1.基于DCT特征提取的JPEG图像隐写方法，其特征在于，方法包括以下步骤：接收JPEG载体图像，将JPEG载体图像输入至预先建立的策略网络模型内，得到策略矩阵；

所述预先建立的策略网络模型包括：像素级纹理复杂度评估模块、DCT特征提取模块和模式重排模块，将JPEG载体图像输入像素级纹理复杂度评估模块后，输出得到像素级纹理复杂度矩阵，将像素级纹理复杂度矩阵输入至DCT特征提取模后，输出得到DCT特征矩阵，将DCT特征矩阵输入至模式重排模块后，输出得到策略矩阵；

所述预先建立的策略网络模型的损失函数为图片嵌入容量以及像素级奖励损失的加权和设计结果；

所述预先建立的环境网络模型基于梯度导向，预先建立的环境网络模型的损失函数为Softmax输出的载体与载密图像以及输出的载体与载密图像的真正标签设计；

像素级纹理复杂度评估模块包括：反DCT基滤波器、纹理复杂度第一卷积操作组、纹理复杂度第二卷积操作组、纹理复杂度第三卷积操作组、纹理复杂度第四卷积操作组、纹理复杂度第五卷积操作组、纹理复杂度第六卷积操作组、纹理复杂度第七卷积操作组、纹理复杂度第八卷积操作组、纹理复杂度第一反卷积操作组、纹理复杂度第二反卷积操作组、纹理复杂度第三反卷积操作组、纹理复杂度第四反卷积操作组、纹理复杂度第五反卷积操作组、纹理复杂度第六反卷积操作组、纹理复杂度第七反卷积操作组、纹理复杂度第八反卷积操作组，通过通道拼接操作进行；

所述纹理复杂度第一卷积操作组和纹理复杂度第七反卷积操作组的输出进行通道拼接后输入到纹理复杂度第八反卷积操作组；

所述纹理复杂度第二卷积操作组和纹理复杂度第六反卷积操作组的输出进行通道拼接后输入到纹理复杂度第七反卷积操作组；

所述纹理复杂度第三卷积操作组和纹理复杂度第五反卷积操作组的输出进行通道拼接后输入到纹理复杂度第六反卷积操作组；

所述纹理复杂度第四卷积操作组和纹理复杂度第四反卷积操作组的输出进行通道拼接后输入到纹理复杂度第五反卷积操作组；

所述纹理复杂度第五卷积操作组和纹理复杂度第三反卷积操作组的输出进行通道拼接后输入到纹理复杂度第四反卷积操作组；

所述纹理复杂度第六卷积操作组和纹理复杂度第二反卷积操作组的输出进行通道拼接后输入到纹理复杂度第三反卷积操作组；

所述纹理复杂度第七卷积操作组和纹理复杂度第一反卷积操作组的输出进行通道拼接后输入到纹理复杂度第二反卷积操作组；

反DCT基滤波器表示为：

其中，一个二维的DCT变换系数矩阵F，元素表示为 ，其中 和 分别代表频域中的水平和垂直坐标， 是图像块的大小，为8*8，和 分别表示图像中的水平和垂直坐标，和 是标准的DCT缩放系数，当 为0时， ，否则， 为IDCT基滤波器的输出；

所述纹理复杂度第一卷积操作组的操作表示为：

为批标准化操作， 为ReLU激活函数， 为 卷积变换函数， 为纹理复杂度第一卷积操作组的输出；

纹理复杂度第八卷积操作组的输出为 ，将 输入到纹理复杂度第一反卷积操作组，纹理复杂度第一反卷积操作组的操作表示为：为5*5的反卷积变换函数， 为LeakyReLU激活函数， 为批标准化操作，为纹理复杂度第一反卷积操作组的输出；

DCT特征提取模块表示为：特征提取第一卷积操作组、自注意力机制模块、特征提取第二卷积操作组、特征提取第三卷积操作组；

其中，特征提取第一卷积操作组包括依次设置的卷积层、批标准化层、激活层；

特征提取第二卷积操作组包括依次设置的卷积层、批标准化层、激活层；特征提取第三卷积操作组包括依次设置的卷积层和激活层；

特征提取第一卷积操作组的操作表示为：

为 卷积变换函数， 为LeakyReLU激活函数， 为批标准化操作， 为像素级纹理复杂度评估模块的输出， 为特征提取第一卷积操作组的输出；

自注意力机制模块表示为：

其中， 、 、 分别表示查询向量、键向量和值向量， 为键向量的维度；

其中，给定输入序列 为像素级纹理复杂度评估模块的输出 ， ，， 是学习的权重矩阵，自注意力权重 计算为：

最终的自注意力输出 由注意力权重 和值的加权和 计算而得：特征提取第二卷积操作组表示为：

其中， 为 卷积变换函数， 为LeakyReLU激活函数， 为批标准化操作，为自注意力模块的输出， 为特征提取第二卷积操作组的输出；

特征提取第三卷积操作组表示为：

其中， 为 卷积变换函数， 为Sigmod/2激活函数， 为特征提取第三卷积操作组的输出；

模式重排模块如下：

为特征提取第三卷积操作组的输出， 对应于第 个DCT块和第个DCT模式的DCT系数特征， 为像素级纹理复杂度矩阵的高和宽，为模式重排模块输出的临时矩阵， 为临时矩阵 中的元素， 为DCT块的坐标，为第 个DCT块的第 个位置， 为策略网络最终输出的策略矩阵， 为修改概率动作， 为策略矩阵 中的元素；

根据策略矩阵，以逐系数的方式对修改动作进行采样，通过迭代生成模拟隐写图像，其中，所述修改动作通过预先建立的环境网络模型评估贡献并返回奖励矩阵；

预先建立的环境网络模型包括反DCT基滤波器、预处理层、卷积操作组1、卷积操作组2、卷积操作组3、卷积操作组4、卷积操作组5；

所述反DCT基滤波器的输出输入到预处理层；

所述预处理层的输出输入到卷积操作组1；

所述卷积操作组1的输出输入到卷积操作组2；

所述卷积操作组2的输出输入到卷积操作组3；

所述卷积操作组3的输出输入到卷积操作组4；

所述卷积操作组4的输出输入到卷积操作组5；

所述卷积操作组5的输出依次输入全连接层与激活层，输出奖励矩阵；

其中，预处理层包括依次设置的DCT基滤波器、激活层；卷积操作组1包括依次设置的卷积层、批标准化层、激活层、池化层；

奖励矩阵表示为：

其中， 为环境网络输出的系数型奖励值， 为环境网络输出的系数型奖励值 中的元素，和 代表DCT块的坐标， 为第 个DCT块的第 个位置， 为像素级纹理复杂度矩阵的高和宽， 为修改概率动作， 是环境网络交叉熵损失 相对于修改动作 的梯度， 是修改动作 组成的矩阵，是一个常数， 是符号函数；

总损失函数 为：

其中， 为预先建立的环境网络模型的奖励损失， 为图像嵌入容量损失， 和 为用于控制环境网络模型的奖励损失以及图像嵌入容量损失的权值；

将策略矩阵输入至预先建立的环境网络模型内进行训练，输出得到训练后的策略矩阵，将训练后的策略矩阵转换为嵌入代价，模拟隐写图像根据嵌入代价生成得到最终的隐写图像；

预先建立的环境网络模型的奖励损失 的计算公式为：

其中， 为环境网络输出的系数型奖励值 中的元素， 和 代表DCT块的坐标，为第 个DCT块的第 个位置， 是环境网络交叉熵损失 相对于修改动作 的梯度，是一个常数， 是符号函数， 为像素级纹理复杂度矩阵的高和宽， 为修改概率动作， 为策略网络最终输出的策略矩阵， 为策略矩阵 中的元素， 是修改动作 组成的矩阵，其中， 为JPEG载体图像， 和 分别是环境网络的Softmax输出的载体图像 和模拟载密图像 的标签， 和 分别是对应的真实标签；

图像嵌入容量损失 的计算公式为：

其中， 为策略网络最终输出的策略矩阵， 为策略矩阵 中的元素， 是修改动作 组成的矩阵，其中， 为JPEG载体图像， 为第 个DCT块的第 个位置， 是目标容量。

2.基于DCT特征提取的JPEG图像隐写系统，其特征在于，包括：生成单元，用于接收JPEG载体图像，将JPEG载体图像输入至预先建立的策略网络模型内，得到策略矩阵；

预先建立的策略网络模型包括：像素级纹理复杂度评估模块、DCT特征提取模块和模式重排模块，将JPEG载体图像输入像素级纹理复杂度评估模块后，输出得到像素级纹理复杂度矩阵，将像素级纹理复杂度矩阵输入至DCT特征提取模后，输出得到DCT特征矩阵，将DCT特征矩阵输入至模式重排模块后，输出得到策略矩阵；

所述预先建立的策略网络模型的损失函数为图片嵌入容量以及像素级奖励损失的加权和设计结果；

所述预先建立的环境网络模型基于梯度导向，预先建立的环境网络模型的损失函数为Softmax输出的载体与载密图像以及输出的载体与载密图像的真正标签设计；

像素级纹理复杂度评估模块包括：反DCT基滤波器、纹理复杂度第一卷积操作组、纹理复杂度第二卷积操作组、纹理复杂度第三卷积操作组、纹理复杂度第四卷积操作组、纹理复杂度第五卷积操作组、纹理复杂度第六卷积操作组、纹理复杂度第七卷积操作组、纹理复杂度第八卷积操作组、纹理复杂度第一反卷积操作组、纹理复杂度第二反卷积操作组、纹理复杂度第三反卷积操作组、纹理复杂度第四反卷积操作组、纹理复杂度第五反卷积操作组、纹理复杂度第六反卷积操作组、纹理复杂度第七反卷积操作组、纹理复杂度第八反卷积操作组，通过通道拼接操作进行；

所述纹理复杂度第一卷积操作组和纹理复杂度第七反卷积操作组的输出进行通道拼接后输入到纹理复杂度第八反卷积操作组；

所述纹理复杂度第二卷积操作组和纹理复杂度第六反卷积操作组的输出进行通道拼接后输入到纹理复杂度第七反卷积操作组；

所述纹理复杂度第三卷积操作组和纹理复杂度第五反卷积操作组的输出进行通道拼接后输入到纹理复杂度第六反卷积操作组；

所述纹理复杂度第四卷积操作组和纹理复杂度第四反卷积操作组的输出进行通道拼接后输入到纹理复杂度第五反卷积操作组；

所述纹理复杂度第五卷积操作组和纹理复杂度第三反卷积操作组的输出进行通道拼接后输入到纹理复杂度第四反卷积操作组；

所述纹理复杂度第六卷积操作组和纹理复杂度第二反卷积操作组的输出进行通道拼接后输入到纹理复杂度第三反卷积操作组；

所述纹理复杂度第七卷积操作组和纹理复杂度第一反卷积操作组的输出进行通道拼接后输入到纹理复杂度第二反卷积操作组；

反DCT基滤波器表示为：

其中，一个二维的DCT变换系数矩阵F，元素表示为 ，其中 和 分别代表频域中的水平和垂直坐标， 是图像块的大小，为8*8，和 分别表示图像中的水平和垂直坐标，和 是标准的DCT缩放系数，当 为0时， ，否则， 为IDCT基滤波器的输出；

所述纹理复杂度第一卷积操作组的操作表示为：

为批标准化操作， 为ReLU激活函数， 为 卷积变换函数， 为纹理复杂度第一卷积操作组的输出；

纹理复杂度第八卷积操作组的输出为 ，将 输入到纹理复杂度第一反卷积操作组，纹理复杂度第一反卷积操作组的操作表示为：为5*5的反卷积变换函数， 为LeakyReLU激活函数， 为批标准化操作，为纹理复杂度第一反卷积操作组的输出；

DCT特征提取模块表示为：特征提取第一卷积操作组、自注意力机制模块、特征提取第二卷积操作组、特征提取第三卷积操作组；

其中，特征提取第一卷积操作组包括依次设置的卷积层、批标准化层、激活层；

特征提取第二卷积操作组包括依次设置的卷积层、批标准化层、激活层；特征提取第三卷积操作组包括依次设置的卷积层和激活层；

特征提取第一卷积操作组的操作表示为：

为 卷积变换函数， 为LeakyReLU激活函数， 为批标准化操作， 为像素级纹理复杂度评估模块的输出， 为特征提取第一卷积操作组的输出；

自注意力机制模块表示为：

其中， 、 、 分别表示查询向量、键向量和值向量， 为键向量的维度；

其中，给定输入序列 为像素级纹理复杂度评估模块的输出 ， ，， 是学习的权重矩阵，自注意力权重 计算为：

最终的自注意力输出 由注意力权重 和值的加权和 计算而得：特征提取第二卷积操作组表示为：

其中， 为 卷积变换函数， 为LeakyReLU激活函数， 为批标准化操作，为自注意力模块的输出， 为特征提取第二卷积操作组的输出；

特征提取第三卷积操作组表示为：

其中， 为 卷积变换函数， 为Sigmod/2激活函数， 为特征提取第三卷积操作组的输出；

模式重排模块如下：

为特征提取第三卷积操作组的输出， 对应于第 个DCT块和第个DCT模式的DCT系数特征， 为像素级纹理复杂度矩阵的高和宽，为模式重排模块输出的临时矩阵， 为临时矩阵 中的元素， 为DCT块的坐标，为第 个DCT块的第 个位置， 为策略网络最终输出的策略矩阵， 为修改概率动作， 为策略矩阵 中的元素；

学习单元，用于根据策略矩阵，以逐系数的方式对修改动作进行采样，通过迭代生成模拟隐写图像，其中，所述修改动作通过预先建立的环境网络模型评估贡献并返回奖励矩阵；

预先建立的环境网络模型包括反DCT基滤波器、预处理层、卷积操作组1、卷积操作组2、卷积操作组3、卷积操作组4、卷积操作组5；

所述反DCT基滤波器的输出输入到预处理层；

所述预处理层的输出输入到卷积操作组1；

所述卷积操作组1的输出输入到卷积操作组2；

所述卷积操作组2的输出输入到卷积操作组3；

所述卷积操作组3的输出输入到卷积操作组4；

所述卷积操作组4的输出输入到卷积操作组5；

所述卷积操作组5的输出依次输入全连接层与激活层，输出奖励矩阵；

其中，预处理层包括依次设置的DCT基滤波器、激活层；卷积操作组1包括依次设置的卷积层、批标准化层、激活层、池化层；

奖励矩阵表示为：

其中， 为环境网络输出的系数型奖励值， 为环境网络输出的系数型奖励值 中的元素，和 代表DCT块的坐标， 为第 个DCT块的第 个位置， 为像素级纹理复杂度矩阵的高和宽， 为修改概率动作， 是环境网络交叉熵损失 相对于修改动作 的梯度， 是修改动作 组成的矩阵，是一个常数， 是符号函数；

总损失函数 为：

其中， 为预先建立的环境网络模型的奖励损失， 为图像嵌入容量损失， 和 为用于控制环境网络模型的奖励损失以及图像嵌入容量损失的权值；

训练隐写单元，用于将策略矩阵输入至预先建立的环境网络模型内进行训练，输出得到训练后的策略矩阵，将训练后的策略矩阵转换为嵌入代价，模拟隐写图像根据嵌入代价生成得到最终的隐写图像；

预先建立的环境网络模型的奖励损失 的计算公式为：

其中， 为环境网络输出的系数型奖励值 中的元素， 和 代表DCT块的坐标，为第 个DCT块的第 个位置， 是环境网络交叉熵损失 相对于修改动作 的梯度，是一个常数， 是符号函数， 为像素级纹理复杂度矩阵的高和宽， 为修改概率动作， 为策略网络最终输出的策略矩阵， 为策略矩阵 中的元素， 是修改动作 组成的矩阵，其中， 为JPEG载体图像， 和 分别是环境网络的Softmax输出的载体图像 和模拟载密图像 的标签， 和 分别是对应的真实标签；

图像嵌入容量损失 的计算公式为：

其中， 为策略网络最终输出的策略矩阵， 为策略矩阵 中的元素， 是修改动作 组成的矩阵，其中， 为JPEG载体图像， 为第 个DCT块的第 个位置， 是目标容量。