1.一种基于异构核的深度残差隐写分析方法，在ResNets的预处理阶段引入SRM模型，并将HetConv异构核作为卷积核应用在DRHNet网络中；包括以下步骤：步骤1、提取图像每个SRM子模型的特征向量；

步骤2、将图像所有的特征向量合并重组；

步骤3、讲原始图像和载密后的图像放入DRHNet网络模型训练；

步骤4、将待检测图像放入训练好的DRHNet隐写分析网络检测，其结果作为图像是否嵌密的参考。

2.如权利要求1所述的一种基于异构核的深度残差隐写分析方法，其特征在于：具体步骤为：步骤1、利用SRM模型用k个高通滤波器提取覆盖图像或隐秘图像的残差，以形成k个子模型；然后对每个子模型进行量化，舍入和截断，并在水平和垂直方向上提取共生矩阵；此时，为每个图像生成2k个共现矩阵；具有相似属性的共生矩阵被对称地合并，并且所有元素被重新排列成特征向量；此时，已获得该特征，其形式如下：其中 是使用第k个子模型计算的第x个封面图像cx的特征；通过Merge(·)函数，在水平共生矩阵Mh(·)和垂直共生矩阵Mv(·)中组合具有相同或相似统计规律的元素，使两个矩阵合并为一个矩阵；

Range(·)是将合并的矩阵重新排列成特征向量的函数；

其中，x＝1,2...z，z是训练集的最后一幅图像，也可以使用同样方法计算出隐秘图像sx的特征； 是空域图像，其大小为n1×n2，矩阵中的每个值 在0到255之间；

Mh(·)可以通过下面的公式获得，Mv(·)可以用相同方法获得的：

正向量q是量化因子，正整数T是截断阈值，这两个参数影响SRM特征的维数和隐写分析性能；d是共生矩阵的次数；如果d太大，则会出现稀疏特征；如果d太小，统计多样性就不够丰富；HPk(·)表示第k个高通滤波器提取的残差；Round(·)表示按元素舍入，TruncT(·)表示按元素截断操作； 提取残差作为共生矩阵；

步骤2、选择q＝0.5,1,2,T＝2,d＝4，并使用SRM设计的所有合并规则；获得的SRM特征实例称为SRMQ3，即使用3种量化因子的SRM特征；它有106个特征，其中17个是338维特征，其中89个是325维特征；RMQ3特征的维数是338×17+325×89＝34671；此处使用0,0作为每个特征之间的分割，将其填充到187×187的特征矩阵中，并且在矩阵中的最后一个特征之后的空值用0填充，其定义如下：步骤3、在获得封面图像 和隐秘图像 的特征矩阵之后，目标是使用DRHNet基于它们之间的差异来训练映射Map(·)，使得映射满足以下等式：步骤4、将待检测图像通过DRHNet隐写分析的结果作为图像是否嵌密的参考。