示编码网络的损失函数，Icover-B表示载体图像的B通道，表示编码网络中的参数，表示要嵌入的秘密图像；表示载体图像的B通道和秘密图像经过编码网络后的输出，其输出为即隐写图像的B通道；其中，MSE为均方误差的损失函数。

4.根据权利要求3所述的基于SE-ResNet的图像隐写方法，其特征在于：所述步骤5的具体过程为：步骤5.1，将步骤4得到的隐写图像Istego通道分离，分离成B、G和R通道，得到的隐写图像的B通道Istego-B；

步骤5.2，将步骤5.1中得到的隐写图像Istego-B输入到解码网络中，经过3个SE-ResNet块和2个卷积层提取得到秘密图像Mext：解码网络的损失函数如下公式（2）所示：

（2）；

其中，表示解码网络的损失函数，表示隐写图像的B通道，表示解码网络中的参数，表示要嵌入的秘密图像；表示隐写图像的B通道经过解码网络后的输出，其输出为Mext即解码网络提取出来的秘密图像；

整个模型的损失函数如下公式（3）所示：

（3）；

式中，LE表示编码网络的损失函数，LD表示解码网络的损失函数。