1.一种基于纹理扰动最小化的空域图像隐写方法，其特征在于，方法包括以下步骤：接收灰度载体图像和秘密信息，将灰度载体图像和秘密信息输入至预先建立的嵌入概率生成网络模型内，输出得到嵌入改动概率图，将嵌入改动概率图输入至嵌入模拟器内，得到嵌入改动图，随后输出得到模拟含密图像；

将灰度载体图像和模拟含密图像输入至预先建立的判别器网络模型内，输出得到图像判别结果，根据判别结果计算自适应二元交叉熵损失函数和像素级的梯度反馈信息；

将嵌入改动图输入至预先构建的邻近嵌入像素增强模块内，输出得到协作值矩阵，结合像素级的梯度反馈信息、协作值矩阵以及嵌入改动概率图得到协作对抗损失函数，根据嵌入改动概率图结合预先设定好的嵌密率得到熵约束损失函数；

根据灰度载体图像和模拟含密图像的纹理特征得到图像级纹理一致性损失函数以及像素级纹理一致性损失函数，将图像级纹理一致性损失函数以及像素级纹理一致性损失函数结合协作值矩阵以及嵌入改动概率图得到纹理一致性损失函数；

根据协作对抗损失函数，纹理一致性损失函数和熵约束损失函数得到生成器组的总损失函数，将自适应二元交叉熵损失函数作为判别器组的损失函数，对生成器组的总损失函数和判别器组的损失函数进行交替更新，以最小化生成器组的总损失函数和判别器组的损失函数为优化目标，输出得到图像隐写的嵌入概率图。

2.根据权利要求1所述的一种基于纹理扰动最小化的空域图像隐写方法，其特征在于，所述预先建立的嵌入概率生成网络模型包括：多个卷积操作组和多个反卷积操作组，所述多个卷积操作组包括：第一卷积操作组，第二卷积操作组，第三卷积操作组，第四卷积操作组，第五卷积操作组，第六卷积操作组，第七卷积操作组，第八卷积操作组，第九卷积操作组，多个反卷积操作组包括第一反卷积操作组，第二反卷积操作组，第三反卷积操作组，第四反卷积操作组，第五反卷积操作组，第六反卷积操作组，第七反卷积操作组，第八反卷积操作组；

所述第一卷积操作组的输出和第一反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第二卷积操作组的输出和第二反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第三卷积操作组的输出和第三反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第四卷积操作组的输出和第四反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第五卷积操作组的输出和第五反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第六卷积操作组的输出和第六反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第七卷积操作组的输出和第七反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

其中，多个卷积操作组均包括依次设置的卷积层、激活层、批标准化层、卷积层、激活层、批标准化层；多个反卷积操作组均包括依次设置的反卷积层、激活层、批标准化层、反卷积层、激活层、批标准化层；

嵌入概率生成网络模型的输出为嵌入改动概率图。

3.根据权利要求1所述的一种基于纹理扰动最小化的空域图像隐写方法，其特征在于，所述预先建立的判别器网络模型为基于SiaStegNet和SRNet组成的隐写分析网络模型组合，邻近嵌入像素增强模块包括权重单元。

4.根据权利要求3所述的一种基于纹理扰动最小化的空域图像隐写方法，其特征在于，所述权重单元W表示为：其中wi,j为权重单元在索引(i,j)索引处的值；

协作值矩阵生成过程表示为：

其中，ci,j为协作值矩阵在(i,j)索引处的值，mi,j为嵌入扰动图在索引(i,j)处的值，u为权重单元横向控制参数，v为权重单元纵向控制参数。

5.根据权利要求1所述的一种基于纹理扰动最小化的空域图像隐写方法，其特征在于，所述纹理一致性损失函数如下：其中， 分别为正向嵌入概率生成器、负向嵌入概率生成器所对应的纹理一致性损失函数， 分别为正向嵌入概率生成器、负向嵌入概率生成器所对应的像素级纹理一致性损失函数，为图像级纹理一致性损失函数，α为权重参数。

6.根据权利要求1所述的一种基于纹理扰动最小化的空域图像隐写方法，其特征在于，所述像素级纹理一致性损失函数表示为：Tx和Ty分别表示载体图像X和含密图像Y由30个高通滤波核提取的高频特征，|Tx‑Ty|表示像素级的纹理差异，HPFk表示30个高通滤波核中的第k个滤波核，I(·)是一个指示函数，指出·中大于0的部分，ci,j， 分别表示协作值矩阵，正向嵌入概率，负向嵌入概率在(i,j)索引的值，gi,j表示隐写分析器组经计算得到的梯度，计算过程为：其中，Lw代表目前判别能力最强的隐写分析器对应的二元交叉熵损失，输入为X和Y，分别代表载体图像和含密图像，Di(·)表示第i个判别器对输入(·)的判别结果，z0和z1分别代表封面图像和模拟含密图像的真实值，则表示求微分操作。

7.根据权利要求1所述的一种基于纹理扰动最小化的空域图像隐写方法，其特征在于，所述图像级纹理一致性损失函数表示为：其中，EX，EY分别表示载体图像和含密图像的图像级纹理特征，ei,j,k表示该特征在索引(i,j,k)处的值，||·||1表示对·求L1‑范数， 表示载体图像X的纹理特征Tx在索引(k,i,l)处的值， 表示含密图像Y的纹理特征TY在索引(k,i,l)处的值，k代表的是通道的索引；

像素级纹理一致性损失函数的输入为载体图像X和含密图像Y，输出为像素级纹理一致性损失函数。

8.根据权利要求1所述的一种基于纹理扰动最小化的空域图像隐写方法，其特征在于，所述自适应二元交叉熵损失函数ld如下：其中，输入为X和Y，分别代表载体图像和含密图像，Di(·)表示第i个判别器对输入(·)的判别结果，z0和z1分别代表封面图像和模拟含密图像的真实值；

所述协作对抗损失函数如下：

其中，I(·)是一个指示函数，指出·中大于0的部分，ci,j， 分别表示协作值矩阵，正向嵌入概率，负向嵌入概率在(i,j)索引的值，gi,j表示隐写分析器组经计算得到的梯度，H和W分别代表图像的高和长；

生成器组的损失函数如下：

其中，β，χ，δ为控制各部分权重的参数， 分别代表正向、负向嵌入概率生成器的总损失函数， 分别代表正向、负向嵌入概率生成器所对应的纹理一致性损失函数，le代表预先设定好的熵约束损失函数，计算如下：其中m∈{‑1,0,1}表示修改方向，R表示嵌密率。

9.一种基于纹理扰动最小化的空域图像隐写系统，其特征在于，包括：

模拟含密模块，用于接收灰度载体图像和秘密信息，将灰度载体图像和秘密信息输入至预先建立的嵌入概率生成网络模型内，输出得到嵌入改动概率图，将嵌入改动概率图输入至嵌入模拟器内，得到嵌入改动图，随后输出得到模拟含密图像；

图像判别模块，用于将灰度载体图像和模拟含密图像输入至预先建立的判别器网络模型内，输出得到图像判别结果，根据判别结果计算自适应二元交叉熵损失函数和像素级的梯度反馈信息；

协作对抗模块，用于将嵌入改动图输入至预先构建的邻近嵌入像素增强模块内，输出得到协作值矩阵，结合像素级的梯度反馈信息、协作值矩阵以及嵌入改动概率图得到协作对抗损失函数，根据嵌入改动概率图结合预先设定好的嵌密率得到熵约束损失函数；

纹理损失模块，用于根据灰度载体图像和模拟含密图像的纹理特征得到图像级纹理一致性损失函数以及像素级纹理一致性损失函数，将图像级纹理一致性损失函数以及像素级纹理一致性损失函数结合协作值矩阵以及嵌入改动概率图得到纹理一致性损失函数；

图像隐写模块，用于根据协作对抗损失函数，纹理一致性损失函数和熵约束损失函数得到生成器组的总损失函数，将自适应二元交叉熵损失函数作为判别器组的损失函数，对生成器组的总损失函数和判别器组的损失函数进行交替更新，以最小化生成器组的总损失函数和判别器组的损失函数为优化目标，输出得到图像隐写的嵌入概率图。

10.根据权利要求9所述的一种基于纹理扰动最小化的空域图像隐写系统，其特征在于，所述模拟含密模块的预先建立的嵌入概率生成网络模型包括：多个卷积操作组和多个反卷积操作组，所述多个卷积操作组包括：第一卷积操作组，第二卷积操作组，第三卷积操作组，第四卷积操作组，第五卷积操作组，第六卷积操作组，第七卷积操作组，第八卷积操作组，第九卷积操作组，多个反卷积操作组包括第一反卷积操作组，第二反卷积操作组，第三反卷积操作组，第四反卷积操作组，第五反卷积操作组，第六反卷积操作组，第七反卷积操作组，第八反卷积操作组；

所述第一卷积操作组的输出和第一反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第二卷积操作组的输出和第二反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第三卷积操作组的输出和第三反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第四卷积操作组的输出和第四反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第五卷积操作组的输出和第五反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第六卷积操作组的输出和第六反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

所述第七卷积操作组的输出和第七反卷积操作组的输出在通道上拼接后输入到反卷积第一操作组中，形成跳跃结构；

其中，多个卷积操作组均包括依次设置的卷积层、激活层、批标准化层、卷积层、激活层、批标准化层；多个反卷积操作组均包括依次设置的反卷积层、激活层、批标准化层、反卷积层、激活层、批标准化层；

嵌入概率生成网络模型的输出为嵌入改动概率图；

图像判别模块预先建立的判别器网络模型为基于SiaStegNet和SRNet组成的隐写分析网络模型组合，邻近嵌入像素增强模块包括权重单元；

其中，图像判别模块权重单元W表示为：

其中wi,j为权重单元在索引(i,j)索引处的值；

协作值矩阵生成过程表示为：

其中，ci,j为协作值矩阵在(i,j)索引处的值，mi,j为嵌入扰动图在索引(i,j)处的值，u为权重单元横向控制参数，v为权重单元纵向控制参数；

纹理损失模块纹理一致性损失函数如下：

其中， 分别为正向嵌入概率生成器、负向嵌入概率生成器所对应的纹理一致性损失函数， 分别为正向嵌入概率生成器、负向嵌入概率生成器所对应的像素级纹理一致性损失函数，为图像级纹理一致性损失函数，α为权重参数；

像素级纹理一致性损失函数表示为：

Tx和Ty分别表示载体图像X和含密图像Y由30个高通滤波核提取的高频特征，|Tx‑Ty|表示像素级的纹理差异，HPFk表示30个高通滤波核中的第k个滤波核，I(·)是一个指示函数，指出·中大于0的部分，ci,j， 分别表示协作值矩阵，正向嵌入概率，负向嵌入概率在(i,j)索引的值，gi,j表示隐写分析器组经计算得到的梯度，计算过程为：其中，Lw代表目前判别能力最强的隐写分析器对应的二元交叉熵损失，输入为X和Y，分别代表载体图像和含密图像，Di(·)表示第i个判别器对输入(·)的判别结果，z0和z1分别代表封面图像和模拟含密图像的真实值，则表示求微分操作；

图像级纹理一致性损失函数表示为：

其中，EX，EY分别表示载体图像和含密图像的图像级纹理特征，ei,j,k表示该特征在索引(i,j,k)处的值，||·||1表示对·求L1‑范数， 表示载体图像X的纹理特征Tx在索引(k,i,l)处的值， 表示含密图像Y的纹理特征TY在索引(k,i,l)处的值，k代表的是通道的索引；

像素级纹理一致性损失函数的输入为载体图像X和含密图像Y，输出为像素级纹理一致性损失函数；

图像隐写模块自适应二元交叉熵损失函数ld如下：

其中，输入为X和Y，分别代表载体图像和含密图像，Di(·)表示第i个判别器对输入(·)的判别结果，z0和z1分别代表封面图像和模拟含密图像的真实值；

所述协作对抗损失函数如下：

其中，I(·)是一个指示函数，指出·中大于0的部分，ci,j， 分别表示协作值矩阵，正向嵌入概率，负向嵌入概率在(i,j)索引的值，gi,j表示隐写分析器组经计算得到的梯度，H和W分别代表图像的高和长；

生成器组的损失函数如下：

其中，β，χ，δ为控制各部分权重的参数， 分别代表正向、负向嵌入概率生成器的总损失函数， 分别代表正向、负向嵌入概率生成器所对应的纹理一致性损失函数，le代表预先设定好的熵约束损失函数，计算如下：其中m∈{‑1,0,1}表示修改方向，R表示嵌密率。