1.一种基于自监督学习的深度隐写图像秘密信息盲提取方法，其特征在于，包括编码阶段、自监督学习任务生成监督信号、通过ACB注意力耦合模块进行注意力耦合和解码阶段；

所述编码阶段包括如下步骤：

步骤a1，分别将两张含秘图像作为输入，进行HT哈尔变换方法处理，对两张含秘图像逐行、逐列使用低通滤波器与高通滤波器，一级分解得到含全局结构的低频分量和边缘、纹理及秘密信息的高频分量；随后以步长为2的卷积替代传统下采样，设计对应的低通、高通卷积核，对图像卷积并沿通道拼接子带，实现降采样；

步骤a2，通过耦合层CL的双向耦合机制将含秘图像由HT哈尔变换方法处理生成的输入特征拆分为两条路径，利用非线性变换实现特征解耦与跨路径交互，使不同路径分别聚焦含秘图像的不同成分，同时通过可逆设计确保特征变换过程信息无损，所述耦合层CL的流程包括正向过程和反向过程；

所述自监督学习任务生成监督信号包括如下步骤：步骤b1，预处理阶段采用DWT离散小波变换和WRM小波域滤波器的级联操作来突出含秘图像中的高频信息，保留秘密信息的特征；

步骤b2，将重建图像输入主干网络Backbone，提取重建图像特征后将图像特征映射到估计分支Estimation Branch，估计分支Estimation Branch通过学习从重建出的图像中回归出对应的值，生成监督信号S，值域为(0,1)，其中0代表载体图像，1代表秘密图像；

所述通过ACB注意力耦合模块进行注意力耦合包括如下步骤：步骤c1，由编码阶段处理后的输出特征经4层连续的Conv卷积层和ReLU激活函数处理，逐层提取包含秘密信息区域的特征张量，其中第3层输出的特征张量记为F；

步骤c2，通过Conv卷积层和Sigmoid激活函数对特征张量F进行处理，生成单通道注意力图A，值域为[0,1]，其中高值区域对应秘密信息位置：，

其中，A的元素值用于衡量对应位置特征的重要程度，通过单通道注意力图A对原始特征张量F进行逐元素加权，生成新特征张量 ；

训练时通过监督信号计算注意力损失函数为：

 ，

其中， 是正向注意力损失； 、 、 分别是ACB注意力耦合模块中三个耦合层函数F、G、H生成的单通道注意力图。

2.根据权利要求1所述的方法，其特征在于，步骤a2中，所述正向过程通过拆分输入特征、跨路径非线性变换和特征拼接，实现对载体图像与秘密信息的解耦及多尺度特征交互，公式为：，

 ，

，

，

其中 代表输入的含秘图像的特征张量， , 分别表示特征张量 经split特征拆分操作得到的载体图像的路径特征与秘密图像的路径特征， 、 、 为非线性变换函数； 表示载体图像的路径特征 与秘密图像的路径特征 经非线性变换函数F调整后相加的特征向量； 表示相乘运算；exp表示自然指数函数； 是秘密图像的路径特征 与特征向量 调整后的特征向量；concat表示拼接操作，其中 是正向过程中由特征 和 拼接输出的特征张量。

3.根据权利要求2所述的方法，其特征在于，步骤a2中，所述反向过程利用正向输出反向解算原始特征，通过可逆的代数运算，与正向过程形成闭环，公式为：，

，

，

，

其中， 表示除法运算；exp表示自然指数函数；concat为特征拼接操作。

4.根据权利要求3所述的方法，其特征在于，步骤b1包括：首先，将输入的一张含秘图像进行DWT离散小波变换，将含秘图像分解为低频子带和高频子带，分解后含秘图像的维度参数会发生变化，从原始的(B, C, H, W)转变为(B, 4×C, H/2, W/2)，其中B为批量大小，C为通道数，H为高度，W为宽度；

WRM小波域滤波器的30层滤波通过权重系数 对低频子带进行部分抑制；

对高频子带应用方向性差分滤波增强隐写噪声，并通过多通道残差图提取局部统计特征，捕捉隐写操作引入的高频异常；

最后通过逆小波变换IWT利用处理后的低频子带和高频子带重建出高频增强图像；

对低频子带进行抑制处理的公式为：

，

其中， 为初始的低频子带，权重系数 值域为[0.1,0.3]， 表示抑制处理后保留的低频子带；

逆小波变换IWT的重建损失函数为：

，

其中， 为总重建损失函数， 为结构相似性损失， 为小波域子带匹配损失， 为边缘感知损失， 为动态权重系数，控制各损失项的贡献；

结构相似性损失函数公式为：

，

其中， 分别代表原始图像在第k个尺度下的下采样版本和重建图像在第k个尺度下的下采样版本，K为多尺度金字塔层数， 为结构相似性指数；

小波域子带匹配损失函数公式为：

，

其中， 为小波域子带匹配损失函数， 代表图像在子带s的DWT系数， 为原始图像， 为重建图像， 为 范数， 为梯度算子，表示原始图像在高频子带的DWT系数， 表示重建图像在高频子带的DWT系数， 代表高频梯度惩罚系数；边缘感知损失公式为： ，

其中， 为拉普拉斯边缘检测算子，M代表动态边缘掩膜，通过二值图[0,1]聚焦边缘区域， 代表范数；

动态权重调整公式为：

 ，

其中， 代表第k个损失函数的动态权重，为温度系数来调节权重分布， 是第k个损失函数的值。

5.根据权利要求4所述的方法，其特征在于，步骤b2中，所述主干网络Backbone由卷积操作Conv和LeakyReLU激活函数串联组成；

所述估计分支Estimation Branch包括两个串联结构，第一个串联结构由1个Conv卷积和LeakyReLU激活函数组成，第二个串联结构由3个Conv卷积、InstanceNorm实例归一化和LeakyReLU激活函数组成。

6.根据权利要求5所述的方法，其特征在于，所述解码阶段包括如下步骤：步骤d1，通过逆哈尔变换IHT对编码阶段处理过的载体图像的路径特征和秘密图像的路径特征进行恢复空间尺寸操作，载体图像的路径特征和秘密图像的路径特征形成双路径特征，利用耦合层CL使双路径特征跨路径交互，载体图像的路径特征经非线性变换后对秘密图像的路径特征进行缩放和偏移调整，实现特征融合与细化，公式为：，

其中， 代表初始秘密图像的路径特征， 是载体图像的路径特征， 为调整后秘密图像的路径特征；

步骤d2，将交互后的载体图像的路径特征与秘密图像的路径特征逐元素相加，合成重构的秘密图像；通过反向损失监督重构图像与原始输入的一致性，完成从特征到像素空间的重构，重构图像与原始输入图像差异损失函数为：，

其中， 是重建损失，用于衡量重建图像与真实图像的差异， 是初步重建出的秘密图像，为真实秘密图像， 是经优化后重建的秘密图像，为权重系数。

7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述的方法的步骤。

8.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令在计算机上运行时，执行如权利要求1至6中任一项所述的方法的步骤。