1.一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，包括以下步骤：获取原始图像张量；

根据所获取的原始图像张量和注意力模型，得到注意力图像张量；

基于所得到的注意力图像张量和水印嵌入模型，生成含水印图像；

根据所生成的含水印图像和构建的攻击网络模型，生成被攻击图像；

根据所述被攻击图像、所述注意力模型和深度学习模型，提取图像水印。

2.如权利要求1中所述的一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，所述获取原始图像张量的过程中，对所获取的原始图像进行数据重组，得到原始图像张量。

3.如权利要求1中所述的一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，所述得到注意力图像张量的过程中，将原始图像张量输入到注意力模型中，分别沿着通道维度和空间维度依次推断注意力权值，将所得到的注意力权值与原始图像张量相乘、自适应地调整权值，生成注意力特征张量，进一步得到注意力图像张量。

4.如权利要求1中所述的一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，所述水印嵌入模型采用残差神经网络。

5.如权利要求4中所述的一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，所述生成含水印图像的具体过程为：对注意力图像张量做离散余弦变换，将变换后的注意力图像张量与水印图像进行特征结合后输入到所述残差神经网络，生成含水印的注意力图像张量；

对所得到的含水印注意力图像张量进行逆离散余弦变换，得到含水印特征张量；

对含水印特征张量进行数据重组，生成含水印图像。

6.如权利要求5中所述的一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，在对所得到的含水印注意力图像张量进行逆离散余弦变换之后，得到空间域的图像张量，将所得到的空间域的图像张量嵌入强度因子后与注意力图像张量相加，得到含水印特征张量。

7.如权利要求1中所述的一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，所述攻击为JPEG压缩攻击、椒盐噪声攻击、高斯噪声攻击和锐化攻击组成的可区分的攻击层。

8.如权利要求1中所述的一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，将含水印图像输入到攻击网络模型中，在进行模型的训练迭代过程中攻击网络以随机概率选取一种攻击方式进行攻击，生成被攻击图像。

9.如权利要求1中所述的一种基于深度学习和注意力网络的鲁棒图像水印方法，其特征在于，所述提取图像水印的具体过程为：对得到的被攻击图像进行数据重组，得到被攻击图像张量；

将被攻击图像张量输入到注意力模型中，得到被攻击图像的注意力图像；

对被攻击图像的注意力图像进行离散余弦变换，将变换后的被攻击图像的注意力图像输入到深度学习模型中结合投票策略提取图像水印。

10.一种基于深度学习和注意力网络的鲁棒图像水印系统，其特征在于，包括：水印嵌入模块，被配置为获取原始图像张量，根据所获取的原始图像张量和注意力模型，得到注意力图像张量，基于所得到的注意力图像张量和水印嵌入模型，生成含水印图像；

模拟攻击模块，被配置为根据所生成的含水印图像和构建的攻击网络模型，生成被攻击图像；

水印提取模型，被配置为根据所述被攻击图像、所述注意力模型和深度学习模型，提取图像水印。