1.一种基于卷积神经网络去噪思想的数字水印攻击方法，其特征在于，包括以下步骤：获取含水印图像；

对获取的含水印图像预处理，得到含水印含噪声图像；

将得到的含水印含噪声图像输入到预设的卷积神经网络模型中，得到去噪图像；

计算去噪图像与含水印图像的相似程度，判断嵌入水印的受攻击程度；

其中，所获取的含水印图像是基于极谐‑傅里叶矩在图像中嵌入水印。

2.如权利要求1中所述的一种基于卷积神经网络去噪思想的数字水印攻击方法，其特征在于，所述基于极谐‑傅里叶矩在图像中嵌入水印，具体过程为：计算原始图像的极谐‑傅里叶矩，选择适合嵌入水印的鲁棒极谐‑傅里叶矩图像，对所选的极谐‑傅里叶矩图像进行幅值量化；

在所选的极谐‑傅里叶矩图像中嵌入水印，得到含水印的极谐‑傅里叶矩图像；

对得到的含水印的极谐‑傅里叶矩图像进行重构，将重构后的含水印的极谐‑傅里叶矩图像与幅值量化后的极谐‑傅里叶矩图像进行结合，得到含水印图像。

3.如权利要求1中所述的一种基于卷积神经网络去噪思想的数字水印攻击方法，其特征在于，所述含水印图像的预处理的过程中，对含水印图像添加随机噪声，得到含水印含噪声图像的数据集。

4.如权利要求3中所述的一种基于卷积神经网络去噪思想的数字水印攻击方法，其特征在于，将预处理后所得到的含水印含噪声图像的数据集作为卷积神经网络的输入端，经卷积神经网络模型的训练得到与所述含水印含噪声图像同尺寸的残差特征图像，将含水印含噪声图像与残差特征特向作差得到去噪图像。

5.如权利要求1中所述的一种基于卷积神经网络去噪思想的数字水印攻击方法，其特征在于，所述基于模型对含水印含噪声图像训练时，将均方误差作为损失函数，卷积神经网络模型的损失值是总的损失函数值与迭代训练次数平均值的比值。

6.如权利要求1中所述的一种基于卷积神经网络去噪思想的数字水印攻击方法，其特征在于，在所述计算去噪图像与含水印图像的相似程度之前，计算衡量受攻击后图像与含水印图像之间的失真程度的峰值信噪比。

7.如权利要求1中所述的一种基于卷积神经网络去噪思想的数字水印攻击方法，其特征在于，通过计算结构相似性指数衡量去噪图像与含水印图像的相似程度，结构相似性指数越大则去噪图像与含水印图像越相似；通过计算误码率衡量嵌入水印的受攻击程度，误码率越大则是图像水印信息被去除的越多。

8.一种基于卷积神经网络去噪思想的图像水印攻击系统，其特征在于，包括：获取信息模块，用于获取含水印图像；

预处理模块，用于对获取的含水印图像预处理，得到含水印含噪声图像；

去噪模块，将得到的含水印含噪声图像输入到预设的卷积神经网络模型中，得到去噪图像；

判断模块，用于计算去噪图像与含水印图像的相似程度，判断嵌入水印的受攻击程度；

其中，所获取的含水印图像是基于极谐‑傅里叶矩在图像中嵌入水印。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7中任一项所述的基于卷积神经网络去噪思想的数字水印攻击方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑7中任一项所述的基于卷积神经网络去噪思想的数字水印攻击方法中的步骤。