1.一种基于粒子群算法的图像对抗水印生成方法，其特征在于，所述基于粒子群算法的图像对抗水印生成方法，包括：步骤1、根据水印的位置与透明度信息，通过阿尔法混合将原始图像与水印结合生成水印图像；

步骤2、将生成的水印图像输入到目标神经网络中，得到由目标神经网络输出的各个分类置信度的信息；

步骤3、基于针对水印图像的各个分类置信度，通过粒子群算法得到对抗水印图像，包括：步骤31、将对抗水印生成问题转化为寻找(p,q,α,scale)值使得生成的对抗水印图像的置信度为非极大值的优化问题，建立优化目标为：minimize fit(p,q,α,scale)＝ft(g(p,q,α,scale))‑fs(g(p,q,α,scale))式中，以最小化适应度函数fit作为优化目标，ft(g(p,q,α,scale))表示针对水印图像分类得到的正确分类标签t的置信度，fs(g(p,q,α,scale))表示针对水印图像分类得到的除正确分类标签t之外的其他分类标签中置信度的最大值，g(p,q,α,scale)函数为水印生成函数，(p,q)为水印在原始图像中的位置坐标，α为水印的透明度值，scale为水印的长宽与原始图像长宽的比值；

步骤32、粒子群算法初始化：初始化时，粒子群中的每个粒子随机分布在D维空间里，具有随机速度与位置，粒子i在第k次迭代时的位置记为 粒子i在第k次迭代时的速度记为 每个粒子的位置由(p,q,α,scale)构成，代表不同的对抗水印图像；

步骤33、将粒子群进行迭代更新直至到达最大迭代次数后停止，每次迭代输出水印的位置与透明度信息；

步骤34、停止迭代后粒子群算法输出最优的(p,q,α,scale)值，输入水印生成函数g(p,q,α,scale)中，生成具有图像对抗水印的对抗水印图像。

2.如权利要求1所述的基于粒子群算法的图像对抗水印生成方法，其特征在于，所述通过阿尔法混合将原始图像与水印结合生成水印图像，包括：计算水印与原始图像重叠部分的像素如下：

v(G)＝(v(W)*α+v(X)*255)/255

式中，v(G)为重叠部分像素的像素值，v(W)为水印像素的像素值，v(X)为原始图像像素的像素值。

3.如权利要求1所述的基于粒子群算法的图像对抗水印生成方法，其特征在于，所述目标神经网络为分类模型f，图像的正确分类标签为t，标签t的置信度为ft，分类的类别共有n个分类，输出的各分类置信度为f1…n。

4.如权利要求1所述的基于粒子群算法的图像对抗水印生成方法，其特征在于，所述将粒子群进行迭代更新直至到达最大迭代次数后停止，每次迭代输出水印的位置与透明度信息，包括：步骤331、计算每个粒子的适应度值，适应度函数fit表达式如下：fit(p,q,α,scale)＝ft(g(p,q,α,scale))‑fs(g(p,q,α,scale))粒子i前k代迭代时经历过的历史最优位置记为 整个种群前k

代迭代时经历过的全局最优位置记为

步骤332、根据计算的适应度值进行比较，如果粒子当前的适应度值优于该粒子的历史最优位置的适应度值，则更新历史最优位置为该粒子当前的位置；

步骤333、比较粒子适应度值与当前全局最优位置的适应度值，如果粒子的适应度值优于全局最优位置的适应度值，则更新全局最优位置为该粒子的位置；

步骤334、更新粒子的速度与位置，更新公式如下所示：

式中，k是粒子当前迭代次数，d是粒子当前维度数， 是粒子i在第k次迭代时在d维的k速度，c1、c2是加速系数，表示粒子飞向个体最优 和种群最优g 时的加速度系数，r1、r2是两个随机函数，用于增加搜索时的随机性，w是惯性权重；

步骤335、迭代次数k加1，若迭代次数大于最大迭代次数T，则停止迭代，否则返回步骤

331继续执行。

5.如权利要求1所述的基于粒子群算法的图像对抗水印生成方法，其特征在于，粒子群的迭代更新中，步骤332执行前先判断ft