1.一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：包括以下步骤：使用批训练方式对初始化的编码网络E、判别网络D、解码网络R在噪声层N下进行训练，得到训练完成的编码网络E、判别网络D和解码网络R；

将待嵌入的秘密图像和载体图像输入到训练完成的编码网络E中，得到隐写图像；

所述使用批训练方式对初始化的编码网络E、判别网络D、解码网络R在噪声层N下进行训练，得到训练完成的编码网络E、判别网络D和解码网络R，具体包括：步骤3‑1：真实图像数据集中随机选取2n幅真实图像，将其中n副图像作为载体图像，另n副图像作为秘密图像，并将每幅图像中的每个像素进行归一化处理，使每幅图像中每个像素的像素值均归一化到[‑1,+1]，得到归一化后的载体图像和秘密图像；其中，n为正整数；

步骤3‑2：将n个归一化后的载体图像以及n个归一化后的秘密图像利用离散小波变换分解为载体图像的特征图与秘密图像的特征图；

步骤3‑3、输入n个载体图像的特征图以及n个秘密图像的特征图到编码网络E中，生成n幅隐写图像的特征图以及丢失信息r的特征图，将n幅隐写图像的特征图以及丢失信息r的特征图进行离散小波逆变换得到n幅隐写图像和丢失信息r，计算编码网络E中的损失函数Lcon以及低频小波损失函数Lfreq；

步骤3‑4、将n幅隐写图像与n幅归一化后的载体图像输入到初始化的判别网络D中，得到判别网络D的输出，根据判别网络D的输出计算判别网络D中的损失函数Ldis，利用损失函数Ldis更新判别网络D中的参数；

步骤3‑5、将n幅隐写图像输入到噪声层N中，得到n副加噪隐写图像；

步骤3‑6、将n幅加噪隐写图像和辅助变量z进行离散小波变换得到加噪隐写图像的特征图以及辅助变量z的特征图，将加噪隐写图像的特征图以及辅助变量z的特征图输入到初始化的解码网络R中，得到恢复后的秘密图像的特征图和恢复后的载体图像的特征图，将恢复后的秘密图像的特征图和恢复后的载体图像的特征图进行离散小波逆变换，得到恢复后的秘密图像和恢复后的载体图像；并计算解码网络R的损失函数Lrev；

步骤3‑7、计算网络总损失函数L，并根据网络的总损失函数L更新初始化的编码网络E和解码网络R中的参数；总损失函数L的计算公式为：L＝λconLcon+λrevLrev+λfreqLfreq+λdisLdis，λcon表示损失函数Lcon的超参数，λrev表示损失函数Lrev的超参数，λfreq表示低频小波损失函数Lfreq的超参数，λdis表示损失函数Ldis的超参数；

步骤3‑8、任意从真实图像数据集中随机选取2n幅真实图像，构建不同批次的训练样本，依次使用任一批次的样本且采用步骤3‑1～步骤3‑7中方法对更新后的编码网络E、判别网络D及解码网络R进行训练，直到完成所有批次的样本训练，最终得到训练完成的编码网络E、判别网络D及解码网络R；

输入n个载体图像的特征图以及n个秘密图像的特征图到编码网络E中，生成n幅隐写图像的特征图，具体包括：在第一个隐藏块中，将秘密图像的特征图S(0)输入到 块，得到第一秘密特

征图像S(1)；

将载体图像的特征图C(0)与第一秘密特征图像S(1)进行相加操作，得到第一隐写特征图像C’(1)；

将第一隐写特征图像C’(1)分别输入到SERDB(ρ)和SERDB(η)块，得到第二隐写特征图像C’(2)和第三隐写特征图像C’(3)；

将第二隐写特征图像C’(2)进行exp操作并与秘密图像的特征图S(0)进行相乘，再与第三隐写特征图像C’(3)进行相加，得到第四隐写特征图像C’(4)；exp操作表示以e为底的指数函数，返回e的n次方，e是自然常数；

将第一隐写特征图像C’(1)与第四隐写特征图像C’(4)作为第一个隐藏块的输出，并输入到第二隐藏块中；

在第二隐藏块中，将第一隐写特征图像C’(1)作为载体图像C1(0)，第四隐写特征图像C’(4)作为秘密图像S1(0)；

将秘密图像S1(0)输入到 块，得到第一秘密特征图像S1(1)；

将载体图像C1(0)与第一秘密特征图像S1(1)进行相加操作，得到第一隐写特征图像C1’(1)；

将第一隐写特征图像C1’(1)分别输入到SERDB(ρ)和SERDB(η)块，得到第二隐写特征图像C1’(2)和第三隐写特征图像C1’(3)；

将第二隐写特征图像C1’(2)进行exp操作并与秘密图像S1(0)进行相乘，再与第三隐写特征图像C1’(3)进行相加，得到第四隐写特征图像C1’(4)；

将第一隐写特征图像C1’(1)与第四隐写特征图像C1’(4)作为第二个隐藏块的输出，并输入到第三隐藏块中；

重复上述操作，直到输入第m个隐藏块结束，得到第一隐写特征图像Cm‑1’(1)与第四隐写特征图像Cm‑1’(4)，将第一隐写特征图像Cm‑1’(1)作为隐写图像的特征图，第四隐写特征图像Cm‑1’(4)作为丢失信息r的特征图；

所述编码网络E包括m个依次相连的隐藏块，每个隐藏块包括： 块、SERDB(ρ)块和SERDB(η)块；

所述 块、SERDB(ρ)块和SERDB(η)块的结构相同，具体包括：第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块，所述第一残差子模块的输入端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端、连接层的输入端以及求和层的一个输入端相连接，所述第一残差子模块的输出端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第二残差子模块的输出端分别与第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第三残差子模块的输出端分别与第四残差子模块的输入端以及连接层的输入端相连接，所述第四残差子模块的输出端与连接层的输入端相连接，所述连接层输出端与第五卷积层输入端相连接，第五卷积层输出端与求和层的另一个输入端相连接；

所述第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构相同，具体包括依次连接的卷积层，注意力机制层以及激活层；

将加噪隐写图像的特征图以及辅助变量z的特征图输入到初始化的解码网络R中，得到恢复后的秘密图像的特征图和恢复后的载体图像的特征图，具体包括：在第一个解码块中，将加噪隐写图像的特征图C’(0)分别输入到SERDB(η)块和SERDB(ρ)块，分别得到第一隐写特征图像C’(1)和第二隐写特征图像C’(2)；

将辅助变量z的特征图z(0)与第一隐写特征图像C’(1)相减并除以经过exp操作后的第二隐写特征图像C’(2)，得到第一辅助变量特征图像z(1)；exp操作表示以e为底的指数函数，返回e的n次方，e是自然常数；

将第一辅助变量特征图像z(1)输入到 块，得到第三隐写特征图像C’(3)；

将加噪隐写图像的特征图C’(0)与第三隐写特征图像C’(3)相减，得到第四隐写特征图像C’(4)；

将第一辅助变量特征图像z(1)与第四隐写特征图像C’(4)作为第一解码块的输出，并输入到第二解码块中；

在第二解码块中，将第一辅助变量特征图像z(1)作为辅助变量z1(0)，第四隐写特征图像C’(4)作为隐写图像C1’(0)；

将隐写图像C1’(0)分别输入到SERDB(η)块和SERDB(ρ)块，分别得到第一隐写特征图像C1’(1)和第二隐写特征图像C1’(2)；

将辅助变量z1(0)与第一隐写特征图像C1’(1)相减并除以经过exp操作后的第二隐写特征图像C1’(2)，得到第一辅助变量特征图像z1(1)；

将第一辅助变量特征图像z1(1)输入到 块，得到第三隐写特征图像C1’(3)；

将隐写图像C1’(0)与第三隐写特征图像C1’(3)相减，得到第四隐写特征图像C1’(4)；

将第一辅助变量特征图像z1(1)与第四隐写特征图像C1’(4)作为第二解码块的输出，并输入到第三解码块中；

重复上述操作，直到输入第m个解码块结束，得到第一辅助变量特征图像zm‑1(1)与第四隐写特征图像Cm‑1’(4)，将第四隐写特征图像Cm‑1’(4)作为恢复后的秘密图像的特征图，将第一辅助变量特征图像zm‑1(1)作为恢复后的载体图像的特征图；

所述解码网络R包括m个依次相连的解码块，每个解码块包括： 块、SERDB(ρ)块和SERDB(η)块；

所述 块、SERDB(ρ)块和SERDB(η)块的结构相同，具体包括：第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块，所述第一残差子模块的输入端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端、连接层的输入端以及求和层的一个输入端相连接，所述第一残差子模块的输出端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第二残差子模块的输出端分别与第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第三残差子模块的输出端分别与第四残差子模块的输入端以及连接层的输入端相连接，所述第四残差子模块的输出端与连接层的输入端相连接，所述连接层输出端与卷积层输入端相连接，卷积层输出端与求和层的另一个输入端相连接；

所述第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构相同，具体包括依次连接的卷积层，注意力机制层以及激活层；

损失函数Lcon，计算公式为：

低频小波损失函数Lfreq，计算公式为：

其中，l2‑norm表示二范数运算，Icover为载体图像的特征图，Istego为编码网络E输出的隐写图像的特征图，(Icover)LL为载体图像的特征图的低频小波子带，(Istego)LL为隐写图像的特征图的低频小波子带；

损失函数Ldis，计算公式为：

Ldis＝log(1‑D(I′stego)+log(D(I′cover)))其中，I′cover为归一化后的载体图像，I′stego为隐写图像；D(·)为判别网络D的输出；

损失函数Lrev，计算公式如下：

其中，l2‑norm表示二范数运算，Isecret为秘密图像的特征图，Irecover为恢复后的秘密图像的特征图。

2.根据权利要求1所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：还包括：将隐写图像和辅助变量z输入到训练完成的解码网络R中，提取出恢复后秘密图像。

3.根据权利要求1或2所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：所述判别网络D，具体包括：依次连接的第一卷积层、第一归一化层、第一激活层、第一辨别模块、第二辨别模块、第三辨别模块，平均池化层以及全连接层；

所述第一辨别模块、第二辨别模块以及第三辨别模块结构相同，具体包括：依次连接的第二卷积层、第二归一化层、第二激活层、第三卷积层、第三归一化层以及第三激活层。