1.一种基于特征比较学习的自监督无损零水印算法，其特征在于，包括以下步骤：S1，构建可学习模型；模型包括：一个基准特征提取器EBL、一个噪声层N、一个可学习的特征提取器Eθ、一个特征比对器C、一个零水印生成置乱编码器Ekey、一个零水印解码器Dkey；

S2，基准特征提取器EBL接收形状为C×H×W的主机图像Xho，并提取出主机图像Xho的特征Fi；

S3，噪声层N接收主机图像Xho，将主机图像添加Xho噪声，并且输出带有噪声的图像Xno；

S4，可学习的特征提取器Eθ接收Xno，通过比较基准特征提取器EBL提取出的特征Fi，提取出带有噪声图片的图像特征Fi'；

S5，零水印置乱编码器Ekey接收Fi'和一个长度为L或者形状大小为h×w的二进制密文或图片Min，生成零水印W；

S6，零水印解码器Dkey接受W，根据密钥key还原出之前输入进去的二进制密文Min或秘密图像Mout，来确定Xno的版权归属。

2.根据权利要求1所述的一种基于特征比较学习的自监督无损零水印算法，其特征在于，S3中，输出带有噪声的图像Xno的步骤包括：S31，根据噪声层N中的无噪声层、Jpeg层以及裁剪层的权重，来确定主机图像Xho收到各种攻击的概率；

S32，将受到攻击的图像Xno输出给可学习的特征提取器Eθ。

3.根据权利要求2所述的一种基于特征比较学习的自监督无损零水印算法，其特征在于，分别给予无噪声层0.1的权重，Jpeg层0.4的权重，裁剪层0.5的权重。

4.根据权利要求1所述的一种基于特征比较学习的自监督无损零水印算法，其特征在于，提取所述带有噪声图片的图像特征Fi'的具体步骤为：S41，训练Eθ，使Eθ和EBL输出的结果尽可能的一致，训练模型为：S42，将输入的图片进行大小的重塑，并输入进网络；

S43，重塑后的图片经过大小为3×3的卷积后，并输出向量；

S44，将S43输出向量的经过3层大小为3×3的beneck层，beneck层包含1×1的卷积、3×

3的深度可分离卷积和激活函数Relu，并输出向量；

S45，将S44输出的向量经过3层大小为5×5的beneck层，beneck层包含1×1的卷积、3×

3的深度可分离卷积、SE层和激活函数Relu，并输出向量；

S46，将S45输出的向量经过4层大小为3×3的beneck层，beneck层包含1×1的卷积、3×

3的深度可分离卷积和激活函数h‑swish，并输出向量片；

S47，将S46输出的向量经过2层大小为3×3的beneck层，beneck层包含1×1的卷积、3×

3的深度可分离卷积、SE层和激活函数h‑swish，并输出向量；

S48，将S47输出的向量经过3层大小为5×5的beneck层，beneck层包含1×1的卷积、3×

3的深度可分离卷积、SE层和激活函数h‑swish，并输出向量；

S49，将S48输出的向量经过大小为1×1的卷积，7×7全局平均池化层后，输出向量；

S410，最后将S49输出的向量经过大小为1×1的卷积后得到Fi'。

5.根据权利要求1所述的一种基于特征比较学习的自监督无损零水印算法，其特征在于，S5中，生成零水印W的步骤具体包括：S51，采用cat映射的方法来对Logo image进行加密，Min是Logo image，且Min＝{m(p,q),

0≤p

S52，将混沌矩阵C进行二值化，得到二进制混沌矩阵B：式中，T1指的是二值化的门限值，取Cn+1矩阵中各元素的平均值；

S53，将主机图像Xho输入进特征提取器Eθ进行特征提取并进行二维离散傅里叶变换，得到维度为P×Q的特征矩阵An；

S54，将得到的特征矩阵An进行二值化，得到二值特征矩阵Zn：式中，T2指的是二值化的门限值，取An矩阵中各元素的平均值。

S55，对混沌矩阵B和特征矩阵Z进行异或操作，得到最终的零水印W：

6.根据权利要求5所述的一种基于特征比较学习的自监督无损零水印算法，其特征在于，S6中确定Xno的版权归属的具体步骤为：S61，重新调整带有噪声的图像Xno的大小，得到Xno'；

S62，将Xno'输入进可学习的特征提取器Eθ进行特征提取，得到维度为P×Q的特征矩阵*An；

* *

S63，将特征矩阵An二值化为Zn；

* *

S64，对零水印W和二值化特征矩阵Zn进行XOR操作，提取混沌矩阵Cn；

*

S65，用S51产生的密钥a和b，构建维度为P×Q的原矩阵Cn’：*

S66，将Cn’进行二值化处理，并且导出为二值Mout，比较Min和Mout的NCC值以判断Xno的版权归属。

7.根据权利要求6所述的一种基于特征比较学习的自监督无损零水印算法，其特征在于，所述带有噪声的图像Xno调整步骤包括；

1)等比例缩放：

2)将图片中心平移到左上角坐标原点：

3)将图片平移到目标位置的重心：

得到的Xno'即为对Xno的等比例缩放，然后居中，多余部分填充的图像。

8.根据权利要求6所述的一种基于特征比较学习的自监督无损零水印算法，其特征在*于，S65中构建的原矩阵Cn’为：

9.一种计算机存储介质，存储有可读程序，其特征在于，当程序运行时，执行权利要求

1‑8任一项所述的算法。

10.一种设备，其特征在于，包括：一个或多个处理器、用于存储一个或多个程序的存储器；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1‑8中任一项所述算法。