1.基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于，包括以下步骤：S1：获取数据集；

使用DIV2K数据集，将所有图像剪裁为统一大小，使用QPHFMs水印嵌入算法得到含水印图像作为本网络的数据集；

S2：构建水印攻击网络；

S3：构建损失函数；

S4：建立评价指标；

所述水印攻击网络主体是由L个连续的相同块组成；

每个块中包括一个多核卷积层、一个通道注意力模块和一个空间注意力模块，在每个块中，使用跳跃连接增强信息流；

还包括瓶颈结构，所述瓶颈结构包括两个卷积层和一个ReLU激活层；

还包括全局残差学习方法，即在所述水印攻击网络的末端添加一个从输入到末端的长跳跃连接；

所述多核卷积层为所述水印攻击网络的基本模块，所述多核卷积层包含多个卷积核，每个卷积核对输入特征图进行一次卷积操作，得到一个输出特征图，多个卷积核的输出特征图在通道维度上进行拼接或者加权组合，得到一个更加丰富的特征表示；

将所述S1获取的含水印图像进行二维离散小波变换，分解为四个子带图像，四个所述子带图像提供不同频率的信息，四个子带图像的系数作为所述水印攻击网络的输入且在训练前被分成四个通道；

所述水印攻击网络的处理步骤为:S21:使用卷积层从输入中提取浅层特征；

S22：将所有块的所有输出沿通道维连接起来，在融合多个块的特征后，利用所述瓶颈结构将这些特征映射进一步缩小；

S23：利用逆小波变换将处理后的图像重构回原始图像，完成水印去除，即可得到不含水印的图；

S24：通过所述全局残差学习方法使，使所述水印攻击网络能够学习预测残差成分，而不是直接预测不含水印的干净图像，有助于鲁棒的训练和快速融合；

S25：将重构清晰图像与输入图像进行残差连接得到干净的去水印图像；

使用均方误差损失以及感知损失进行组合得到的损失函数来训练所述水印攻击网络；

均方误差损失能够有效提升攻击后图像与含水印图像之间的结构相似性的优势，表达式如下：（1）

其中：是图片的高度；

是图片的宽度；

表示含水印头像；

表示受攻击后的图像；

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；

表示含水印图像在对应坐标处的像素值；

表示受攻击后的图像在对应坐标处的像素值；

感知损失用于加强有效特征提取，利用感知损失可以计算攻击后图像与含水印图像之间的特征差异，定义如下所示：      （2）

其中：表示含水印头像；

表示受攻击后的图像；

表示训练的神经网络；

表示该网络的第 层；

表示第 层的特征图形状；

将上述两项损失函数进行线性组合得到最终完整的损失函数，其表达式如下：  （3）

其中：用来调节两个损失函数之间的权重。

2.根据权利要求1所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述S4中评价指标包括使用峰值信噪比衡量图像被攻击后的质量，其结果可以表示受攻击后图像与含水印图像的失真程度，计算公式为：               （4）其中： 表示图像像素的最大值。

3.根据权利要求1所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述S4中评价指标还包括误码率BER，公式为：                       （5）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。