1.一种基于视觉感知的自编码彩色图像鲁棒水印处理方法，其特征在于：包括如下步骤：利用载体图像训练集和原始水印图像训练集对AGWNet中水印嵌入模块进行训练，获得含水印图像与载体图像的结构损失和视觉感知损失；

将含水印图像输入到AGWNet中噪声攻击模块，生成攻击后的水印图像；

将攻击后的水印图像输入AGWNet中水印提取模块进行训练，获得提取的水印与原始水印图像的交叉熵损失；

根据结构损失、视觉感知损失和交叉熵损失求取整体损失，当整体损失迭代中出现小于阈值时，获得训练后的AGWNet；

利用训练后的AGWNet，完成水印的嵌入或提取；

结构损失计算公式如下：

其中，I为原始载体图像，Iw为含水印图像，μI和σI分别是原载体像素的均值和方差，和 分别是含水印图像的均值和方差，c1和c2是防止分母出现0的平衡常数；

视觉感知损失计算公式如下：

其中，Meye为惩罚权重，Mc、Nc是图像尺寸长、宽，i，j为原始载体图像I和含水印图像Iw像素点的长、宽；

其中，σc为色度权重的比例，σt为纹理权重的比例，Mcolor为色度权重，Mtexture为纹理权重。

2.根据权利要求1所述的一种基于视觉感知的自编码彩色图像鲁棒水印处理方法，其特征在于：利用载体图像训练集和原始水印图像训练集对AGWNet中水印嵌入模块进行训练，包括：

1‑1：提取出载体图像的B通道输入到水印嵌入模块，将载体图像的R、G通道保留；

1‑2：将B通道输入卷积层，卷积层输出尺寸b×32×32×63的特征图；

1‑3：随机生成一个32×32大小的二值水印图像，将二值水印图像与特征图在特征通道上进行Concat，Concat层输出1×32×32×64含水印载体特征；

1‑4：将含水印载体特征映射到三个新的特征空间Query、Key与Value，对三个新特征空间分别作注意力卷积，Query与Key经过注意力卷积后得到尺寸均为1×32×32×8的输出，而Value经过注意力卷积后得到尺寸为1×32×32×63的输出；将卷积后的Key转置与卷积后的Query进行矩阵乘法，并将结果进行Softmax得到注意力掩膜；将卷积后的Value与原始水印图像在特征通道上进行Concat，将Concat得到的结果与注意力掩膜进行矩阵元素相乘，并乘上嵌入因子得到含水印载体特征；

1‑5：将含水印载体特征通过注意力残差连接层进行拼接，得到尺寸为1×32×32×64加权含水印载体特征；

1‑6：利用反卷积和卷积层将加权含水印载体特征重建，输出尺寸为1×256×256×1含水印B通道；

1‑7：将含水印B通道与载体图像的R、G通道进行拼接，还原为含水印的彩色图像。

3.根据权利要求1所述的一种基于视觉感知的自编码彩色图像鲁棒水印处理方法，其特征在于：所述将含水印图像输入到AGWNet中噪声攻击模块，生成攻击后的水印图像，包括：对含水印图像随机选择一种信号处理攻击，生成攻击后的含水印图像；所述信号处理攻击至少包括以下所述其中之一：JPEG有损压缩攻击、高斯白噪声攻击、均值滤波攻击和随机丢弃攻击。

4.根据权利要求3所述的一种基于视觉感知的自编码彩色图像鲁棒水印处理方法，其特征在于：所述JPEG有损压缩攻击的强度因子为80；均值滤波攻击的均值滤波尺寸为3×3；

随机丢弃攻击的丢弃比例为1％。

5.根据权利要求1所述的一种基于视觉感知的自编码彩色图像鲁棒水印处理方法，其特征在于：所述将攻击后的水印图像输入AGWNet中水印提取模块进行训练，包括：

3‑1：将攻击后的含水印图像的B’通道输入卷积层，卷积层输出尺寸为b×64×64×16攻击后的含水印载体特征；

3‑3：将攻击后的含水印载体特征映射到三个新的特征空间Query、Key与Value，对三个新特征空间分别进行注意力卷积，Query与Key经过注意力卷积后得到尺寸均为1×64×64×4的输出，而Value经过注意力卷积后得到尺寸为1×64×64×16的输出；将卷积后的Key转置与卷积后的Query作矩阵乘法，并将结果进行Softmax得到注意力掩膜；最后将Value经过注意力卷积后的输出与注意力掩膜进行矩阵元素相乘得到含水印载体特征；

3‑4：将含水印载体特征通过注意力残差连接层在特征通道上进行拼接，拼接后的结果输入卷积层，得到提取的水印图像。

6.根据权利要求1所述的一种基于视觉感知的自编码彩色图像鲁棒水印处理方法，其特征在于：获得提取的水印与原始水印图像的交叉熵损失，包括：其中，w为原始水印， 为提取水印，尺寸均为Mw×Nw，Mw、Nw是图像尺寸长、宽，为求取交叉熵。

7.根据权利要求1所述的一种基于视觉感知的自编码彩色图像鲁棒水印处理方法，其特征在于：根据结构损失、视觉感知损失和交叉熵损失求取整体损失，包括：Lossall＝α1×Lossstru+α2×Losseye+α3×Losscross其中：α1、α2、α3为调节各个损失函数权重的超参数；Lossall为整体损失，Lossstru为结构损失，Losseye为视觉感知损失，Losscross为交叉熵损失。