本發(fā)明涉及音頻數(shù)據(jù)處理領域，特別涉及基于邊信息預測和直方圖平移的數(shù)字音頻可逆水印算法。
背景技術：
：音頻可逆水印是多媒體信息安全和隱藏方向的一個重要分支，其特性主要有兩個：第一個是水印可認證音頻的完整性和真實性，并定位篡改；第二是載體可無損恢復，也就是說水印算法可逆。而可逆水印作為一種音頻數(shù)據(jù)的處理方法，主要是將隱藏信息嵌入到音頻里面，然后在接收端提取出隱藏信息，最后無損恢復音頻值。判斷可逆水印嵌入算法的好壞標準，主要從幾個方面來衡量：嵌入容量是指一段音頻信號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頻信號的失真大小，通常用峰值信噪比來衡量，嵌入容量越大，嵌入失真越小，可逆水印嵌入算法越好?，F(xiàn)有好多種處理音頻可逆水印的算法，如差值預測算法，此算法是最簡單的數(shù)字音頻預測算法，根據(jù)相鄰樣本之間的高度相關性，把前一個樣本值當成是當前樣本值的預測值，然后求出預測誤差，再進行差分擴張嵌入。差分預測只能利用到該音頻數(shù)據(jù)的前一個數(shù)據(jù)，而忽視了該數(shù)據(jù)后一個數(shù)據(jù)與該音頻值的相關性，而前后預測，一種簡單的非因果預測，正好是利用到了該音頻值的前后音頻數(shù)據(jù)來預測該音頻數(shù)據(jù)，該方法包括以下步驟：步驟一：利用樣本值的前后樣本來預測當前樣本，公式如下：x‾i=xi-1+xi+12]]>步驟二：得出預測誤差，然后再進行水印嵌入，得到含水印的音頻信號。上述針對前后預測應用到音頻可逆水印，實現(xiàn)雖然簡單，但還是存在以下幾個難題和不足之處：難題：(1)當預測誤差出現(xiàn)小數(shù)的時候，水印信息該如何嵌入去；(2)嵌入水印后信息之后，如何保證含水印信息的音頻樣本仍然保持為整數(shù)形式；(3)如何保持算法的可逆性；不足之處：前后預測是將預測系數(shù)全設定為0.5，,得到的是該樣本的前后兩個樣本值的平均值來預測，這預測出來的預測值的存在不高的精準度。在嵌入方面，音頻水印內(nèi)現(xiàn)有的技術還提出很多種可行的方法，而使用的較為廣泛的兩種：一種是直方圖平移方法，另一種是提升型LSB擴展嵌入方法。直方圖平移方法包括：首先建立音頻的直方圖，以幅值最多的點為基點，其他幅值點均平移一個單位，空出的位置就能嵌入小于等于基點幅值數(shù)目的水印信息。對于常見的音頻，該算法具有較好的嵌入容量，但由于嵌入容量取決于具有與基點相同的幅值的數(shù)目，因此限制了其一般性。提升型LSB擴展嵌入方法：主要思想是將整數(shù)和小數(shù)分開，只對整數(shù)部分進行擴展，對小數(shù)部分則是保持不變，如此一來，對于帶有小數(shù)的數(shù)，都能進行水印嵌入，具體如下：mw=2×a+b+w=m+a+w,m≥02×a+b-w=m+a-w,m<0]]>其中mw是含有水印信息的數(shù)，m是被嵌入的數(shù)，a該數(shù)的整數(shù)部分，b是該數(shù)的小數(shù)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，會破壞相鄰樣本之間的大小關系，對于一些利用到幾個相鄰樣本之間的大小關系來說，這是不太適用。此外，現(xiàn)在技術中還提出一種相位編碼的音頻水印嵌入算法，利用人耳聽覺系統(tǒng)對絕對相位不敏感以及對相對相位敏感的特性，使用代表水印信息的參考相位替代原始音頻段的絕對相位，并調整其余音頻段以保持相對相位的不變。該算法利用了人耳的聽覺特性，在嵌入信息后，原始音頻數(shù)據(jù)是無法恢復的，即該算法不是數(shù)字音頻可逆水印算法，不適用與某些對音頻質量要求較高的場合。技術實現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術的缺點與不足，提供基于邊信息預測和直方圖平移的數(shù)字音頻可逆水印算法，其可以更為精確，還能有效地減小預測誤差帶來的失真，提高水印算法的完整性認證，能夠進一步解決前后預測所存在的不足和進一步提升非因果預測的預測效果。本發(fā)明的目的通過以下的技術方案實現(xiàn)：基于邊信息預測和直方圖平移的數(shù)字音頻可逆水印算法，包含以下步驟：1)通過計算機讀取一段wav格式的音頻數(shù)據(jù)，然后通過統(tǒng)計的方法計算該段音頻數(shù)據(jù)的預測系數(shù)，即邊信息，再結合該樣本和該樣本前后樣本之間的大小關系，利用邊信息預測算法，計算出該樣本的預測值。2)將預測值和該樣本值相減，得到預測誤差，再根據(jù)邊信息預測算法的兩種形式，建立兩個不同的直方圖，然后將水印信息通過直方圖平移方式嵌入到預測誤差，得到含水印的預測誤差。3)利用非因果預測算法的逆轉變公式，將含水印預測誤差嵌入到目前樣本的下一個樣本值，得到含水印的音頻值。4)在接收端接收含水印的音頻信號，然后通過邊信息預測算法，將預測值和樣本值做差，利用預測誤差直方圖平移特性，提取嵌入信號，無損恢復原始音頻信號。所述步驟1)，具體如下：101、利用統(tǒng)計方法，求出該段音頻信號的預測系數(shù)，如下公式：a=average(Σ2N-1ai)ai=min(|xi-xi-1|,|xi-xi+1|)|xi+1-xi-1|,if|xi+1-xi-1|≠0andmin(xi-1,xi+1)≤xi≤max(xi-1,xi+1)0.25,if|xi+1-xi-1|=00,otherwisea∈[0,0.5)i=2,3,4...]]>其中，xi是第i個音頻值，a是該段音頻信號的預測系數(shù)，第i段音頻信號的預測系數(shù)；“max()”函數(shù)功能是獲得括號內(nèi)最大的數(shù)，而“min()”函數(shù)功能是獲得括號內(nèi)最小的數(shù)。102、根據(jù)邊信息預測算法預測當前的音頻值，公式如下：x‾i=xi-a×xi-1-(1-a)×xi+1,|xi-xi-1|≥|xi-xi+1|xi-(1-a)×xi-1-a×xi+1,|xi-xi-1|<|xi-xi+1|]]>其中，是第i個音頻數(shù)據(jù)的預測值，從第二個音頻數(shù)據(jù)開始，得到一系列的音頻預測值。所述步驟2)，具體如下：201、用當前的音頻值減去該樣本的預測值，得到當前音頻數(shù)據(jù)的預測誤差，公式如下：ei=xi-x‾i=xi-a×xi-1-(1-a)×xi+1,|xi-xi-1|≥|xi-xi+1|i=2,3,4.....xi-(1-a)×xi-1-a×xi+1,|xi-xi-1|<|xi-xi+1|]]>ei是第i個音頻數(shù)據(jù)的預測誤差，從第二個音頻數(shù)據(jù)開始得到一系列的預測誤差，保留第一第二個音頻值和所有音頻數(shù)據(jù)的預測誤差。202、利用直方圖平移特性，將水印信息嵌入到預測誤差，得到含水印的預測誤差，公式如下：eiw=ei-sign(xi+1-xi-1)×Ta×w,a∈[-Ta2,Ta2)or(-Ta2,-Ta2]|xi-1-xi|<|xi+1-xi|ei+sign(ei)×Ta,otherwiseei+sign(xi+1-xi-1)×T1-a×w,a∈[-T1-a2,-T1-a2)or(-T1-a2,-T1-a2]|xi-1-xi|≥|xi+1-xi|ei+sign(ei)×T1-a,otherwise]]>sign(x)=1,x>00,x=0-1,x<0]]>Ta=n×a,|xi-xi-1|<|xi-xi+1|T1-a=n×(1-a),|xi-xi-1|≥|xi-xi+1|]]>其中是第i個音頻數(shù)據(jù)嵌入信息后的預測誤差，“sign()”為符號函數(shù)，Ta和T1-a分別是|xi-xi-1|<|xi-xi+1|和|xi-xi-1|≥|xi-xi+1|這兩種情況的其中是第i個音頻數(shù)據(jù)嵌入信息后的預測誤差，“sign()”為符號函數(shù)，Ta和T1-a分別是|xi-xi-1|<|xi-xi+1|和|xi-xi-1|≥|xi-xi+1|這兩種情況的嵌入?yún)^(qū)域范圍，w是嵌入水印信息，n是一個整數(shù)。所述步驟3)，具體如下：xi+1w=xi+1+sign(xi+1-xi-1)×n×w,ei∈[-Ta2,Ta2)orei∈(-Ta2,Ta2]|xi-1-xi|<|xi+1-xi|xi-1-sign(ei)×n,otherwisexi+1-sign(xi+1-xi-1)×n×w,ifei∈[-T1-a2,T1-a2)orei∈(-T1-a2,T1-a2]|xi-1-xi|≥xi+1-xi|xi+1-sign(ei)×n,otherwise]]>其中是第i+1個音頻數(shù)據(jù)嵌入水印后的音頻值。所述步驟4)，具體如下：401、根據(jù)邊信息預測算法，得出帶有水印信息的音頻值，公式如下：xwi=a×xi-1+(1-a)×xwi+1,|xi-xi-1|≥|xi-xwi+1|or|xwi+1-xi-1|≤0i=2,3,4........(1-a)×xi-1+a×xwi+1,|xi-xi-1|<|xi-xwi+1|]]>其其中，是第i個帶有水印的音頻數(shù)據(jù)。402、將音頻值減去帶有水印信息的預測值，得到帶有水印的預測誤差值，公式如下：eiw=xi-x‾iw=xi-a×xi-1-(1-a)×xi+1w,|xi-xi-1|≥|xi-xi+1w|or|xi+1w-xi-1|≤ni=2,3,4...xi-(1-a)×xi-1-a×xi+1w,|xi-xi-1|<|xi-xi+1w|]]>403、提取水印信息，恢復原始的預測誤差和音頻數(shù)據(jù)，公式如下：w=0,ewi∈[-Ta(T1-a)2,-Ta(T1-a)2)or(-Ta(T1-a)2,-Ta(T1-a)2]ewi∈[-3×Ta(T1-a)2,-3×Ta(T1-a)2)or(-3×Ta(T1-a)2,-3×Ta(T1-a)2]1,otherwise]]>ei=eiw,ifeiw∈[-Ta2,Ta2)or(-Ta2,Ta2]|xi-xi-1|<|xi-xi+1w|eiw-sign(eiw)×Ta,otherwiseeiw,ifeiw∈[-T1-a2,T1-a2)or(-T1-a2,T1-a2]|xi-xi-1|≥|xi-xi+1w|or|xi+1w-xi-1|≤neiw-sign(eiw)×T1-a,otherwise]]>根據(jù)所述無損恢復原始音頻數(shù)據(jù)，具體如下：e2=x2-x‾2=x2-a×x1-(1-a)×x3⇒×x3=x2-e2-a×x11-a,if|x2-x1|≥|x2-x3|or|x3-x1|<nx2-(1-a)×x1-a×x3⇒x3=x2-e2-(1-a)×x1a,if|x2-x1|<|x2-x3|e3=x3-x‾3=x3-a×x2-(1-a)×x4⇒x4=x3-e3-a×x21-a,if|x3-x2|≥|x3-x4|or|x4-x2|<nx3-(1-a)×x2-a×x4⇒x4=x3-e3-(1-a)×x2a,|x3-x1|<|x3-x4|e4=x4-x‾4=x4-a×x3-(1-a)×x5⇒x5=x4-e4-a×x31-a,if|x4-x3|≥|x4-x5|or|x5-x3|<nx4-(1-a)×x3-a×x5⇒x5=x4-e4-(1-a)×x3a,if|x4-x3|<|x4-x5|...en-2=xn-2-x‾n-2=xn-2-a×xn-3-(1-a)×xn-1⇒xn-1=xn-2-en-2-a×xn-31-a,if|xn-2-xn-3|≥|xn-2-xn-1|or|xn-1-xn-3|<nxn-2-(1-a)×xn-3-a×xn-1⇒xn-1=xn-2-en-2-(1-a)×xn-3a,if|xn-2-xn-3|<|xn-2-xn-1|en-1=xn-1-x‾n-1=xn-1-a×xn-2-(1-a)×xn⇒xn==xn-1-en-1-a×xn-21-a,if|xn-1-xn-2|≥|xn-1-xn|or|xn-xn-2|<nxn-1-(1-a)×xn-2-a×xn⇒xn=xn-1-en-1(1-a)×xn-2a,if|xn-1-xn-2|<|xn-1-xn|]]>根據(jù)上述式子，最終得到下式：xi+1=xi+1w,ifeiw∈[-Ta2,Ta2)or(-Ta2,Ta2]|xi-xi-1|<|xi-xi+1w|xi+1w+sign(eiw)×n,otherwisexi+1w,ifeiw∈[-T1-a2,T1-a2)or(T1-a2,T1-a2]|xi-xi-1|≥|xi-xi+1w|or|xi+1w-xi-1|≤nxi+1w+sign(eiw)×n,otherwise]]>利用保留第一第二個原始音頻數(shù)據(jù)以及得到一系列的預測誤差，就能完全的恢復原始的音頻數(shù)據(jù)。本發(fā)明與現(xiàn)有技術相比，具有如下優(yōu)點和有益效果：1、本發(fā)明是基于前后預測算法的基礎上，進一步研究得出了邊信息預測算法，它利用了相鄰三個樣本之間的大小關系，對每個當前樣本都提供了兩種預測算法并根據(jù)具體的情況選取最適合的一種表達式。此外，本算法結合了統(tǒng)計，非因果以及邊信息三個元素，提升了預測效果。2、利用了加性直方圖平移算法，實現(xiàn)了將水印信息嵌入到音頻信號上，并結合邊信息預測，解決了當前三個難題：第一是預測誤差帶有小數(shù)時的水印嵌入；第二是嵌入水印后音頻數(shù)據(jù)如何保持整數(shù)型式；第三是如何保持算法的可逆性。3、本發(fā)明所提出的算法是一次具有創(chuàng)新性和大膽的嘗試，有效地提升預測效果、保證算法的可逆性，無損恢復音頻值的性能，并在低嵌入率的時候，與現(xiàn)有的算法相比，具有較好的峰值信噪比和較低的失真。附圖說明圖1為本發(fā)明所述基于邊信息預測和直方圖平移的數(shù)字音頻可逆水印算法的流程示意圖。圖2為圖1所述算法的嵌入流程示意圖。圖3為圖1所述算法的提取信息和恢復音頻值的流程示意圖。圖4為邊信息預測算法的當前樣本與該樣本前后之間的大小關系示意圖。圖5為本發(fā)明中的直方圖平移嵌入算法示意圖。圖6為Track1音頻信號在不同算法上的效果對比圖。圖7為Track2音頻信號在不同算法上的效果對比圖。圖8為Track3音頻信號在不同算法上的效果對比圖。圖9為Track4音頻信號在不同算法上的效果對比圖。圖10為Track5音頻信號在不同算法上的效果對比圖。圖11為Track6音頻信號在不同算法上的效果對比圖。具體實施方式下面結合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限于此。如圖1，基于邊信息預測和直方圖平移的數(shù)字音頻可逆水印算法，包含以下步驟：步驟101，在計算機中通過matlab軟件讀取音頻數(shù)據(jù)，然后再利用統(tǒng)計方法，計算出該段音頻數(shù)據(jù)的預測系數(shù)，再利用邊信息預測算法得出預測值，最后將樣本值減去預測值得到預測誤差。步驟102，建立預測誤差直方圖，根據(jù)直方圖平移特點嵌入水印信息，得到帶有水印的預測誤差。步驟103，根據(jù)非因果預測算法的逆轉變公式，將帶有水印信息的預測誤差嵌入到當前樣本的后一個樣本中，得到帶有水印的音頻數(shù)據(jù)。步驟104，在接收端，利用相同形式的預測算法，獲得正確的預測值和含水印的預測誤差，結合直方圖和非因果預測逆轉變公式，提取水印和恢復音頻數(shù)據(jù)。如圖2所示，本實施例的音頻可逆水印處理方法中的邊信息預測算法與直方圖平移嵌入算法，包括以下步驟：步驟201，利用統(tǒng)計方法計算出該段音頻信號的預測系數(shù)；跟前后預測算法最為顯著的不同，就是本發(fā)明利用的統(tǒng)計學的方法計算出該段音頻信號的預測系數(shù)，而不是簡單粗略的將預測系數(shù)設定全為0.5，這樣一來，大大減少的計算的時間，而且提高了預測值的精確度，具體如下：a=averge(Σ2N-1ai)ai=min(|xi-xi+1|,|xi-xi-1|)|xi+1-xi-1|,|xi+1-xi-1|≠0andmin(xi-1,xi+1)≤max(xi-1,xi+1)0.25,|xi+1-xi-1|=0i=2,3,4.....0,otherwise0.5∈[0,0.5)]]>其中xi是第i個音頻值，a是該段音頻信號的預測系數(shù)，“max()”函數(shù)功能是獲得括號內(nèi)最大的數(shù)，而“min()”函數(shù)功能是獲得括號內(nèi)最小的數(shù)。步驟202，求出預測值和得出含水印的預測誤差；本發(fā)明所提到的邊信息預測算法提供了兩種預測模式，在已經(jīng)計算出的預測系數(shù)前提下，根據(jù)當前樣本與該樣本前后音頻值之間的大小關系，選擇出最為合適的一種預測模式來預測音頻值，隨之得到預測誤差，至于嵌入水印，本發(fā)明采用了直方圖平移方式嵌入，主要思路是將嵌入?yún)^(qū)間外的所以值均向左向右平移Ta或者T1-a，騰出來的空間就是嵌入水印后值所處的位置范圍。a)利用邊信息預測求出當前樣本值的預測值，如下公式：x‾i=a×xi-1+(1-a)×xi+1,|xi-xi-1|≥|xi-xi+1|i=2,3,4.......(1-a)×xi-1+a×xi+1,|xi-xi-1|≥|xi-xi+1|]]>是第i個音頻數(shù)據(jù)的預測值，從第二個音頻數(shù)據(jù)開始，得到一系列的音頻預測值。b)將樣本值減去預測值，得到預測誤差，如下公式：ei=xi-x‾i=xi-a×xi-1-(1-a)×xi+1,|xi-xi-1|≥|xi-xi+1|i=2,3,4........xi-(1-a)×xi-1-a×xi+1,|xi-xi-1|<|xi-xi+1|]]>ei是第i個音頻數(shù)據(jù)的預測誤差，從第二個音頻數(shù)據(jù)開始得到一系列的預測誤差，保留第一第二個音頻值和所有音頻數(shù)據(jù)的預測誤差。下表列舉出前后預測與邊信息預測算法的效果對比，數(shù)據(jù)說明了后者預測的效果比前者優(yōu)越：絕對值均值：衡量預測誤差的平均幅度大小，通常情況下，預測誤差絕對值均值越小，則預測誤差整體幅度越小，反之則預測誤差整體幅度越大。標準差：衡量預測誤差的集中程度，標準差越小，則預測誤差越集中，否則預測誤差越分散。c)將水印嵌入到預測誤差，得到含水印的預測誤差，如下公式：ewi=ei-sign(xi+1-xi-1)×Ta×w,ei∈[-Ta2,Ta2)or(-Ta2,-Ta2]|xi-xi-1|<|xi-xi+1|ei+sign(ei)×Ta,otherwiseei+sign(xi+1-xi-1)×T1-a×w,ei∈[-T1-a2,-T1-a2)or∈(-T1-a2,-T1-a2]|xi-xi-1|<|xi-xi+1|ei+sign(ei)×T1-a,otherwise]]>其中是第i個音頻數(shù)據(jù)嵌入信息后的預測誤差，“sign()”為符號函數(shù)，Ta和T1-a分別是|xi-xi-1|<|xi-xi+1|和|xi-xi-1|≥|xi-xi+1|這兩種情況的嵌入?yún)^(qū)域范圍，w是嵌入水印信息，n是一個正整數(shù)。步驟203，由含水印的預測誤差得到含水印的音頻值；xwi+1=xi+1-sign(xi+1-xi-1)×n×w,ei∈[-Ta2,Ta2)or∈(-Ta2,-Ta2]|xi-xi-1|<|xi-xi+1|xi+1+sign(ei)×n,otherwisexi+1-sign(xi+1-xi-1)×n×w,ei∈[-T1-a2,T1-a2)or∈(-T1-a2,T1-a2]|xi-xi-1|≥|xi-xi+1|xi+1+sign(ei)×n,otherwise]]>其中是第i+1個音頻數(shù)據(jù)嵌入水印后的音頻值。如圖3所示，本實施例的音頻可逆水印處理方法中直方圖提取水印信息和非因果預測算法逆算法恢復原始音頻數(shù)據(jù)，包括以下步驟：步驟301，根據(jù)接收端接收到的音頻信號相鄰三個的大小關系，通過非因果預測算法求出含水印的預測值，然后預測值和當前樣本值相減，得到帶有水印的預測誤差，具體如下：a)求出當前樣本含有水印的預測值，如下式：x‾wi=a×xi-1+(1-a)×xwi+1,|xi-xi-1|≥|xi-xi+1|or|xwi+1-xi-1|≤ni=2,3,4........(1-a)×xi-1+a×xi+1,|xi-xi-1|<|xi-xi+1|]]>其中，是第i個帶有水印的音頻數(shù)據(jù)。b)求出含有水印的預測誤差：ei=xi-x‾wi=xi-a×xi-1-(1-a)×xwi+1,|xi-xi-1|≥|xi-xi+1|or|xwi+1-xi-1|≤ni=2,3,4........xi-x(1-a)×xi-1-a×xi+1,|xi-xi-1|<|xi-xi+1|]]>步驟302，建立預測誤差直方圖，根據(jù)直方圖嵌入水印算法的規(guī)律，提取水印信息，如下式：w=0,ewi∈[-Ta(T1-a)2,-Ta(T1-a)2)or(-Ta(T1-a)2,-Ta(T1-a)2]ewi∈[-3×Ta(T1-a)2,-3×Ta(T1-a)2)or(-3×Ta(T1-a)2,-3×Ta(T1-a)2]1,otherwise]]>步驟303，恢復原始的預測誤差，如下式：ei=eiw,ifeiw∈[-Ta2,Ta2)or(-Ta2,Ta2]|xi-xi-1|<|xi-xi+1w|eiw-sign(eiw)×Ta,otherwiseeiw,ifeiw∈[-T1-a2,T1-a2)or(-T1-a2,T1-a2]|xi-xi-1|≥|xi-xi+1w|or|xi+1w-xi-1|≤neiw-sign(eiw)×T1-a,otherwise]]>步驟304，利用第一第二個原始音頻數(shù)據(jù)以及一系列的預測數(shù)據(jù)恢復原始音頻數(shù)據(jù)，如下式：根據(jù)上述式子，可得到下式：xi+1=xi+1w,ifeiw∈[-Ta2,Ta2)or(-Ta2,Ta2]|xi-xi-1|<|xi-xi+1w|xi+1w+sign(eiw)×n,otherwisexi+1w,ifeiw∈[-T1-a2,T1-a2)or(T1-a2,T1-a2]|xi-xi-1|≥|xi-xi+1w|or|xi+1w-xi-1|≤nxi+1w+sign(eiw)×n,otherwise]]>利用保留第一第二個原始音頻數(shù)據(jù)以及得到一系列的預測誤差，就能完全的恢復原始的音頻數(shù)據(jù)。如圖4所示，(1)-(4)是相鄰三個樣本值之間的大小關系，根據(jù)這大小關系選擇合適的預測模式得出預測值，而且還為了保證算法可逆性，本圖提供了四種情況下的平移，目的就是為了在接收端還能保持這種大小關系。如圖5所示，是本發(fā)明的直方圖平移圖示，上圖是原來模樣，下圖是平移之后騰空出來的位置。如圖6-11,所示，為本實施例通過六段不同的音頻信號，實現(xiàn)邊信息預測算法與直方圖平移算法對比現(xiàn)有的音頻可逆水印算法效果圖，圖中各算法為：Noncausal[35]：基于前后預測誤差的擴展算法SHORTEN算法[36]：基于SHORTEN的預測誤差擴展算法Tian[6]：Tian的樣本對嵌入算法由此可見，本實施例的邊信息預測算法與直方圖平移算法在低嵌入率上，效果比另外幾種有一定程度上的提升。本實施例的音頻數(shù)據(jù)處理方法結合了非因果預測，邊信息，統(tǒng)計學三種元素在一起，并成功的將非因果預測運用在直方圖平移上，解決了非因果預測一直存在的三個難題，保證的算法的可逆性，提高預測算法的預測性能，并經(jīng)過試驗測量出來的數(shù)據(jù)驗證，本發(fā)明所運用的邊信息預測算法比前后預測算法預測性能上要好，在低嵌入率的情況下，本發(fā)明比現(xiàn)有的幾種算法都有一定程度上的提升。上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3