1.基于两阶段深度神经网络的可见水印去除方法，其特征在于，包括以下步骤：S1：建立水印定位网络，以图像融合算法为主要网络架构，并设置了四层编码器，在每层编码器中设置了输入层、特征提取层、特征融合层；

S2：建立水印去除及修复网络，以ResNet为网络的主要架构，加入递归计算及注意力模块 ，以利用深度网络特征跨阶段的依赖性，形成渐进递归网络；

S3：建立水印数据集；

S4：验证水印去除的效果；

所述S1中，在所述水印定位网络中添加掩码细化校准模块，将前三层的编码器跳跃连接掩码细化校准模块，最后一层编码器得到融合后的水印特征图像经过解码器解码成水印掩码，并放入掩码细化校准模块中；

掩码细化校准模块根据前三层的学习对水印掩码进行细化校准，制作出精细的水印掩码；

使用 表示预测的水印掩码 ，并使用二进制交叉熵损失 来强制 来接近事实水印掩码 ：（1）

其中： 表示了事实水印掩码与相对应的预测水印掩码的条目；

所述水印去除及修复网络包括水印去除网络及图像修复网络；

所述水印去除网络由若干个卷积层、反卷积层、残差块和上采样、下采样组成；

在所述水印去除网络中加入递归计算及注意力模块，并且设置了多层循环的去除模块；

所述图像修复网络利用反卷积层进行上采样操作，将特征图的尺寸扩大，增加感受野和特征表达能力，再次经过上下文融合模块进行特征提取和处理，并多次循环学习，最终输出去除水印和修复后的图像，使其质量更高。

2.根据权利要求1所述的基于两阶段深度神经网络的可见水印去除方法，其特征在于：所述水印去除及修复网络的输入是第一阶段制作好的水印掩码以及可见水印图像。

3.根据权利要求2所述的基于两阶段深度神经网络的可见水印去除方法，其特征在于：在所述水印去除及修复网络使用结构相似性损失和感知损失的组合作为损失函数，进一步提高网络的视觉效果；

结构相似性损失和感知损失的组合表示为： （2）其中： 和 是权重参数，用来平衡两种损失函数的重要性；

代表结构相似性损失： （3）其中： 代表原始图像；

代表去除水印后的图像；

表示原始图像与去除水印后图像的结构相似度；

表示训练数量；

代表感知损失： （4）

其中： 表示预训练的卷积神经网络，用来提取图像特征；

表示特征图之间的欧几里得距离。

4.根据权利要求3所述的基于两阶段深度神经网络的可见水印去除方法，其特征在于：在所述S4中，为了衡量水印去除后的图像质量以及与原始图像的结构相似度，采用PSNR与SSIM作为评价指标；

PSNR的计算方法如下：

（5）

其中：表示原始图像；

表示去除水印后的图像；

表示整幅图像像素值的x轴坐标；

表示整幅图像像素值的y轴坐标；

表示图像的高度；

表示图像的宽度；

表示图像像素的最大值；

SSIM表示两张图像之间结构相似性的度量，其取值范围在0到1之间，数值越大表示两张图像之间越相似，SSIM的计算公式如下：（6）

其中：表示原始图像；

表示水印去除后的图像；

和 分别表示两张图像的像素值的平均值；

和 分别表示两张图像的像素值的方差；

表示两张图像的像素值的协方差；

和 是常数，用来避免分母为零的情况。