1.一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，包括：将载体图像和水印信息输入至编码器中，利用编码器生成含有水印信息的编码图像；

将编码图像和载体图像输入至鉴别器中，利用鉴别器输出预测值；

对编码图像进行失真模拟，得到失真的编码图像；

将失真的编码图像输入至解码器中，提取出隐藏在失真的编码图像中的水印信息；

根据鉴别器的预测值以及联合损失函数，对编码器、鉴别器和解码器进行模型训练，利用训练之后的编码器和解码器组成屏摄水印模型，利用屏摄水印模型对屏摄图像进行编码和解码；

根据鉴别器的预测值以及联合损失函数，对编码器、鉴别器和解码器进行模型训练包括：将编码器、鉴别器和解码器输入至Adam优化器进行迭代训练，设置最大迭代次数，利用联合损失函数，进行反向传播。

2.根据权利要求1所述的一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，将载体图像和水印信息输入至编码器中之前包括：从服从[0,1)区间内的标准均匀分布中随机抽取n0个数值元素，并将大于0.5的数值取

1，不大于0.5的数值取0，组成二进制水印密文信息，作为水印信息；

将原始载体图像尺寸处理至n1 n1，作为载体图像。

3.根据权利要求2所述的一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，将载体图像和水印信息输入至编码器中包括：将载体图像进行三次下采样操作，依次得到局部特征图F1、F2、F3，每次下采样后进行最大池化操作；在第三次最大池化操作后得到局部特征图F4，再进行一次全局平均池化，得到全局特征图F5；将局部特征图F4和全局特征图F5拼接，得到特征图F6；

将水印信息经过一个全连接层得到水印张量M，且水印张量M的维度与特征图F6的维度相同；

将局部特征图F4、特征图F6和水印张量M在通道维度上拼接，并进行一次上采样，得到特征图D4；

将局部特征图F3、特征图D4和水印张量M在通道维度上拼接，并经过二次卷积层和上采样层，得到特征图D3；

将局部特征图F2、特征图D3和水印张量M在通道维度上拼接，并经过二次卷积层和上采样层，得到特征图D2；

将局部特征图F1、特征图D2和水印张量M在通道维度上拼接，并经过二次卷积层和1 1卷积层，得到编码图像D1。

4.根据权利要求3所述的一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，将载体图像进行三次下采样操作包括：在每一次下采样时，将载体图像依次经过3×3卷积层、批归一化层、第一激活函数层、3×3卷积层、批归一化层、第二激活函数层和HWC注意力模块；

HWC注意力模块包括HAttention模块、WAttention模块和CAttention模块；

其中，在HAttention模块中，将输入特征图x分别经过自适应最大值池化操作和自适应全局平均池化操作，将宽度压缩为1，分别得到特征图maxh和特征图avgh，将特征图maxh依次通过1×1卷积层、激活函数层和1×1卷积层，得到特征图se(maxh)，将特征图avgh依次通过1×1卷积层、激活函数层和1×1卷积层，得到特征图se(avgh)，将特征图se(maxh)和特征图se(avgh)进行拼接，再通过激活函数层后得到特征图Ah；

在WAttention模块中，将输入特征图x分别经过自适应最大值池化和自适应全局平均池化，将高度压缩为1，得到特征图maxw和特征图avgw，将特征图maxw依次通过1×1卷积层、激活函数层和1×1卷积层，得到特征图se(maxw)，将特征图avgw依次通过1×1卷积层、激活函数层和1×1卷积层，得到特征图se(avgw)，将特征图se(maxw)和特征图se(avgw)进行拼接，再通过激活函数层后得到特征图Aw；

在CAttention模块中，将输入特征图x分别经过自适应最大值池化层和自适应全局平均池化层，将通道数压缩为1，然后将得到的两个张量在通道维度上进行拼接，再经过1×1卷积层将通道维数降维到1，再经过激活函数层得到特征图Ac；

将输入特征图x与特征图Ah、特征图Aw在高度和宽度维度相乘，再与特征图Ac在通道维度上相乘，得到的结果再与输入特征图x相加，作为HWC注意力模块的输出结果。

5.根据权利要求4所述的一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，鉴别器为频谱归一化生成对抗网络，将载体图片和水印编码图像输入至频谱归一化生成对抗网络，鉴别器的输出为真或假，将鉴别器的输出结果输入至编码器中，并计算编码器损失函数LC和鉴别器损失函数LE，计算表达式分别为：，

，

式中，α和β是训练超参数，Xr和Xw分别表示载体图像和编码图像，Lnce和Lgan分别表示NCE损失和合页损失，C表示鉴别器的权重参数， 表示固定鉴别器的权重参数；E表示编码器的权重参数， 表示固定编码器的权重参数。

6.根据权利要求5所述的一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，对编码图像进行失真模拟包括：利用透视变换随机扰动编码图像的四个角，然后对编码图像进行双线性重采样，创建透视扭曲后的图像；

利用光照模拟函数和摩尔纹模拟函数，对透视扭曲后的图像进行光照失真和摩尔纹失真模拟；

利用高斯噪声对现实场景下的干扰进行失真模拟。

7.根据权利要求6所述的一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，解码器包括依次设置的3个单卷积块、3个残差卷积块、1个单卷积块、6个残差卷积块、1个单卷积块和1个全连接层。

8.根据权利要求7所述的一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，提取出隐藏在失真的编码图像中的水印信息后包括：根据解码后的水印信息和原始的水印信息计算解码器损失函数LD，计算公式为：，

式中，M表示原始的水印信息，Md表示解码后的水印信息，γ D表示解码超参数，In表示失真后的编码图像，D(γ D, In)表示解码器对失真后的编码图像进行解码。

9.根据权利要求8所述的一种基于注意力机制和对比学习的屏摄图像鲁棒水印方法，其特征在于，联合损失函数由编码器损失函数、鉴别器损失函数以及解码器损失函数构成，公式如下：，

其中，λ1、λ2和λ3为对应损失函数的权重参数。