1.基于卷积神经网络的双支网络图像隐写框架，其特征在于，包括编码网络与解码网络；所述编码网络包括特征提取网络和隐写网络；

所述特征提取网络，用于灰度秘密图像的特征提取；

所述隐写网络，用于将特征提取网络提取到的灰度图像特征嵌入至自然载体图像之中，得到含密载体图像；

所述解码网络，用于从含密载体图像中提取出灰度秘密图像；

其中，所述特征提取网络包括七层子网络；特征提取网络的每一层子网络输出的特征图都作为隐写网络相应层的输入；隐写网络包含下采样单元以及上采样单元两部分，用于对载体图像进行特征提取以及实现将秘密图像嵌入到载体图像之中，实现图像隐写；所述下采样单元包括八层下采样模块，除去第一层下采样模块的输入为原始载体图像外，第二层至第八层下采样模块的输入包含了载体图像通过上一层下采样模块的输出以及特征提取网络对应层的输出，将二者进行Concatenate操作作为该层下采样模块的输入。

2.根据权利要求1所述的双支网络图像隐写框架，其特征在于，所述特征提取网络中，第1层子网络包含一个卷积核为3×3的卷积层以及激活函数Leaky ReLU；其余6层子网络的结构相一致，每一层子网络均包括依次相连接的卷积核为4×4的卷积层、归一化层以及激活函数Leaky ReLU，卷积核为3×3的卷积层、归一化层以及激活函数Leaky ReLU；所述特征提取网络的各层子网络的通道数按照层顺序分别为32、64、128、256、512、512、512。

3.根据权利要求1所述的双支网络图像隐写框架，其特征在于，所述下采样单元中，第1层下采样模块包括卷积核为3×3的卷积层以及激活函数Leaky ReLU；第2层至第7层下采样模块的结构相一致，每一层下采样模块均包括依次相连接的带残差的下采样结构Residual Block、卷积核为3×3的卷积层、归一化层与LeakyReLU激活函数；第8层下采样模块仅包括带残差的下采样结构Residual Block；所述下采样单元的各层下采样模块输出的通道数按照层顺序依次分别为32、64、128、256、512、512、512、512。

4.根据权利要求3所述的双支网络图像隐写框架，其特征在于，所述的带残差的下采样结构Residual Block包括卷积核为4×4的卷积层、归一化层、卷积核为1×1，步长为2的卷积层以及激活函数LeakyReLU；其中，当前层下采样模块的输入依次经过卷积核4×4的卷积层、归一化层得到的结果与当前层下采样模块的输入经过卷积核为1×1，步长为2的卷积层得到的结果相加，相加后的结果最后经过激活函数LeakyReLU。

5.根据权利要求3所述的双支网络图像隐写框架，其特征在于，所述上采样单元中，第1层至第7层上采样模块的结构相一致，每一层下采样模块均包括依次相连接的卷积核为4×

4的反卷积层、归一化层以及激活函数ReLU；第8层上采样模块包括卷积核为3×3的卷积层以及Sigmoid激活函数；所述上采样单元的各层上采样模块输出的通道数按照层顺序依次分别为512、512、512、256、128、64、32、3。

6.根据权利要求1所述的双支网络图像隐写框架，其特征在于，所述解码网络包括六层子网络；其中，前5层子网络的结构相一致，每一层子网络均包括卷积核为3×3的卷积层、归一化层以及激活函数ReLU；第6层子网络包括卷积核为3×3的卷积层以及Sigmoid激活函数。

7.基于卷积神经网络的双支网络图像隐写方法，其特征在于，采用权利要求1至6任一所述的双支网络图像隐写框架，所述方法包括：步骤1：将原始的数据集按比例划分为训练集、验证集、测试集，并随机划分为载体图像和秘密图像，将秘密图像转换成灰度图像；

步骤2：定义双支网络的损失函数，包括：编码网络的损失函数和解码网络的损失函数；

步骤3：使用xavier方式对双支网络中卷积层的卷积核进行参数初始化，使用高斯分布对归一化层进行初始化；

步骤4：使用训练集按照Adam算法对双支网络进行训练，通过验证集对训练中的网络权重进行验证并通过损失函数计算梯度并反向传播和迭代更新参数直至网络收敛；

步骤5：利用训练好的双支网络将灰度秘密图像嵌入至自然载体图像中，得到含密载体图像，然后再从含密载体图像中提取出灰度秘密图像。

8.根据权利要求7所述的双支网络图像隐写方法，其特征在于，所述编码网络的损失函数Lencoder定义为：Ldecoder＝L(C,C′)

所述解码网络损失函数Ldecoder定义为：

Ldecoder＝L(S,S′)

编码‑解码网络的总体损失函数定义为：

Ltotal＝Lencoder+βLdecoder

其中，L(C,C′)＝αMSSIM(C,C′)+(1‑α)L1(C,C′)+MSE(C,C′)L(S,S′)＝αMSSIM(S,S′)+(1‑α)L1(S,S′)+MSE(S,S′)其中，c表示自然载体图像，C′表示含密载体图像，S表示原始秘密图像，S′表示恢复的秘密图像，α为权衡MSSIM与L1损失的系数，β为控制恢复出秘密图像的质量的参数。

9.根据权利要求8所述的双支网络图像隐写方法，其特征在于，步骤4中，训练双支网络时，通过计算编码‑解码网络的总体损失Ltotal实现编码网络和解码网络的反向传播与参数更新。

10.根据权利要求7所述的双支网络图像隐写方法，其特征在于，步骤5具体包括：利用训练好的双支网络中的编码网络将灰度秘密图像嵌入至自然载体图像中，得到含密载体图像；

将得到的含密载体图像通过解码网络从中提取出灰度秘密图像。