1.基于U‑Net的生成概率模型的图像隐写方法，其特征在于，方法包括以下步骤：接收封面图像，将封面图像输入至预先建立的双分支U‑Net模型的生成器中，输出得到嵌入位置概率；

所述预先建立的双分支U‑Net模型的生成器包括编码器、解码器及输出层；

其中包含：一个卷积块、一个反卷积块以及一个整体神经网络；

所述卷积块sub_conv 包括基本的卷积层与批归一化，以及使用LeakyReLU激活函数的卷积层，所述反卷积块sub_deconv 包括基本的卷积层与批归一化，以及使用ReLU激活函数的反卷积层，所述整体神经网络采用U‑Net模型；

所述编码器由两个结构相同但参数不相同的分支组成，每个块中有两个卷积层，然后应用批量归一化层跟LeakyReLU层，卷积层中第一层和第二层的步幅分别为1和2，由这两个分支产生嵌入概率图，分别表示为 和  ，分别表示像素值 由于消息嵌入而增加 +1或‑1的概率；

将嵌入位置概率转化成失真代价，将失真代价进行动态更新后嵌入生成含秘图像；

所述将嵌入位置概率转化成失真代价的计算公式如下：

公式（1）中 和 分别代表像素点的正向嵌入概率和负向嵌入概率， 和分别代表像素点的正向嵌入失真代价和负向嵌入失真代价；

所述将失真代价进行动态更新后嵌入生成含秘图像的过程：

将失真代价进行动态更新：

聚合了某个像素的八个相邻像素 ，其中分为水平和竖直的四个像素 以及主对角线和副对角线的四个像素 ，对失真代价成本进行动态更新，公式如下：其中 和 分别代表像素处的正向修改失真代价和负向修改失真代价， 和分别代表像素点处修正之后的正向修改失真代价和负向修改失真代价；

正向失真代价和负向失真代价；模拟STC从正向失真代价和负向失真代价得到含秘图像，通过生成一个随机噪声  ，其中  ，接着通过模拟嵌入生成含秘图像；

将封面图像和含秘图像输入至双分支U‑Net模型的判别器中进行隐写分析，输出得到判别结果，其中，所述判别结果为分类图像的准确率。

2.根据权利要求1所述的基于U‑Net的生成概率模型的图像隐写方法，其特征在于，所述将封面图像输入至预先建立的双分支U‑Net模型的生成器中，输出得到嵌入位置概率的过程包括以下步骤：将封面图像除以255.0，进行归一化处理，再进行下采样，在下采样过程中封面图像通过第一层sub_conv，进行初步的特征提取，接着封面图像依次经过layer2至layer8，逐步减少封面图像的空间维度，每一层都提取到不同层级的特征，在封面图像通过layer8后，获得封面图像的高层次特征；

再对封面图像进行上采样，上采样过程中，封面图像首先通过layer9的sub_deconv开始上采样过程，在上采样的每一步中使用dropout减少过拟合，在每一层的上采样中，通过跳跃连接下采样过程中对应的特征与当前层的特征进行融合；

最后封面图像在输出层中，通过layer16得到正向路径的输出，使用torch.sigmoid将值归一化到0‑1之间，再通过torch.relu确保所有输出值为非负，同时在负向路径中封面图像通过一系列layer9m至layer16m的负向路径，最终输出嵌入位置概率。

3.根据权利要求1所述的基于U‑Net的生成概率模型的图像隐写方法，其特征在于，所述预先建立的双分支U‑Net模型在训练的过程中，根据封面图像、封面图像梯度、封面图像高通残差、含秘图像以及判别器的判别结果设计混合损失函数，以总损失函数最小为目标优化双分支U‑Net模型，当损失下降并保持稳定时认为训练结束。

4.根据权利要求3所述的基于U‑Net的生成概率模型的图像隐写方法，其特征在于，所述设计混合损失函数的过程：采用了两个损耗函数：生成器损失 和判别器损失 ；

其中，判别器损失：在每次迭代期间计算每个隐写器的交叉熵，然后更新其中交叉熵最高的隐写器，判别器的损失函数 定义如公式（4）所示：其中  和  分别表示第i个隐写分析网络为封面图像和含秘图像生成的分类结果向量 ，  ， 和  的真值标签分别为  和  ，分类的交叉熵由 表示，代表分类的质量，其中交交叉熵值越高，表示隐写

分析器在迭代中的判别性能弱；

生成器损失：生成器损失 定义如公式（5）所示：

其中， 表示确保嵌入有效载荷的嵌入损失， 表示对判别器中最强隐写分析器的对抗性损失；

第一个分量  的组成如公式（6）所示：

其中 和 分别表示输入的封面图像 的高度和宽度， ，  ，m表示嵌入修改值，  表示嵌入有效负载；

第二个分量  的组成如公式（7）所示：

其中  是指位于像素位置  的修改值，  是指标函数。

5.基于U‑Net的生成概率模型的图像隐写系统，其特征在于，包括：概率生成模块，用于接收封面图像，将封面图像输入至预先建立的双分支U‑Net模型的生成器中，输出得到嵌入位置概率；

概率生成模块内预先建立的双分支U‑Net模型的生成器包括编码器、解码器及输出层；

其中包含：一个卷积块、一个反卷积块以及一个整体神经网络；

或者概率生成模块内卷积块sub_conv 包括基本的卷积层与批归一化，以及使用LeakyReLU激活函数的卷积层，所述反卷积块sub_deconv 包括基本的卷积层与批归一化，以及使用ReLU激活函数的反卷积层，所述整体神经网络采用U‑Net模型；

所述编码器由两个结构相同但参数不相同的分支组成，每个块中有两个卷积层，然后应用批量归一化层跟LeakyReLU层，卷积层中第一层和第二层的步幅分别为1和2，由这两个分支产生嵌入概率图，分别表示为  和  ，分别表示像素值  由于消息嵌入而增加 +1或‑1的概率；

转化更新模块，用于将嵌入位置概率转化成失真代价，将失真代价进行动态更新后嵌入生成含秘图像；

转化更新模块内将嵌入位置概率转化成失真代价的计算公式如下：公式（1）中 和 分别代表像素点的正向嵌入概率和负向嵌入概率， 和分别代表像素点的正向嵌入失真代价和负向嵌入失真代价；

转化更新模块内将失真代价进行动态更新后嵌入生成含秘图像的过程：将失真代价进行动态更新：

聚合了某个像素的八个相邻像素 ，其中分为水平和竖直的四个像素 以及主对角线和副对角线的四个像素 ，对失真代价成本进行动态更新，公式如下：其中 和 分别代表像素处的正向修改失真代价和负向修改失真代价， 和分别代表像素点处修正之后的正向修改失真代价和负向修改失真代价；

正向失真代价和负向失真代价；模拟STC从正向失真代价和负向失真代价得到含秘图像，通过生成一个随机噪声 ，其中  ，通过模拟嵌入生成含秘图像；

隐写分析模块，用于将封面图像和含秘图像输入至双分支U‑Net模型的判别器中进行隐写分析，输出得到判别结果，其中，所述判别结果为分类图像的准确率。

6.根据权利要求5所述的基于U‑Net的生成概率模型的图像隐写系统，其特征在于，所述概率生成模块内将封面图像输入至预先建立的双分支U‑Net模型的生成器中，输出得到嵌入位置概率的过程包括以下步骤：将封面图像除以255.0，进行归一化处理，再进行下采样，在下采样过程中封面图像通过第一层sub_conv，进行初步的特征提取，接着封面图像依次经过layer2至layer8，逐步减少封面图像的空间维度，每一层都提取到不同层级的特征，在封面图像通过layer8后，获得封面图像的高层次特征；

再对封面图像进行上采样，上采样过程中，封面图像首先通过layer9的sub_deconv开始上采样过程，在上采样的每一步中使用dropout减少过拟合，在每一层的上采样中，通过跳跃连接下采样过程中对应的特征与当前层的特征进行融合；

最后封面图像在输出层中，通过layer16得到正向路径的输出，使用torch.sigmoid将值归一化到0‑1之间，再通过torch.relu确保所有输出值为非负，同时在负向路径中封面图像通过一系列layer9m至layer16m的负向路径，最终输出嵌入位置概率；

预先建立的双分支U‑Net模型在训练的过程中，根据封面图像、封面图像梯度、封面图像高通残差、含秘图像以及判别器的判别结果设计混合损失函数，以总损失函数最小为目标优化双分支U‑Net模型，当损失下降并保持稳定时认为训练结束；

其中，设计混合损失函数的过程：

采用了两个损耗函数：生成器损失  和判别器损失  ；

其中，判别器损失：在每次迭代期间计算每个隐写器的交叉熵，然后更新其中交叉熵最高的隐写器，判别器的损失函数  定义如公式（4）所示：其中  和  分别表示第i个隐写分析网络为封面图像和含秘图像生成的分类结果向量 ，  ， 和  的真值标签分别为  和  ，分类的交叉熵由 表示，代表分类的质量，其中交叉熵值越高，表示隐写分

析器在迭代中的判别性能弱；生成器损失：生成器损失  定义如公式（5）所示：其中， 表示确保嵌入有效载荷的嵌入损失， 表示对判别器中最强隐写分析器的对抗性损失；

第一个分量 的组成如公式（6）所示：

其中  和  分别表示输入的封面图像  的高度和宽度， ， ，m表示嵌入修改值，  表示嵌入有效负载；

第二个分量 的组成如公式（7）所示：

其中  是指位于像素位置  的修改值，  是指标函数。