1.一种基于双分支网络的高质量因子JPEG图像隐写分析方法，其特征在于，包括以下步骤：步骤1、对于待分析JPEG图像，先从频率域转换到空间域得到未进行舍入和截断的非舍入像素值块 ，然后将非舍入像素值块 进行舍入和截断操作，得到舍入误差和截断误差，再将舍入误差和截断误差归一化并相加转换为误差图像；具体方法为：步骤1.1、计算舍入和截断误差；首先将量化后的DCT系数乘量化表进行去量化操作，然后再通过反DCT变换得到解压后的非舍入像素值块 ，并将非舍入像素值块 四舍五入为整数并裁剪为有限动态范围[0, 255]；接着将四舍五入操作产生的误差视为舍入误差rerror，超出[0, 255]范围内的部分采用截断操作，截断操作产生的误差称为截断误差terror；

步骤1.2、将截断误差和舍入误差分别归一化；最后将归一化后的截断误差和舍入误差相加得到误差图像；

步骤2、构建并训练双分支网络，将步骤1中JPEG图像和误差图像输入训练好的双分支网络，所述双分支网络包括并行的Transformer网络模块和CNN网络模块，通过CNN网络模块提取JPEG图像的频域特征，通过Transformer网络模块提取误差图像的空域特征；

所述双分支网络的CNN网络模块的具体结构和参数设置如下：CNN网络模块包括输入层、七层堆叠层和输出层，每一层堆叠层都包括卷积层C、BN层B和非线性激活函数R，所有卷积层均采用3×3的卷积核；堆叠层的第三层堆叠层开始采用跳跃连接；所述非线性激活函数R采用ReLU函数；

所述双分支网络的Transformer网络模块先对误差图像进行线性投影，然后通过多头自注意力和多层感知机提取空域信息，各个模块之间采用残差连接；

步骤3、将频域特征和空域特征通过融合模块进行融合，所得融合特征进入分类器，通过Softmax层得到JPEG图像中像素的偏移量概率，根据偏移量概率来分析是否被隐写。

2.根据权利要求1所述的基于双分支网络的高质量因子JPEG图像隐写分析方法，其特征在于，所述步骤1中获得非舍入像素值块 的计算公式如下：                      （1）

其中，c为量化后的DCT系数，q为量化表；由于 且 的数据类型为浮点数，为获得最终的解压缩图像，对所得进行四舍五入为整数并裁剪为有限动态范围[0, 255]；

获得舍入误差和截断误差的计算公式如下：

                 （2）

            （3）

误差归一化的计算公式如下：

Error_norm=(max(error(yij)‑error(yij))/(max(error(yij))‑min(error(yij)))  （4）将归一化的舍入误差和截断误差相加为误差图像的公式如下：    （5）

其中， 为所得误差图像。

3.根据权利要求1所述的基于双分支网络的高质量因子JPEG图像隐写分析方法，其特征在于，所述步骤3融合模块对CNN网络模块提取的频域信息和Transformer网络模块提取的空域信息进行融合，并且压缩简化；

所述融合模块的具体融合方法为：

首先，注意力模块通过全局平均池化操作对输入特征图的空间维度进行聚合，为每个通道生成一个通道描述符；然后是两个全连接FC层和一个非线性激活函数组成的自门控机制，第一个FC层降低通道描述符的维度，第二个FC层将其投影回原始通道维度。

4.根据权利要求1所述的基于双分支网络的高质量因子JPEG图像隐写分析方法，其特征在于，所述分类器包括全局平局池化层、全连接层和SoftMax层，融合特征经分类器得到像素的估计偏移量的概率 ， 为[0，1]区间，;

同时使用交叉熵损失函数作为损失函数，并依据该损失函数不断优化网络参数，交叉熵损失表示为： (8)

其中， 表示样本的真实标签， 为0，表示JPEG图像为正常图像， 为1，表示JPEG图像为隐写图像， 代表模型预测为类1的概率，N代表样本数。