CN116957894B - 基于像素相关性的预测误差扩展可逆水印算法 - Google Patents

Abstract

本发明涉及信息隐藏、数字水印技术领域，公开了一种基于像素相关性的预测误差扩展可逆水印算法，其水印嵌入过程为：利用非重叠分块内的奇数行和奇数列之间的差值之和，从小到大依次排序，构成索引信息表；利用像素之间的相关性将原始图像划分为平滑块和复杂块，优先选择在平滑块内嵌入水印信息，在嵌入数据时采用预测误差扩展算法提高算法的嵌入容量，通过计算图像平滑分块，选择平滑度值靠前的像素块进行水印嵌入。水印提取方法为水印嵌入方法的逆过程。与现有技术相比，本发明在保证一定嵌入量的前提下能有效提高视觉质量，能够在提取出水印后能完全恢复出原载体图像，实现算法可逆。

Description

基于像素相关性的预测误差扩展可逆水印算法

技术领域

本发明涉及信息隐藏，数字水印技术领域，具体涉及一种基于像素相关性的预测误差扩展可逆水印算法。

背景技术

可逆信息隐藏最早诞生于20世纪90年代，是一项用于实现版权保护、隐蔽通信等功能的算法。它将秘密数据隐藏在原始图像中，使嵌入的秘密信息不容易检测出来，隐藏嵌入行为。且当秘密信息在被提取之后，原始图像可以无损恢复，使得嵌入提取操作不会对载体造成永久性失真，也使得其在军事、司法、医疗等强调载体内容精确性的应用领域具有重要研究价值。良好的可逆信息隐藏算法基本目标是以较小的失真以取得最大的有效信息嵌入量。因此，在保证视觉质量的同时提高嵌入容量是研究的主要方面。

Tian最早提出了基于相邻像素差值扩展的可逆信息隐藏方案，通过对选定的相邻像素对计算其均值和差值，利用像素对差值扩展来嵌入水印，其最大嵌入容量可达0.5bpp。在此基础上，国内外学者提出了许多基于差值扩展的改进算法。

WRNG等提出像素值排序的可逆信息隐藏算法，该算法首先对图像分块，然后对块中剩余像素作排序，选择3个最大以及最小的像素值点进行数据嵌入，最高可在每2个像素点中嵌入一位嵌入数据，提高了嵌入容量。Yu等提出了一种基于多维PEE的可逆水印算法，并通过摒弃可能产生高失真的嵌入映射来减小嵌入失真。范鑫惠等提出了基于预测差值的医学图像可逆信息隐藏。首先利用中值边缘预测算法计算预测差值，再根据预测差值的分类进行信息的嵌入和像素平移。该算法在满足图像精度的同时获得高嵌入量。顼聪等提出了基于多分类预测误差扩展的信息隐藏方法，根据块内像素的位置采用中值边缘检测器、菱形预测器和均值计算检测器的组合预测误差方法，创建出更多差值直方图的峰值点，从而扩大了嵌入量。这种组合预测误差方法达到了较好的效果。

上述大容量、低失真的可逆水印算法已经研究较多，算法性能也得到很大程度提高。但这些算法的嵌入率、视觉质量等性能仍能够不断提高，如何以较小的失真来取得最大的有效信息嵌入量，是我们进一步需要研究的技术问题。

发明内容

发明目的：针对现有技术中存在的差值扩展算法中嵌入率低和恢复图像后视觉质量差等问题，本发明提供一种基于像素相关性的预测误差扩展可逆水印算法，利用非重叠分块内的奇数行和奇数列之间的差值之和，从小到大依次排序，构成索引信息表；利用像素之间的相关性将原始图像划分为平滑块和复杂块，优先选择在平滑块内嵌入水印信息，在嵌入数据时采用预测误差扩展算法提高算法的嵌入容量，通过计算图像平滑分块，选择平滑度值靠前的像素块进行水印嵌入，在保证一定嵌入量的前提下能有效提高视觉质量。

技术方案：本发明提供了一种基于像素相关性的预测误差扩展可逆水印算法，包括水印嵌入方法，具体包括如下步骤：

步骤1：首先对水印信息W进行Arnold变换得到W’，在将其转变为一维二进制序列；

步骤2：将大小为M×N的原始图像L分成7×7的互不重叠图像块L_i，计算所有像素块中奇数行和奇数列的差值并求和S，然后将S从小到大稳定排序，并建立排序索引信息表；

步骤3：根据所需隐藏的水印信息量，合适选取排序索引信息表中排在前面的n块平滑像素块，对所选取的任一平滑块L_i，进行3×3的块划分，并采用预测误差估计方法计算块中每个像素的预测误差，所述预测误差估计方法为对目标像素，选择其相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值；

步骤4：通过图像在平滑分块中像素点的预测误差估计将每个像素点的像素值和对应的预测误差值组成像素对通过预测误差扩展算法来嵌入水印；为了进一步增加水印容量，设置阈值T，来调节嵌入水印信息量；

步骤5：构建溢出图，对于利用差值扩展嵌入信息后超出图像灰度值范围的像素点，在溢出图中标注；压缩溢出图，将其与排序索引信息表辅助信息利用无损压缩算法隐藏在复杂块中；

步骤6：经过多轮嵌入水印信息后的平滑块和经无损压缩后的复杂块重构最终生成含水印图像。

进一步地，所述步骤2中计算所有像素块中奇数行和奇数列的差值并求和S的具体操作为：

设定7×7的图像分块，奇数行和奇数列中的像素为x_i，i∈(1,16)是不变像素值；

水平方向差值为：

d₁＝x₁-x₂

d₂＝x₂-x₃

d₃＝x₃-x₄…

d₁₂＝x₁₅-x₁₆

垂直方向差值为：

f₁＝x₁-x₅

f₂＝x₅-x₉

f₃＝x₉-x₁₃…

f₁₂＝x₁₂-x₁₆假设差值之和为S：

进一步地，所述步骤3中采用预测误差估计方法计算每个像素的预测误差，具体操作为：

(1)在一个7×7的分块内，7×7的块分成9个3×3的子块；7×7分块的最外层像素中，除去12个不变像素x_i，i∈(1,16)之外，其余的12个像素值作为目标像素，选择目标像素相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值；

(2)将(1)中的7×7互不重叠像素块中划分为两部分，一部分为菱形块，另一部分为处于4个顶点位置的4个3×3的像素块，菱形块包括5个3×3的像素块，对菱形块的周边4个3×3的像素块进行处理，对该3×3的像素块除中间像素的其他像素作为目标像素，选择目标像素相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值；对3×3的像素块除中间像素的其他像素作为目标像素进行预测误差扩展时，存在重叠像素，对已经进行过预测误差扩展的像素，再次进行预测误差扩展时，若存在溢出，则对溢出进行标记，如果溢出则不进行嵌入。

(3)对(2)中的7×7像素块中处于4个顶点位置的3×3的像素块，进行预测误差扩展，对该3×3的像素块除中间像素的其他像素作为目标像素，选择目标像素相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值；

(4)对于(1)选择的7×7的互不重叠的像素块，划分为9个重叠的3×3的像素块，对9个3×3的像素块的中间像素均采用如下方式进行预测误差估计：假设其中一个像素块为P_i，分别取4个顶点像素值，把4个顶点像素值的平均值预测值,预测误差为中间像素值与预测值的差值。

进一步地，所述步骤4中嵌入水印的具体操作为：

假定预测误差值为d_i,j，原始像素为f_i,j，载密像素为f’_i,j，水印信息为b_i，b_i∈{0,1}，则：

进一步地，还包括水印提取方法，具体包括如下步骤：

S1将含水印的图像L_w分成大小为7×7的互不重叠图像块L_wi，

S2计算分块内奇数列和奇数行的像素值差值之和，然后将差值之和从小到大稳定排序，并生成排序索引信息表,这里的排序索引信息表和嵌入时的排序索引信息表时一致的，保证提取的可逆性；

S3通过索引信息表找到复杂块，利用逆无损压缩算法提取出水印嵌入的辅助信息，得到水印容量大小、图像溢出图位置信息并恢复出原始复杂块图像；

S4根据辅助信息获得溢出定位图，然后根据溢出定位图，利用逆预测误差扩展算法按序提取出嵌入水印信息，同时恢复出平滑块原始图像；

S5对构成的水印信息进行逆Arnold变换，得到最终的水印信息。

S6对恢复后平滑块和复杂块按序结合在一起，生成最终的原始图像。

进一步地，所述S4中利用逆预测误差扩展算法按序提取出嵌入水印信息，同时恢复出平滑块原始图像的具体步骤为：

假定预测误差值为d_i,j，原始像素为f_i,j，载密像素为f’_i,j，水印信息为b_i，b_i∈{0,1}，则：

有益效果：

1、本发明提出的一种基于像素相关性预测误差扩展可逆水印算法，该算法利用非重叠分块内的奇数行和奇数列之间的差值之和，从小到大依次排序，构成索引信息表。利用像素之间的相关性将原始图像划分为平滑块和复杂块，优先选择在平滑块内嵌入水印信息，在嵌入数据时采用预测误差扩展算法提高算法的嵌入容量。通过计算图像平滑分块，选择平滑度值靠前的像素块进行水印嵌入，在保证一定嵌入量的前提下能有效提高视觉质量。

2、在对7*7分块内的像素进行预测误差值时，先预测边缘的除了12个不变像素的其他12个像素值，将原始像素和预测像素作差得到预测误差估计，利用预测误差扩展算法，嵌入水印信息，使得最外层像素嵌入完毕；再将该7*7分块分成9个3*3分块，对9个3*3分块中未进行预测误差的像素(除每个3*3分块的中间像素)分别进行预测误差，除去最外层像素和中间像素的嵌入，其余的像素也要进行嵌入水印信息，所以通过该划分方式，求出预测误差估计，并进行嵌入水印，使嵌入水印信息量增加；最后对9个3*3分块中，每个3*3分块的中间像素利用四个顶点像素的均值作为预测值进行预测误差，还剩下中间像素没有嵌入，为了保证中间像素嵌入，利用4个不变像素的均值，进行嵌入。

3、本发明水印提取过程中的排序索引信息表和嵌入时的排序索引信息表时一致的，保证提取的可逆性。可以直接根据嵌入时的排序索引信息表找到复杂块，利用逆无损压缩算法提取出水印嵌入的辅助信息，得到水印容量大小、图像溢出图位置信息并恢复出原始复杂块图像。

附图说明

图1为本发明水印嵌入方法流程图；

图2为本发明实施例的实验测试图像；

图3为本发明7*7分块划分9个3*3分块示意图；

图4为本发明Lena图像在不同嵌入容量下的PSNR；

图5为本发明Baboon图像在不同嵌入容量下的PSNR；

图6为本发明Baboon、Lena、Barbara、Peppers图像在不同嵌入容量下的PSNR。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明公开了一种基于像素相关性的预测误差扩展可逆水印算法，包括水印嵌入方法和水印提取方法，具体包括如下步骤：

水印嵌入方法包括如下步骤：

步骤1：首先对水印信息W进行Arnold变换得到W’，在将其转变为一维二进制序列。

步骤2：将大小为M×N的原始图像L分成7×7的互不重叠图像块L_i，计算所有像素块中奇数行和奇数列的差值并求和S，然后将S从小到大稳定排序，并建立排序索引信息表。

本发明实施例选取一幅512×512的标准图像，可以参考图2实验图像，进行7×7的图像分块，一共有73个7×7的图像分块。选取其中一个7×7的图像块如表1所示，奇数行和奇数列中的像素为x_i，i∈(1,16)是不变像素值：

表1

x1

x2

x3

x4

x5

x6

x7

x8

x9

x10

x11

x12

x13

x14

x15

x16

水平方向差值为：

d₁＝x₁-x₂

d₂＝x₂-x₃

d₃＝x₃-x₄… (3)

d₁₂＝x₁₅-x₁₆

垂直方向差值为：

f₁＝x₁-x₅

f₂＝x₅-x₉

f₃＝x₉-x₁₃… (4)

f₁₂＝x₁₂-x₁₆

假设差值之和为S：

本发明利用公式(3)(4)(5)计算所有像素块的差值之和S，然后将S按照从小到大排序，构建索引信息表。

步骤3：根据所需隐藏的水印信息量，合适选取排序索引信息表中排在前面的n块平滑像素块。一般来说，块内图像越平滑，则其内部像素间差值就越小，嵌入水印信息后引起的原载体图像客观失真就相对较小，可优先选择进行水印嵌入；块内图像越粗糙，则像素间差值越大，在其中隐藏信息会引发较大失真。最终根据所要嵌入的信息量，选取S靠前的平滑像素块n进行水印信息的嵌入。对所选取的任一平滑块L_i，进行3×3的块划分，并采用预测误差估计方法计算块中每个像素的预测误差，预测误差估计方法为对目标像素，选择其相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值。

一般来说，在一幅自然图像中相邻像素的像素值会有一定的相关性。利用当前像素的上面、左面、右面三个像素(相邻像素，并不一定为上、左、右三面，以如下上、左、右三面为例)计算出像素块内像素的预测值。然后利用预测误差扩展嵌入水印信息。均值预测器是实现预测的有效工具，在不考虑边界上像素时，每个集合的预测方式是相同的，以表2所示：

表2

对于x_i,j，其预测值x’_i,j为该像素相邻的三个像素的平均med：

x’_i,j＝med＝floor(x_i-1,j+x_i,j-1+x_i,j+1)/3 (1)

预测误差为：

e_i,j＝x_i,j-x’_i,j＝x_i,j-med (2)

其中：x’_i,j为预测灰度值；e_i,j为预测误差。

对于本发明，对水印信息嵌入块进行预测误差估计如下：

(1)在一个7×7的分块内如表1所示，其最外层像素中，除去12个不变像素x_i，i∈(1,16)之外，其余的12个像素值，把7×7的块分成9个3×3的子块，表3指其中的一个3×3分块。通过三领域预测(选择其相邻的三个像素的均值作为预测值)如表3所示，假设目标像素是x_i-1,j，相邻像素分别为(x_i-1,j-1，x_i-1,j+1，x_i,j)，则具体步骤如下：取x_i-1,j的三个相邻像素(x_i-1,j-1，x_i-1,j+1，x_i,j)，并求其均值作为目标像素的预测值x’_i-1,j，预测误差为f_i,j＝x_i-1,j-x’_i-1,j。其中：x’_i-1,j为预测灰度值；f_i,j为预测误差。

表3

xi-1,j-1	xi-1,j	xi-1,j+1
			xi,j-1	xi,j	xi,j+1
xi+1,j-1	xi+1,j	xi+1,j+1

(2)将上述的一个7×7互不重叠像素块中划分为两部分，一部分为菱形块，另一部分为4个3×3的像素块，一共9个3×3的像素块，参见图3所示，假设菱形块如表4所示先对x₀块进行处理。x₀块也是一个3×3的像素块，重复第一部分步骤，对除了中心像素的其他4个像素值进行预测误差扩展，注意：对于外围已经做过预测误差扩展的像素不做处理。

表4

(3)分别对表4中菱形块中的x₁、x₂、x₃、x₄像素块，进行预测误差扩展，假设表5为x₁块，目标像素分别为x’_i+1,j，x_i,j-1，x_i,j+1。假设目标像素为x’_i+1,j，具体步骤如下：取x’_i+1,j的三个相邻像素(x_i+1,j-1，x_i+1,j+1，x_i,j)，并求其均值作为目标像素的预测值x”_i+1,j，预测误差为d_i,j＝x’_i+1,j-x”_i+1,j。其中：x”_i+1,j为预测灰度值；d_i,j为预测误差。按照此方法，分别对x₂、x₃、x₄像素块进行预测误差，这里会发现，由于x₁、x₂、x₃、x₄像素块与x₀块有重叠部分。因此重叠部分的像素值进行了二次嵌入。对3×3的像素块除中间像素的其他像素作为目标像素进行预测误差扩展时，存在重叠像素，对已经进行过预测误差扩展的像素，再次进行预测误差扩展时，若存在溢出，则对溢出进行标记，如果溢出则不进行嵌入。

表5

xi-1,j-1	xi-1,j	xi-1,j+1
			xi,j-1	xi,j	xi,j+1
xi+1,j-1	x’i+1,j	xi+1,j+1

(4)对上述的一个7×7像素块中处于4个顶点位置的3×3的像素块，进行预测误差扩展，假设表6为左上角的像素块，目标像素分别为(x’_i,j+1，x’_i+1,j)，假设目标像素为x’_i,j+1则具体步骤如下：取x’_i,j+1的三个相邻像素(x_i-1,j+1，x_i+1,j+1，x_i,j)，并求其均值作为目标像素的预测值x’_i,j+1，预测误差为s_i,j＝x’_i,j+1-x”_i,j+1。其中：x”_i,j+1为预测灰度值；s_i,j为预测误差。按照此方法分别对左下角、右上角、右下角像素块进行预测误差。这里会发现同样有重叠的部分，重叠部分也进行二次嵌入。对3×3的像素块除中间像素的其他像素作为目标像素进行预测误差扩展时，存在重叠像素，对已经进行过预测误差扩展的像素，再次进行预测误差扩展时，若存在溢出，则对溢出进行标记，如果溢出则不进行嵌入。

表6

xi-1,j-1	xi-1,j	xi-1,j+1
			xi,j-1	xi,j	x’i,j+1
xi+1,j-1	x’i+1,j	xi+1,j+1

(5)上述的一个7×7的互不重叠的像素块，在其中划分为9个重叠的3×3的像素块，假设其中一个像素块为P_i，如表7所示，P_i中的奇数列和奇数列像素为(x_i-1,j-1，x_i-1,j+1，x_i+1,j-1，x_i+1,j+1)，则具体步骤如下：分别取4个顶点(x_i-1,j-1，x_i-1,j+1，x_i+1,j-1，x_i+1,j+1)，把4个顶点的平均值作为x_i,j的预测值x’_i,j,预测误差为e_i,j＝x_i,j-x’_i,j。其中：x’_i,j为预测灰度值；e_i,j为预测误差。按照此方法分别对其余8个像素块进行预测误差。

表7

xi-1,j-1	xi-1,j	xi-1,j+1
			xi,j-1	xi,j	xi,j+1
xi+1,j-1	xi+1,j	xi+1,j+1

步骤4：通过图像在平滑分块中像素点的预测误差估计将每个像素点的像素值和对应的预测误差值组成像素对通过预测误差扩展算法来嵌入水印；为了进一步增加水印容量，设置阈值T，来调节嵌入水印信息量。

假定预测误差值为d_i,j，原始像素为f_i,j，载密像素为f’_i,j，水印信息为b_i，b_i∈{0,1}，则：

步骤5：构建溢出图，对于利用差值扩展嵌入信息后超出图像灰度值范围的像素点，在溢出图中标注；压缩溢出图，将其与排序索引信息表辅助信息利用无损压缩算法隐藏在复杂块中。

步骤6：经过多轮嵌入水印信息后的平滑块和经无损压缩后的复杂块重构最终生成含水印图像。

针对上述的水印嵌入方法，其对应的水印提取方法具体包括如下步骤：

S1将含水印的图像L_w分成大小为7×7的互不重叠图像块L_wi，

S2计算分块内奇数列和奇数行的像素值差值之和，然后将差值之和从小到大稳定排序，并生成排序索引信息表,这里的排序索引信息表和嵌入时的排序索引信息表时一致的，保证提取的可逆性。

S3通过索引信息表找到复杂块，利用逆无损压缩算法提取出水印嵌入的辅助信息，得到水印容量大小、图像溢出图位置信息并恢复出原始复杂块图像。

S4根据辅助信息获得溢出定位图，然后根据溢出定位图，利用逆预测误差扩展算法按序提取出嵌入水印信息，同时恢复出平滑块原始图像。

假定预测误差值为d_i,j，原始像素为f_i,j，载密像素为f’_i,j，水印信息为b_i，b_i∈{0,1}，则：

S5对构成的水印信息进行逆Arnold变换，得到最终的水印信息。

S6对恢复后平滑块和复杂块按序结合在一起，生成最终的原始图像。

可逆图像水印算法通常要求在提取水印后原始图像能完整被恢复，因此可用原始图像与提取水印后恢复出的载体图像的相关系数(Normalized Correlation,NC)进行衡量。本可逆图像水印算法在提取出水印后能完全恢复出原载体图像，实现了算法可逆。

表8无攻击时完整性评估表

表8显示了基于该算法的4种不同类型的水印图像在不受任何攻击的情况下的结果的完整性。结果表明，该算法能够在不受攻击的情况下完全恢复原始图像。这表明该算法是可逆的。

峰值信噪比PSNR值作为图像稳健性的评估标准，不含任何主观因素。一般来说，图像峰值信噪比大于30时，主观上已很难察觉图像的变化。在可逆水印算法中，虽然原始图像可被完全恢复，但是按水印算法的一般要求，峰值信息噪比和水印容量都越大越好。这里的水印信息由伪随机序列发生器生成。

图4和图5分别给出了Lena图像和Baboon图像在5000bit、10000bit、15000bit、20000bit、250000bit的嵌入量下，本发明算法分别和其他两种算法获得的PSNR值比较。通过图4和图5可以得出，当嵌入容量不超过20000bit时，本发明算法的PSNR值都高于其他两种算法。

从图4可以看出当以Lena为载体图像进行实验时，PSNR最高可达56dB。从图5可以看出，当以Baboon为载体图像进行实验时，PSNR最高可达54dB。因此相较于文献一(苏佳.一种JPEG图像的可逆信息隐藏算法[J].现代计算机(专业版),2016(14):77-80)、文献二(程航,王子驰,张新鹏.基于图像块分组的加密域可逆信息隐藏[J].北京工业大学学报,2016,42(05):722-728)、文献三(张雅蕾,何志红,孙美慧.一种高容量的自适应图像可逆信息隐藏算法[J].软件导刊,2017,16(12):205-209)、文献四(Li X,Yang B,Zeng T.EfficientReversible Watermarking Based on Adaptive Prediction-Error Expansion andPixel Selection[J].IEEE Transactions on Image Processing,2011,20(12):3524-3533)，本算法在嵌入水印信息后得到的载密图像视觉质量更高。

在实验中，为了能进一步衡量算法的性能优势，从1000bit开始，依次将不同大小的水印信息嵌入到四幅纹理各异的图像中，对其PSNR值进行比较，实验结果如图6所示，该图为在不同嵌入容量下，四幅含水印图像的PSNR值对比情况。

通过实验结果，得出对于纹理复杂的Baboon图像，在嵌入不同的嵌入容量时，其视觉质量明显比其他载体图像较低。其他三幅载体图像变化趋势相近，PSNR最高可达64dB。

水印容量指可以有效通过具体某一个可逆信息隐藏算法嵌入到载体图像中并能够完整提取的有效水印嵌入量。本发明所提出的是基于像素相关性的预测误差扩展可逆水印算法，通过利用多轮预测误差扩展来使得本算法在保证一定视觉质量下具有较大的嵌入容量。下面用具体实验结果数据分析来加以说明，首先采用本算法分别对4幅不同类型的载体图像进行水印嵌入，嵌入过程中给定平滑块数N，当N为300时，进行不同阈值T实验，阈值不同性能也各不相同。表9为采用本算法后的含水印图像最大嵌入容量以及其相应的PSNR值。当以Baboon为载体图像时，其纹理复杂度高，具有较大的预测误差值，从而导致其容量相对较少。然而对载体图像Lena其较纹理平滑，采用本算法后其预测误差值较小，嵌入容量相对较高。因此，本发明提出的算法用于较光滑载体图像时具有更好的性能。

表9含水印图像最大嵌入容量及相应PSNR值

	Lena		Baboon		Barbara		Pepers
									T	嵌入容量	PSNR	嵌入容量	PSNR	嵌入容量	PSNR	嵌入容量	PSNR
0	22857	48.47	4928	52.61	11361	46.13	18062	48.30
									1	62001	42.33	13679	46.45	46351	43.84	49129	42.21
2	92573	38.72	21328	42.77	68855	40.22	74782	38.60
									3	11516	36.26	28125	40.16	84908	37.82	95873	36.08

根据以上仿真实验结果可知，本算法无论在视觉质量还是嵌入容量上都优于其他两种算法，其原因在于，本算法给出了新的划分平滑块的方式，并利用预测误差值的强相关性，多轮嵌入水印信息量。因此和其他算法相比，在维持较好视觉质量的前提下提高了水印嵌入率。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于像素相关性的预测误差扩展可逆水印算法，其特征在于，包括水印嵌入方法，具体包括如下步骤：

步骤1：首先对水印信息W进行Arnold变换得到W’，在将其转变为一维二进制序列；

步骤2：将大小为M×N的原始图像L分成7×7的互不重叠图像块L_i，计算所有像素块中奇数行和奇数列的差值并求和S，然后将S从小到大稳定排序，并建立排序索引信息表；

步骤3：根据所需隐藏的水印信息量，合适选取排序索引信息表中排在前面的n块平滑像素块，对所选取的任一平滑块L_i，进行3×3的块划分，并采用预测误差估计方法计算块中每个像素的预测误差，所述预测误差估计方法为对目标像素，选择其相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值；

采用预测误差估计方法计算每个像素的预测误差，具体操作为：

(1)在一个7×7的分块内，7×7的块分成9个3×3的子块；7×7分块的最外层像素中，除去12个不变像素x_i，i∈(1,16)之外，其余的12个像素值作为目标像素，选择目标像素相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值；

(2)将(1)中的7×7互不重叠像素块中划分为两部分，一部分为菱形块，另一部分为处于4个顶点位置的4个3×3的像素块，菱形块包括5个3×3的像素块，对菱形块的周边4个3×3的像素块进行处理，对该3×3的像素块除中间像素的其他像素作为目标像素，选择目标像素相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值；对3×3的像素块除中间像素的其他像素作为目标像素进行预测误差扩展时，存在重叠像素，对已经进行过预测误差扩展的像素，再次进行预测误差扩展时，若存在溢出，则对溢出进行标记，如果溢出则不进行嵌入；

(3)对(2)中的7×7像素块中处于4个顶点位置的3×3的像素块，进行预测误差扩展，对该3×3的像素块除中间像素的其他像素作为目标像素，选择目标像素相邻的三个像素的均值作为预测值，预测误差为像素值与预测值的差值；

(4)对于(1)选择的7×7的互不重叠的像素块，划分为9个重叠的3×3的像素块，对9个3×3的像素块的中间像素均采用如下方式进行预测误差估计：假设其中一个像素块为P_i，分别取4个顶点像素值，把4个顶点像素值的平均值预测值，预测误差为中间像素值与预测值的差值；

步骤4：通过图像在平滑分块中像素点的预测误差估计将每个像素点的像素值和对应的预测误差值组成像素对通过预测误差扩展算法来嵌入水印；为了进一步增加水印容量，设置阈值T，来调节嵌入水印信息量；

步骤5：构建溢出图，对于利用差值扩展嵌入信息后超出图像灰度值范围的像素点，在溢出图中标注；压缩溢出图，将其与排序索引信息表辅助信息利用无损压缩算法隐藏在复杂块中；

步骤6：经过多轮嵌入水印信息后的平滑块和经无损压缩后的复杂块重构最终生成含水印图像。

2.根据权利要求1所述的基于像素相关性的预测误差扩展可逆水印算法，其特征在于，所述步骤2中计算所有像素块中奇数行和奇数列的差值并求和S的具体操作为：

设定7×7的图像分块，奇数行和奇数列中的像素为x_i，i∈(1,16)是不变像素值；

水平方向差值为：

d₁＝x₁-x₂

d₂＝x₂-x₃

d₃＝x₃-x₄…

d₁₂＝x₁₅-x₁₆

垂直方向差值为：

f₁＝x₁-x₅

f₂＝x₅-x₉

f₃＝x₉-x₁₃…

f₁₂＝x₁₂-x₁₆

差值之和为S：

3.根据权利要求1所述的基于像素相关性的预测误差扩展可逆水印算法，其特征在于，所述步骤4中嵌入水印的具体操作为：

假定预测误差值为d_i,j，原始像素为f_i,j，载密像素为f’_i,j，水印信息为b_i，b_i∈{0,1}，则：

4.根据权利要求1所述的基于像素相关性的预测误差扩展可逆水印算法，其特征在于，还包括水印提取方法，具体包括如下步骤：

S1将含水印的图像L_w分成大小为7×7的互不重叠图像块L_wi，

S2计算分块内奇数列和奇数行的像素值差值之和，然后将差值之和从小到大稳定排序，并生成排序索引信息表，这里的排序索引信息表和嵌入时的排序索引信息表是一致的，保证提取的可逆性；

S3通过索引信息表找到复杂块，利用逆无损压缩算法提取出水印嵌入的辅助信息，得到水印容量大小、图像溢出图位置信息并恢复出原始复杂块图像；

S4根据辅助信息获得溢出定位图，然后根据溢出定位图，利用逆预测误差扩展算法按序提取出嵌入水印信息，同时恢复出平滑块原始图像；

S5对构成的水印信息进行逆Arnold变换，得到最终的水印信息；

S6对恢复后平滑块和复杂块按序结合在一起，生成最终的原始图像。

5.根据权利要求4所述的基于像素相关性的预测误差扩展可逆水印算法，其特征在于，所述S4中利用逆预测误差扩展算法按序提取出嵌入水印信息，同时恢复出平滑块原始图像的具体步骤为：

假定预测误差值为d_i,j，原始像素为f_i,j，载密像素为f’_i,j，水印信息为b_i，b_i∈{0,1}，则：