1.一种基于生成对抗网络的空域图像隐写方法，其特征在于，包括以下步骤：S1：将载体图像输入到生成网络中，经过生成网络处理后得到与载体图像尺寸相同的概率图；其中，采用U型网络作为生成网络，将原图x输入到U型生成网络，得到概率图：p＝Ugen(x)；其中p表示嵌入概率，与失真不同的是，嵌入概率越高的像素点，表示嵌入的可能性越大；

S2：将步骤S1中得到的概率图和相同尺寸的随机噪声图像输入到编码模块中，输出一张与载体图像尺寸相同的篡改点图，将篡改点图与载体图像相加，得到载密图像；

S3：用载体图像和步骤S2中生成的载密图像对隐写分析网络进行训练，训练的误差以损失的形式反馈回生成网络，也对生成网络进行训练，此步骤即生成对抗训练；

S4：将训练好的生成网络和编码模块组合在一起，作为最终的空域图像隐写模型，对整个模型输入载体图像，输出载密图像。

2.根据权利要求1所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S1所述的生成网络为U型结构的人工神经网络；其中U型网络包含16层，前8层为卷积层，每经过一层卷积层后图像的特征图尺寸会减小一半；后8层为反卷积层，每经过一层反卷积层后，图像的特征尺寸增加一倍；除了最后一层外，所有的镜像对称层之间都有跳跃式连接。

3.根据权利要求1中所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S2所述的编码模块为采用双曲正切函数进行拟合的编码模块；编码模块的表达式为m′＝‑0.5×tanh(λ×(p‑2×n))+0.5×tanh(λ×(p‑2×(1‑n)))，其中tanh为双曲正切函数，p为概率图，n为随机噪声，λ为缩放因子，m′为篡改点图。

4.根据权利要求1所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S3所述隐写分析网络为卷积神经网络，包括1个预处理层和6个卷积层，每个卷积层均包括卷积、非线性激活和池化操作，其中前两个卷积层的非线性激活采用tanh函数，其它卷积层的非线性激活采用ReLU函数，预处理层包含30个不同类型的高通滤波器。

5.根据权利要求1所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S3所述对隐写分析网络和生成网络进行训练包括采用梯度反向传播的方法进行训练，具体为每迭代更新一次隐写分析网络的参数则迭代更新两次生成网络的参数。

6.根据权利要求5所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，对隐写分析网络和生成网络进行训练时还包括增加一项熵损失用于拟合隐写的荷载量。

7.根据权利要求5所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，所述迭代更新的次数大于10000。

8.根据权利要求1所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S3所述的训练的误差以交叉熵进行表示，表达式为其中yi表示将图像判为第i类的概率，yi′为实际的类别标签，通过反向传播算法最小化lS来更新隐写分析网络的参数。

9.一种使用权利要求1‑8任一项所述方法的系统，其特征在于，包括生成网络模块、编码模块和隐写分析模块；其中生成网络模块将输入的载体图像转换成概率图进行输出；编码模块将生成网络模块输出的概率图和一张相同尺寸的随机噪声进行编码，生成篡改点图，并将载体图像与篡改点图相加，生成载密图像；隐写分析网络对载体图像和载密图像进行区分，并将分类结果以误差的形式反馈回生成网络。