1.一种基于单向极值预测误差扩展的可逆水印算法，其特征在于，包括如下水印嵌入步骤：步骤1：给定一个M×N的8位灰度图像I(i,j)，0≤I(i,j)≤255，对其进行扫描，并按照像素将图像划分为黑白棋盘格结构，得到黑、白两个半平面；

步骤2：对图像进行防溢预处理，并创建一个位置图M，将对于灰度值在[T，255‑T]范围内的像素，我们在位置图中赋值为0；否则，赋值为1，并记录它们的坐标信息，最后将位置图采用算术编码算法进行无损压缩，将其位置图大小以及压缩后的位置图附加到水印信息头部，并一起嵌入到图像中；

步骤3：完成防溢出处理后，采用局部复杂度函数计算出白色平面各像素的局部复杂度值，并按照复杂度由低到高的顺序进行排列；

步骤4：选择白色平面来进行第一轮水印嵌入，首先对白色半平面中的各像素I(i,j)计算出最小像素预测值 然后计算出最大预测误差emax，并通过复杂度的顺序对最大预测误差进行排序；

步骤5：利用所计算白色平面每个像素的最大预测误差emax生成最大值非对称预测误差直方图，根据所嵌水印的大小选择合适的容量控制参数T，并将前半部分水印信息bl优先嵌入到复杂度较低的像素中，至此完成第一轮水印嵌入得到载密图像I'(i,j)；

步骤6：由步骤5所得到的载密图像I'(i,j)中，再次采用局部复杂度函数计算出黑色平面各像素局部复杂度值，并按照复杂度由低到高的顺序进行排序；

步骤7：在完成像素复杂度排序后，计算黑色半平面中的各像素I(i,j)最大预测像素值和最小预测误差emin，并同样通过复杂度的顺序对最小预测误差进行排序；该层水印嵌入时的容量控制参数T与第一层嵌入所选择的T值相等，同样将水印信息br优先嵌入到复杂度较低的像素中，此时完成第二轮水印嵌入得到载密图像I”(i,j)；至此，两层嵌入的秘密信息bl与br序列长度之和即总的信息嵌入量。

2.根据权利要求1所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，所述步骤2中对图像进行防溢预处理的具体操作为：位置图M＝(M1,....,Mi,....,Mn)被生成和从原始像素P0到预处理后像素P的实现方式如下：

3.根据权利要求1所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，所述步骤3局部复杂度函数计算出白色平面各像素的局部复杂度值具体为：设要计算像素P的局部复杂度值，可由下式进行计算：式中： a、b、c、d分

别为像素P的垂直和水平方向的四个邻域像素。

4.根据权利要求1所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，所述步骤4中计算最小像素预测值 最大预测误差emax的过程为：首先对白平面进行水印嵌入，利用白平面周围的黑平面像素值来进行预测像素值的计算，然后求取预测误差；想要获取像素白平面中Ii,j的最小预测像素值 生成0值偏向右侧的非对称误差直方图，那么需要利用所求得的相邻像素均值，具体如下：定义待预测像素邻域位置集合：φi,j＝{(i‑1,j),(i+1,j),(i,j‑1),(i.j+1)}均值预测表达式如下：像素白平面中Ii,j的最小预测像素值 公式如下：

取相邻像素最小像素值为该像素的预测像素，其最大预测误差emax：

5.根据权利要求4所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，所述步骤7中计算黑色半平面中的各像素I(i,j)最大预测像素值 和最小预测误差emin的过程为：在载密图像I'上对黑平面进行像素值预测，与白平面上像素点预测方法相似，只不过这轮像素预测采用黑平面周围的白平面像素值来进行预测像素值的计算，求取相应的预测误差，以此生成0值偏左的非对称预测误差直方图，获取像素黑平面中像素点I'(i,j)最大预测像素值 公式如下：最小预测误差emin：

6.根据权利要求1所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，所述步骤5中进行第一轮水印嵌入的过程为：选取峰值点与0点左侧多对峰值对来完成秘密信息的嵌入，在峰值点p1左侧附近选取T峰值对进行水印嵌入，嵌入表达式如下：其中，e'max是修改后的预测误差，bl∈{0,1}是准备嵌入的前半部分二进制水印信息，p1为第一层非对称预测误差直方图峰值点，T为嵌入容量控制参数，是需要根据实际水印大小来自适应选择的，若T＝1无法满足嵌入容量，那么则需增大T的值；

设I'(i,j)为嵌入第一轮嵌入水印后的载密图像，其计算公式为：

其中， 为像素的最小预测值。

7.根据权利要求1所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，所述步骤7中第二轮水印嵌入的过程为：在载密图像I'(i,j)上计算出黑平面各像素的最大预测像素值，并得到其最小预测误差，生成相应的最小值预测误差直方图，该直方图呈现出偏向于0点左侧的分布特性，选择峰值点p2与其右侧T个峰值对进行单向预测误差扩展，实现第二轮秘密信息嵌入，嵌入表达式如下：其中，e'min是修改后的预测误差，br∈{0,1}是准备嵌入的后半部分二进制水印信息，p2为第二层非对称预测误差直方图峰值点，T为嵌入容量控制参数；

设I”(i.j)为嵌入第二轮嵌入水印后的载密图像，其计算公式为：

其中， 为像素的最大预测值。

8.根据权利要求1至7任一所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，还包括如下水印提取的步骤：S1：扫描图像并按照像素将含水印图像划分为黑白棋盘格结构，得黑、白两个半平面；

S2：采用局部复杂度函数计算黑色平面各像素的局部复杂度，并按升序进行排序；

S3：对黑色半平面中的各像素计算出最大预测像素值 和最小预测误差e'min；

S4：通过最小预测误差e'min，如果e'min∈[p2,p2+2T)，p2为水印嵌入时第二层非对称预测误差直方图峰值点，T为嵌入容量控制参数，提取所嵌入的水印信息br，br为水印嵌入时后半部分水印信息，遍历所有子块，直到黑色半平面所嵌入的水印信息全部提取完毕，并恢复成载密图像I'(i,j)；

S5：采用局部复杂度函数计算白色半平面各像素的局部复杂度，并按升序进行排序；

S6：由图像I'(i,j)针对白色平面像素计算出最小预测像素值 和预测误差e'max；

S7：如果e'max∈(p1‑2T,p1]，p1为水印嵌入时第一层非对称预测误差直方图峰值点，T为嵌入容量控制参数，提取所嵌入的水印信息bl，bl为水印嵌入时前半部分水印信息，遍历所有子块，直到白色半平面全部提取完毕，并恢复成载密图像I(i,j)。

9.根据权利要求8所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，所述S4中提取所嵌入的水印信息br，并恢复成载密图像I'(i,j)具体为：提取所嵌入的水印信息br：

恢复原始的预测误差emin和像素值I'(i,j)：

I'(i,j)＝I”(i,j)‑emin+p2+br。

10.根据权利要求8所述的基于单向极值预测误差扩展的可逆水印算法，其特征在于，所述S7中提取所嵌入的水印信息bl，并恢复成载密图像I(i,j)具体为：利用像素已经恢复完成的黑平面I'(i.j)来对白平面所嵌入的水印进行提取以及恢复图像，最小预测像素值 以及嵌入水印后的最大预测误差值e'max，提取水印信息bl由以下公式可得：恢复原始的预测误差emax和像素值I(i,j)：

I(i,j)＝I'(i,j)‑emax‑p1‑bl。