1.一种基于傅里叶变换与多尺度卷积的水印攻击方法，其特征在于，包括以下步骤：S1：数据集的获取；

S2：构建水印攻击网络，主要包括傅里叶增强阶段和多尺度卷积阶段；

S21：傅里叶增强阶段对幅值和相位进行独立增强，以最大化破坏水印信息；

S22：通过多尺度卷积进一步处理攻击后的图像，确保水印信息被完全破坏，同时提升图像质量；

S3：构造损失函数；

S4：构造评价指标；

所述S21的具体步骤为：S211：首先输入水印图像 ；通过快速傅里叶变换式1、式2及式3得出幅值分量 和相位分量 ；

（1）；

其中： 是复数频谱；

是图像的高度；

是图像的宽度；

是图像空间坐标；

是频域坐标；

是虚数单位；

（2）；

（3）；

其中： 和 分别表示 的实部和虚部；

S212：使用1×1卷积层、LeakyReLU激活函数和1x1卷积层来分别提取幅值和相位分量，分别得到 和 ；

S213：对于幅值增强分支，使用膨胀卷积块和SE注意力结构来增强幅值，得到增强后的幅值 ：（4）；

其中： 表示膨胀卷积后的输出；

表示注意力结构的输出；

S214：对于相位增强分支，使用残差块处理，然后将输入跳跃连接到输出，得到增强后的相位 ：（5）；

其中： 表示相位经过残差块的非线性映射；

S215：对增强后的幅值 和相位 进行逆傅里叶变换，重新构建图像，得到第一阶段的输出 ：（6）；

其中： 代表逆傅里叶变换；

所述S22的具体步骤为：S221：对第一阶段的输出 用编码器 下采样；

S222：分别通过由六个多尺度卷积层进行处理；

S223：产生的特征馈送到解码器 中，产生最终的受攻击图像 。

2.根据权利要求1所述的基于傅里叶变换与多尺度卷积的水印攻击方法，其特征在于：为了在去除图像中水印的同时兼顾图像视觉质量，损失函数由三部分组成：；

；

；

（7）；

其中： 是第一阶段输出图像 与真实图像 的均方误差损失；

是第二阶段输出图像 与真实图像 的均方误差损失；

是基于VGG特征的感知损失，提升视觉效果；

表示范式，用于计算向量的欧几里得距离；

表示VGG‑19预训练模型的第 层特征提取结果；

、及 为损失权重参数。

3.根据权利要求1所述的基于傅里叶变换与多尺度卷积的水印攻击方法，其特征在于：采用峰值信噪比和结构相似性指数作为衡量指标；

峰值信噪比的计算公式如下：（8）；

其中：代表含水印图像；

表示受攻击后的图像；

表示图像的高度；

表示图像的宽度；

表示图像最大像素值的平方；

原始含水印图像在 处的像素值；

原始受攻击后图像在  处的像素值；

结构相似性指数的计算公式如下：（9）；

其中：与 分别为原始图像 和受攻击后的图像 ；

、 分别表示原始图像 和受攻击后的图像 的均值；

、分别表示原始图像 和受攻击后的图像 的标准差；

表示原始图像 和受攻击后的图像 的协方差；

及 是用于防止分母为零的常数；

还使用误码率作为评价指标，其计算公式如下：（10）；

其中：表示提取的水印中错误信息的位数；

表示原始水印信息的总位数。

4.根据权利要求1所述的基于傅里叶变换与多尺度卷积的水印攻击方法，其特征在于：水印攻击网络包括傅里叶增强模块和多尺度卷积模块，其中傅里叶增强模块由相位增强分支和幅值增强分支组成，多尺度卷积模块由编码器E、多尺度卷积层、解码器D组成。