1.一种基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，包括以下步骤：S1、构建HDR图像数据集和LDR秘密图像数据集；

S2、对HDR图像数据集中的HDR图像进行预处理，得到多张不同的载体图像、HDR图像的符号位和HDR图像的指数位；

S3、通过concat操作将一张载体图像与一张LDR秘密图像在通道维度上连接在一起，并输入嵌入模型，得到隐写图像；

S4、将隐写图像、HDR图像的符号位和HDR图像的指数位合并为HDR隐写图像；

S5、对HDR隐写图像做预处理，得到HDR隐写图像小数空域的后八位比特平面；

S6、将HDR隐写图像小数空域的后八位比特平面输入提取模型，得到恢复的LDR秘密图像；

所述步骤S2包括以下分步骤：

S21、将HDR图像数据集中每张HDR图像输入Preprocess预处理模块中，提取HDR图像小数空域M、符号位S和指数位E；

S22、提取HDR图像小数空域M的后八位比特平面，得到后八位比特平面图像；

S23、对后八位比特平面图像进行随机裁剪，得到标准尺寸图像；

S24、对标准尺寸图像进行数据增强操作，得到多张不同的载体图像。

2.根据权利要求1所述的基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，所述步骤S3中嵌入模型包括依次连接的输入层、Layer1层、Layer2层、Layer3层、Layer4层、Layer5层、Layer6层、Layer7层、Layer8层、Layer9层和Output层；

所述Layer1层、Layer2层、Layer3层和Layer4层均包括：残差模块ResBlock1和最大池化层Maxpool；所述残差模块ResBlock1的输入端作为Layer1层、Layer2层、Layer3层或Layer4层的输入端，其输出端与最大池化层Maxpool的输入端连接；所述最大池化层Maxpool的输出端作为Layer1层、Layer2层、Layer3层或Layer4层的输出端；

所述Layer5层为残差模块ResBlock2；

所述Layer6层、Layer7层、Layer8层和Layer9层均为卷积模块ConvBlock1；

所述Output层为卷积模块ConvBlock2。

3.根据权利要求2所述的基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，所述残差模块ResBlock1和残差模块ResBlock2均包括：3*3卷积层conv1、3*3卷积层conv2、1*1卷积层conv3和激活函数层LeakyReLU1；

所述3*3卷积层conv1的输入端与1*1卷积层conv3的输入端连接，并作为残差模块ResBlock1或残差模块ResBlock2的输入端；所述3*3卷积层conv1的输出端与3*3卷积层conv2的输入端连接；所述3*3卷积层conv2的输出端与激活函数层LeakyReLU1的第一输入端连接；所述1*1卷积层conv3的输出端与激活函数层LeakyReLU1的第二输入端连接；所述激活函数层LeakyReLU1的输出端作为残差模块ResBlock1或残差模块ResBlock2的输出端。

4.根据权利要求2所述的基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，所述卷积模块ConvBlock1包括依次连接的3*3卷积层conv4、归一化层BN1、激活函数层LeakyReLU2、3*3卷积层conv5、归一化层BN2和激活函数层LeakyReLU3；所述3*3卷积层conv4的输入端作为卷积模块ConvBlock1的输入端；所述激活函数层LeakyReLU3的输出端作为卷积模块ConvBlock1的输出端；

所述卷积模块ConvBlock2包括：3*3卷积层conv6和Sigmoid激活函数层；

所述3*3卷积层conv6的输入端作为卷积模块ConvBlock2的输入端，其输出端与Sigmoid激活函数层的输入端连接；所述Sigmoid激活函数层的输出端作为卷积模块ConvBlock2的输出端；

所述3*3卷积层conv6的步长为1，其padding为0。

5.根据权利要求1所述的基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，所述提取模型包括依次连接的输入层、5个中间层和Output层；

所述5个中间层均为卷积模块ConvBlock3；

所述卷积模块ConvBlock3均包括依次连接的3*3卷积层conv7、归一化层BN3和ReLU激活函数层；

所述提取模型的Output层为卷积模块ConvBlock4；

所述卷积模块ConvBlock4依次包括：3*3卷积层conv7和Sigmoid激活函数层；

所述3*3卷积层conv7的步长为1。

6.根据权利要求1所述的基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，所述嵌入模型和提取模型在训练过程中的损失函数L为：其中，ci,j为输入的载体图像的第i行第j列的像素点，c′i,j为隐写图像的第i行第j列的j j j像素点，c 为载体图像中第j个RGB像素向量，c′为隐写图像中第j个RGB像素向量，s为LDRj秘密图像中第j个RGB像素向量，s′为恢复的秘密图像中第j个RGB像素向量， 为隐写图像的均值，μ1为载体图像的均值， 为恢复的LDR秘密图像的均值，μ2为LDR秘密图像的均值，w为图像的宽度，h为图像的高度，σcov1为载体图像和隐写图像之间的协方差，σcov2为LDR秘密图像和恢复的LDR秘密图像之间的协方差，α、β和γ为权衡因子，α用来权衡结构相似性指标在损失函数中所占的比重，β用来权衡余弦相似性指标在损失函数中所占的比重，γ用来权衡提取模型的损失函数在整个隐写方法模型的损失函数中所占的比重，si,j为输入的LDR秘密图像的第i行第j列的像素点，s′i,j为恢复的LDR秘密图像的第i行第j列的像素点，c1和c2为超参数，用于防止分母为0， 为隐写图像的方差，σ1为载体图像的方差， 为恢复的LDR秘密图像的方差，σ2为LDR秘密图像的方差。