1.一种基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：获取原始图像信息以及原始水印信息；

根据原始图像信息以提取特征图像信息；所述特征图像信息包括浅层特征图像信息以及深层特征图像信息；

分析特征图像信息中对应特征点的概率分布以形成视觉掩码信息；

对原始水印信息进行空间复制的预处理方式以形成预处理水印信息；

根据视觉掩码信息对预处理水印信息进行修正以形成待嵌入水印信息；

将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行图像融合以形成融合图像信息；

将原始图像信息以及融合图像信息输入至所预设的残差结构以生成完成水印嵌入的最终图像信息；

关于根据原始图像信息以提取特征图像信息的具体方法如下：具体包括密集连接的四个卷积层，分别定义为第一卷积层、第二卷积层、第三卷积层以及第四卷积层；

将原始图像信息输入第一卷积层以提取浅层特征图像信息；

将浅层特征图像信息输入第二卷积层以形成第二提取图像信息；

将浅层特征图像信息与第二提取图像信息进行concat连接再输入第三卷积层以形成第三提取图像信息；

将浅层特征图像信息、第二提取图像信息以及第三提取图像信息进行concat连接再输入第四卷积层以形成深层特征图像信息；

关于提取特征图像信息的具体公式如下：

其中，F1为浅层特征图像信息；F2为第二提取图像信息；F3为第三提取图像信息；F4为深层特征图像信息；Layer1、Layer2、Layer3、Layer4均为卷积层以对图像进行特征提取，且

3×3

Layer1、Layer2、Layer3、Layer4四个卷积层的结构相同；Conv 表示为卷积核为3×3的卷积滤波；BN表示为Batch Normalization函数；LR表示LeakReLU激活函数；concat表示为concat函数；

关于对原始水印信息进行空间复制的预处理方式的具体公式如下：其中，W'为预处理水印信息；Win为原始水印信息；H为原始图像信息的长度；W为原始图像信息的宽度；L为原始水印信息的长度；

关于将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行图像融合以形成融合图像信息的公式如下：

3×3

F＝Conv (Layer6(Layer5(concat(F4,F1,Wen)))；

3×3

其中，F为融合图像信息；Conv 表示为卷积核为3×3的卷积滤波；Layer5、Layer6均为卷积层以对拼接后的图像进行特征提取，且Layer5、Layer6两个卷积层的结构相同；concat(F4,F1,Wen)表示为将F4、F1、Wen三者进行拼接以形成新的图像；

在根据特征图像信息以形成视觉掩码信息的过程中，关于根据深层特征图像信息形成对应的视觉掩码信息的具体公式如下：

3×3

M＝LayerV(F4)＝SoftMax(Tanh(BN(Conv (F4))))；

3×3 3×3

其中，F4为深层特征图像信息；Conv (F4)表示为降维处理，即通过Conv (F4)以形成第一视觉图像信息；BN表示为Batch Normalization函数；Tanh表示为Tanh激活函数，即通

3×3

过Tanh(BN(Conv (F4)))以将第一视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第二视觉图像信息；SoftMax表示为SoftMax激活函数，即通过SoftMax(Tanh(BN

3×3

(Conv (F4))))计算深层特征图像信息中特征点的概率分布情况以形成视觉掩码信息；

3×3

X＝BN(Conv (F4))；

3×3

Ci∈[C1,CL]；Y(H,W,C)＝Tanh(BN(Conv (F4)))；

其中，Y(H,W,C)表示为 到 所有点的集合； 表示为第i个点的数据；H、W、C分别表示为长度、宽度、通道数； 表示为 到 所有的点的集合；

关于对预处理水印信息进行修正以形成待嵌入水印信息的公式如下：Wen＝W'×M×L；

其中，Wen为待嵌入水印信息，M为视觉掩码信息；L为原始水印信息的长度；W'为预处理水印信息；

或者

根据浅层特征图像信息生成浅层视觉掩码信息，根据深层特征图像信息形成深层视觉掩码信息；将浅层视觉掩码信息与深层视觉掩码信息作为视觉掩码信息；具体公式如下：

3×3

M1＝LayerV(F1)＝SoftMax(Tanh(BN(Conv (F1))))；

3×3

M2＝LayerV(F4)＝SoftMax(Tanh(BN(Conv (F4))))；

3×3

其中，F1为浅层特征图像信息；F4为深层特征图像信息；Conv (F4)表示为降维处理，即

3×3 3×3

通过Conv (F1)以形成第三视觉图像信息，通过Conv (F4)以形成第五视觉图像信息；BN

3×3

表示为Batch Normalization函数；Tanh表示为Tanh激活函数，即通过Tanh(BN(Conv(F1)))以将第三视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第四视觉

3×3

图像信息，通过Tanh(BN(Conv (F4)))以将第五视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第六视觉图像信息；SoftMax表示为SoftMax激活函数，即通过SoftMax

3×3

(Tanh(BN(Conv (F1))))计算浅层特征图像信息中特征点的概率分布情况以形成浅层视

3×3

觉掩码信息，通过SoftMax(Tanh(BN(Conv (F4))))计算深层特征图像信息中特征点的概率分布情况以形成深层视觉掩码信息；

3×3

X1＝BN(Conv (F1))；

3×3

X2＝BN(Conv (F4))；

3×3

Ci∈[C1,CL]；Y1(H,W,C)＝Tanh(BN(Conv (F1)))；

其中，Y1(H,W,C)表示为 到 所有点的集合； 表示为第i个点的数据；H、W、C分别表示为长度、宽度、通道数； 表示为 到 所有的点的集合；

3×3

Ci∈[C1,CL]；Y2(H,W,C)＝Tanh(BN(Conv(F4)))；

其中，Y2(H,W,C)表示为 到 所有点的集合； 表示为第i个点的数据；

H、W、C分别表示为长度、宽度、通道数； 表示为 到 所有的点的集合；

关于根据浅层视觉掩码信息对预处理水印信息进行修正以形成浅层待嵌入水印信息，根据深层视觉掩码信息对预处理水印信息进行修正以形成深层待嵌入水印信息，将浅层待嵌入水印信息与深层待嵌入水印信息进行融合后以形成待嵌入水印信息；具体公式如下：Wen1＝W'×M1×L；

Wen2＝W'×M2×L；

3×3

Wen＝Layer7(concat(Wen1,Wen2))＝LR(BN(Conv (concat(Wen1,Wen2))))；

其中，Wen1为浅层待嵌入水印信息，Wen2为深层待嵌入水印信息；M1为浅层视觉掩码信息；

M2为深层视觉掩码信息；L为原始水印信息的长度；W'为预处理水印信息；

Wen为待嵌入水印信息；Layer7为卷积层以将浅层待嵌入水印信息与深层待嵌入水印信

3×3

息进行融合；concat(Wen1,Wen2)表示为将Wen与Wen2进行拼接以形成新的图像；Conv 表示为卷积核为3×3的卷积滤波；BN表示为Batch Normalization函数；LR表示LeakReLU激活函数。

2.根据权利要求1所述的基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：关于视觉掩码生成方法具体包括：获取深层特征图像信息；

对深层特征图像信息进行降维处理以形成第一视觉图像信息；

将第一视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第二视觉图像信息；

根据第二视觉图像信息以计算深层特征图像信息中特征点的概率分布情况以形成视觉掩码信息。

3.根据权利要求1所述的基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：关于视觉掩码生成方法具体包括：获取浅层特征图像信息；

对浅层特征图像信息进行降维处理以形成第三视觉图像信息；

将第三视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第四视觉图像信息；根据第四视觉图像信息以计算深层特征图像信息中特征点的概率分布情况以形成浅层视觉掩码信息；

获取深层特征图像信息；

对深层特征图像信息进行降维处理以形成第五视觉图像信息；

将第五视觉图像信息所对应的数值限制于所预设的阈值范围内以形成第六视觉图像信息；根据第六视觉图像信息以计算深层特征图像信息中特征点的概率分布情况以形成深度视觉掩码信息。

4.根据权利要求3所述的基于视觉感知的鲁棒图像的水印嵌入方法，其特征是：根据视觉掩码信息对预处理水印信息进行修正以形成待嵌入水印信息的方法如下：根据浅层视觉掩码信息对预处理水印信息进行修正以形成浅层水印信息；

根据深度视觉掩码信息对预处理水印信息进行修正以形成深层水印信息；

将浅层水印信息、深层水印信息进行融合以形成待嵌入水印信息。

5.一种基于视觉感知的鲁棒图像的水印嵌入网络构建方法，采用如权利要求1所述的基于视觉感知的鲁棒图像的水印嵌入方法的网络构建过程，其特征是，具体包括：构建生成网络，对所获取的原始图像信息提取特征图像信息；所述特征图像信息包括浅层特征图像信息以及深层特征图像信息；分析特征图像信息中对应特征点的概率分布以形成视觉掩码信息；将所获取的原始水印信息通过空间复制的预处理方式以形成预处理水印信息；根据视觉掩码信息对预处理水印信息进行修正以形成待嵌入水印信息；将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行图像融合以形成融合图像信息；

将原始图像信息以及融合图像信息输入至所预设的残差结构以生成完成水印嵌入的最终图像信息；

构建图像判别网络，以所述原始图像信息和最终图像信息作为输入，以区分所述最终图像信息与原始图像信息之间的差异作为优化目标，联合训练所述生成网络和所述图像判别网络；形成训练完成的生成网络以及所述图像判别网络；

构建水印鲁棒性判断网络，将最终图像信息输入所预设的噪声网络以形成噪声图像信息；对噪声图像信息进行特征提取以形成噪声图像特征信息；通过对噪声图像特征信息进行还原以形成噪声水印信息；根据原始水印信息以及噪声水印信息以提高水印的鲁棒性作为优化目标，联合训练所述生成网络和所述水印鲁棒性判断网络；

形成训练完成的水印鲁棒性判断网络。

6.一种基于视觉感知的鲁棒图像的水印嵌入系统，通过如权利要求1至4中任一项权利要求所述的基于视觉感知的鲁棒图像的水印嵌入方法实现，其特征在于，包括，图像采集模块，用于获取原始图像信息以及原始水印信息；

图像特征提取模块，用于根据原始图像信息以提取特征图像信息；所述特征图像信息包括浅层特征图像信息以及深层特征图像信息；

待嵌入水印生成模块，分析特征图像信息中对应特征点的概率分布以形成视觉掩码信息；对原始水印信息进行空间复制的预处理方式以形成预处理水印信息；根据视觉掩码信息对预处理水印信息进行修正以形成待嵌入水印信息；以及图像生成模块，将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行图像融合以形成融合图像信息；将原始图像信息以及融合图像信息输入至所预设的残差结构以生成完成水印嵌入的最终图像信息。

7.一种基于视觉感知的鲁棒图像的水印嵌入网络构建系统，通过如权利要求5所述的一种基于视觉感知的鲁棒图像的水印嵌入网络构建方法实现，其特征在于，包括，生成网络训练模型，对所获取的原始图像信息提取特征图像信息；所述特征图像信息包括浅层特征图像信息以及深层特征图像信息；分析特征图像信息中对应特征点的概率分布以形成视觉掩码信息；将所获取的原始水印信息通过空间复制的预处理方式以形成预处理水印信息；根据视觉掩码信息对预处理水印信息进行修正以形成待嵌入水印信息；将浅层特征图像信息、深层特征图像信息以及待嵌入水印信息进行图像融合以形成融合图像信息；将原始图像信息以及融合图像信息输入至所预设的残差结构以生成完成水印嵌入的最终图像信息；图像判别网络训练模型，以所述原始图像信息和最终图像信息作为输入，以区分所述最终图像信息与原始图像信息之间的差异作为优化目标，联合训练所述生成网络和所述图像判别网络；

水印鲁棒性判断网络训练模型，将最终图像信息输入所预设的噪声网络以形成噪声图像信息；对噪声图像信息进行特征提取以形成噪声图像特征信息；通过对噪声图像特征信息进行还原以形成噪声水印信息；根据原始水印信息以及噪声水印信息以提高水印的鲁棒性作为优化目标，联合训练所述生成网络和所述水印鲁棒性判断网络。

8.一种计算机可读存储介质，其特征是，存储有能够被处理器加载执行时实现如权利要求1至4中任一项所述的基于视觉感知的鲁棒图像的水印嵌入方法的程序或实现如权利要求5中任一项所述的基于视觉感知的鲁棒图像的水印嵌入方法的程序。