Para lograr un buen equilibrio entre la carga incrustada de datos y la distorsión de incrustación de datos, los algoritmos principales de incrustación de datos reversibles (RDH) realizan la incrustación de datos en un histograma de errores de predicción bien construido. Esto nos obliga a diseñar un buen predictor para determinar los errores de predicción de los elementos de cobertura y encontrar una buena estrategia para construir una secuencia ordenada de errores de predicción que se incrustarán. Sin embargo, muchos algoritmos de RDH existentes utilizan un predictor fijo durante todo el proceso de predicción, lo que no tiene en cuenta las características estadísticas del contexto local. Además, durante la construcción de la secuencia de errores de predicción, estos algoritmos ignoran el hecho de que los elementos de cobertura adyacentes pueden tener la misma prioridad de incrustación de datos. Como resultado, aún hay margen para mejorar el rendimiento de carga útil-distorsión. Motivados por esta percepción, en este artículo, proponemos una nueva estrategia de predicción y selección de contenido para una RDH eficiente en imágenes digitales para proporcionar un mejor rendimiento de carga útil-distorsión. La idea principal es construir múltiples componentes conectados para una imagen de cobertura dada de modo que los errores de predicción de los píxeles de cobertura dentro de un componente conectado estén cerca uno del otro. En consecuencia, los componentes conectados más adecuados pueden ser utilizados preferentemente para la incrustación de datos. Además, los errores de predicción de los píxeles de cobertura se ajustan de forma adaptativa según su contexto local, lo que permite construir un histograma de errores de predicción relativamente agudo. Los resultados experimentales validan que el método propuesto es significativamente superior a algunos trabajos avanzados en cuanto al rendimiento de carga útil-distorsión, demostrando la viabilidad de nuestro método.