基于边信息预测和直方图平移的数字音频可逆水印算法

摘要

本发明公开的基于边信息预测和直方图平移的数字音频可逆水印算法，包含以下步骤：计算该段音频数据的预测系数以及该样本的预测值；将预测值和该样本值相减，得到预测误差，再根据边信息预测算法的两种形式，建立两个不同的直方图，然后将水印信息嵌入到预测误差，得到含水印的预测误差；将含水印预测误差嵌入到目前样本的下一个样本值，得到含水印的音频值；在接收端接收含水印的音频信号，然后将预测值和样本值做差，利用预测误差直方图平移特性，提取嵌入信号，无损恢复原始音频信号。本发明的算法，与原有的预测算法相比，提升了预测的性能，而且还将非因果与直方图平移结合起来，在低嵌入率的时候，本发明具有较好的嵌入性能和较低失真率。

说明书

技术领域

本发明涉及音频数据处理领域，特别涉及基于边信息预测和直方图平移的数字音频可逆水印算法。

背景技术

音频可逆水印是多媒体信息安全和隐藏方向的一个重要分支，其特性主要有两个：第一个是水印可认证音频的完整性和真实性，并定位篡改；第二是载体可无损恢复，也就是说水印算法可逆。而可逆水印作为一种音频数据的处理方法，主要是将隐藏信息嵌入到音频里面，然后在接收端提取出隐藏信息，最后无损恢复音频值。

判断可逆水印嵌入算法的好坏标准，主要从几个方面来衡量：嵌入容量是指一段音频信号平均每比特所能嵌入的信息量；嵌入失真是指嵌入信息后音频信号的失真大小，通常用峰值信噪比来衡量，嵌入容量越大，嵌入失真越小，可逆水印嵌入算法越好。

现有好多种处理音频可逆水印的算法，如差值预测算法，此算法是最简单的数字音频预测算法，根据相邻样本之间的高度相关性，把前一个样本值当成是当前样本值的预测值，然后求出预测误差，再进行差分扩张嵌入。

差分预测只能利用到该音频数据的前一个数据，而忽视了该数据后一个数据与该音频值的相关性，而前后预测，一种简单的非因果预测，正好是利用到了该音频值的前后音频数据来预测该音频数据，该方法包括以下步骤：

步骤一：利用样本值的前后样本来预测当前样本，公式如下：

$>{\bar{x}}_i=\frac{x_{i-1}+x_{i+1}}{2}$>

步骤二：得出预测误差，然后再进行水印嵌入，得到含水印的音频信号。

上述针对前后预测应用到音频可逆水印，实现虽然简单，但还是存在以下几个难题和不足之处：

难题：

(1)当预测误差出现小数的时候，水印信息该如何嵌入去；

(2)嵌入水印后信息之后，如何保证含水印信息的音频样本仍然保持为整数形式；

(3)如何保持算法的可逆性；

不足之处：前后预测是将预测系数全设定为0.5，,得到的是该样本的前后两个样本值的平均值来预测，这预测出来的预测值的存在不高的精准度。

在嵌入方面，音频水印内现有的技术还提出很多种可行的方法，而使用的较为广泛的两种：一种是直方图平移方法，另一种是提升型LSB扩展嵌入方法。

直方图平移方法包括：首先建立音频的直方图，以幅值最多的点为基点，其他幅值点均平移一个单位，空出的位置就能嵌入小于等于基点幅值数目的水印信息。对于常见的音频，该算法具有较好的嵌入容量，但由于嵌入容量取决于具有与基点相同的幅值的数目，因此限制了其一般性。

提升型LSB扩展嵌入方法：主要思想是将整数和小数分开，只对整数部分进行扩展，对小数部分则是保持不变，如此一来，对于带有小数的数，都能进行水印嵌入，具体如下：

$>m^w=\left(\begin{array}{c}2\times a+b+w=m+a+w,m\ge 0\\ 2\times a+b-w=m+a-w,m<0\end{array}\right)$>

其中m^w是含有水印信息的数，m是被嵌入的数，a该数的整数部分，b是该数的小数部分，w是嵌入水印。

但利用提升型LSB嵌入算法嵌入水印信息，会破坏相邻样本之间的大小关系，对于一些利用到几个相邻样本之间的大小关系来说，这是不太适用。

此外，现在技术中还提出一种相位编码的音频水印嵌入算法，利用人耳听觉系统对绝对相位不敏感以及对相对相位敏感的特性，使用代表水印信息的参考相位替代原始音频段的绝对相位，并调整其余音频段以保持相对相位的不变。该算法利用了人耳的听觉特性，在嵌入信息后，原始音频数据是无法恢复的，即该算法不是数字音频可逆水印算法，不适用与某些对音频质量要求较高的场合。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供基于边信息预测和直方图平移的数字音频可逆水印算法，其可以更为精确，还能有效地减小预测误差带来的失真，提高水印算法的完整性认证，能够进一步解决前后预测所存在的不足和进一步提升非因果预测的预测效果。

本发明的目的通过以下的技术方案实现：

基于边信息预测和直方图平移的数字音频可逆水印算法，包含以下步骤：

1)通过计算机读取一段wav格式的音频数据，然后通过统计的方法计算该段音频数据的预测系数，即边信息，再结合该样本和该样本前后样本之间的大小关系，利用边信息预测算法，计算出该样本的预测值。

2)将预测值和该样本值相减，得到预测误差，再根据边信息预测算法的两种形式，建立两个不同的直方图，然后将水印信息通过直方图平移方式嵌入到预测误差，得到含水印的预测误差。

3)利用非因果预测算法的逆转变公式，将含水印预测误差嵌入到目前样本的下一个样本值，得到含水印的音频值。

4)在接收端接收含水印的音频信号，然后通过边信息预测算法，将预测值和样本值做差，利用预测误差直方图平移特性，提取嵌入信号，无损恢复原始音频信号。

所述步骤1)，具体如下：

101、利用统计方法，求出该段音频信号的预测系数，如下公式：

>

其中，x_i是第i个音频值，a是该段音频信号的预测系数，第i段音频信号的预测系数；“max()”函数功能是获得括号内最大的数，而“min()”函数功能是获得括号内最小的数。

102、根据边信息预测算法预测当前的音频值，公式如下：

$>{\bar{x}}_i=\left(\begin{array}{c}{x}_i-a\times x_{i-1}-(1-a)\times x_{i+1},|x_i-x_{i-1}|\ge |x_i-x_{i+1}|\\ x_i-(1-a)\times x_{i-1}-a\times x_{i+1},|x_i-x_{i-1}|<|x_i-x_{i+1}|\end{array}\right)$>

其中，是第i个音频数据的预测值，从第二个音频数据开始，得到一系列的音频预测值。

所述步骤2)，具体如下：

201、用当前的音频值减去该样本的预测值，得到当前音频数据的预测误差，公式如下：

$>e_i=x_i-{\bar{x}}_i=\left(\begin{array}{c}{x}_i-a\times x_{i-1}-(1-a)\times x_{i+1},|x_i-x_{i-1}|\ge |x_i-x_{i+1}|\\ i=2,3,\mathrm{4.....}\\ x_i-(1-a)\times x_{i-1}-a\times x_{i+1},|x_i-x_{i-1}|<|x_i-x_{i+1}|\end{array}\right)$>

e_i是第i个音频数据的预测误差，从第二个音频数据开始得到一系列的预测误差，保留第一第二个音频值和所有音频数据的预测误差。

202、利用直方图平移特性，将水印信息嵌入到预测误差，得到含水印的预测误差，公式如下：

$>{e_i}^w=\left(\begin{array}{c}{e}_i-sign(x_{i+1}-x_{i-1})\times T_a\times w,a\in [\frac{-T_a}{2},\frac{T_a}{2})or(\frac{-T_a}{2},\frac{-T_a}{2}]\\ |x_{i-1}-x_i|<|x_{i+1}-x_i|\\ e_i+sign\left(e_i\right)\times T_a,otherwise\\ e_i+sign(x_{i+1}-x_{i-1})\times T_{1-a}\times w,a\in [\frac{-T_{1-a}}{2},\frac{-T_{1-a}}{2})or(\frac{-T_{1-a}}{2},\frac{-T_{1-a}}{2}]\\ |x_{i-1}-x_i|\ge |x_{i+1}-x_i|\\ e_i+sign\left(e_i\right)\times T_{1-a},otherwise\end{array}\right)$>

$>sign\left(x\right)=\left(\begin{array}{c}1,x>0\\ 0,x=0\\ -1,x<0\end{array}\right)$>

$>\left(\begin{array}{c}{T}_a=n\times a,|x_i-x_{i-1}|<|x_i-x_{i+1}|\\ T_{1-a}=n\times (1-a),|x_i-x_{i-1}|\ge |x_i-x_{i+1}|\end{array}\right)$>

其中是第i个音频数据嵌入信息后的预测误差，“sign()”为符号函数，T_a和T_1-a分别是|x_i-x_i-1|<|x_i-x_i+1|和|x_i-x_i-1|≥|x_i-x_i+1|这两种情况的其中是第i个音频数据嵌入信息后的预测误差，“sign()”为符号函数，T_a和T_1-a分别是|x_i-x_i-1|<|x_i-x_i+1|和|x_i-x_i-1|≥|x_i-x_i+1|这两种情况的嵌入区域范围，w是嵌入水印信息，n是一个整数。

所述步骤3)，具体如下：