CN102879815B - 基于空间型灰度伴随矩阵的结构性地震属性提取方法 - Google Patents
基于空间型灰度伴随矩阵的结构性地震属性提取方法 Download PDFInfo
- Publication number
- CN102879815B CN102879815B CN201110199240.5A CN201110199240A CN102879815B CN 102879815 B CN102879815 B CN 102879815B CN 201110199240 A CN201110199240 A CN 201110199240A CN 102879815 B CN102879815 B CN 102879815B
- Authority
- CN
- China
- Prior art keywords
- gray scale
- matrix
- amplitude
- adjoint matrix
- adjoint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明是地震资料处理中基于空间型灰度伴随矩阵的结构性地震属性提取方法,步骤是对平面型灰度伴随矩阵进行重新定义,将其扩展为适应三维地震数据的空间型灰度伴随矩阵,并利用空间型灰度伴随矩阵生成规则将比例变换后的地震数据转换为空间型灰度伴随矩阵,然后从空间型灰度伴随矩阵中提取6种特征属性。利用已知的三维地震资料对本发明进行验证,对不同碳酸盐岩沉积体地震响应的灰度伴随矩阵特征区别明显,提取的结构性地震属性可准确地反映沉积异常体的位置和范围,利用多种结构性地震属性可对碳酸盐岩沉积体进行准确探测。
Description
技术领域
本发明涉及物探技术,是地震资料处理中的一种基于空间型灰度伴随矩阵的结构性地震属性提取方法。
背景技术
地震数据是利用地震波在地下介质中的传播特性进行油气勘探的有效工具。不同的地下介质具有不同的地震反射特征。例如,在地震剖面上看到地震反射同相轴的会聚现象时,就反映地层尖灭或倾覆现象。
长期以来,地球物理工作者和地质研究人员广泛使用各种地震属性进行地震解释和地质分析。在20世纪60年代,利用地震波的薄层调谐厚度来进行薄层解释;70年代以来,三瞬属性(瞬时振幅、瞬时频率、瞬时相位)和反射波振幅变化特征(亮点、暗点、平点)用于岩性异常体识别和含气砂岩储层预测取得了成功。80年代后期,基于叠前地震资料的AVO分析技术及AVO属性得以应用,改进了含气砂岩和岩石孔隙中的流体成分的预测手段。
自20世纪90年代以来,由于三维地震勘探技术的进步和储层描述的需要,地震属性技术急剧发展,广泛利用地震属性进行储层不均匀性描述,在地质特征控制及测井资料的约束下,在地震属性和地层物性特征之间建立某种联系,广泛应用于储层预测、油藏描述、油藏动态监测等油气勘探和开发领域。
地震属性是指那些由叠前或叠后地震数据经过不同类型的数学变换而导出的与地震波的几何特征、运动学特征、动力学特征相关的特征值。
地震属性是通过地震属性提取而获得的。所谓地震属性提取,是指利用数学变换或综合分析等手段从地震数据中导出的与地震波有关的某种特征值。
根据数学变换方法与分析手段的不同,地震属性提取方法及地震属性种类很多,其中最基本的地震属性为地震振幅,其它类型的地震属性都是基于地震振幅及地震振幅随时间、频率或相位等变化的某种特征的反映。一般地,地震属性包括振幅属性、频率属性、相位属性、能量属性、相关属性、波形属性、衰减属性和结构属性等。
结构性地震属性是指那些从地震数据中提取的、能够反映地质体空间特征的属性,这些属性一般以具有明确定义的、易于理解的方式反映地震反射特征在振幅、相位和波形等方面的变化。结构性地震属性的类型也有多种,如倾角和方位角属性反映了地震反射特征的相位变化,而曲率属性则反映了地震反射特征在倾向和方位上的变化。
纹理分析技术最初来源于数字图像处理领域,是图像处理过程中的一项非常重要的技术,广泛应用于多种与图像处理有关的领域。纹理分析是基于“纹理”这种图像特征的分析手段。纹理是物体的一种固有特性,它具有一系列特征,例如亮度、一致性、密度、粗糙度、规则性、极性、频率、相位、方向、光滑性、粒状表面等,能够反映图像的结构特征,因此纹理分析技术属于结构性属性分析范畴。
纹理分析的目的是从数学上描述小范围数据区内像素值的分布。对图像的纹理进行分析和研究有多种分析方法。常用的方法包括以下几种:
(1)统计法,如统计图像像素的最大值、最小值、平均值、均方根等。
(2)自相关法,利用自相关函数对图像进行分析。
(3)结构法,如极大极小值法(MM法)、灰度行程法(GTS法)、灰度级差法(GLD法)和灰度伴随矩阵法等。
(4)模型法,如分形或混沌等。
(5)转换法,如Fourier变换、Gabor变换、Hilbert变换等。
灰度伴随矩阵法(Gray Level Co-occurrence Matrix,GLCM)是Haralick于1973年提出的,它反映的是图像中像素点在其邻域内的灰度或者颜色的某种变化,而且这种变化是与平面统计相关的。但Haralick所提出的灰度伴随矩阵是二维的,它根据二维图像中各像素点的灰度值对某一个像素点与其周围像素点的灰度值之差进行统计,将统计结果按确定规则组成一个矩阵,然后从矩阵中提取矩阵的征值。这种灰度伴随矩阵的运算完全局限在一个平面上,是一个平面型灰度伴随矩阵。如果将其应用于三维地震数据,需要在三维地震数据空间中沿某一个平面进行计算。三维地震数据本来是三维的信息,但这种方法仅利用了三维地震数据的某两个方向(维)的信息,人为地舍弃了另一方向(维)的信息,所生成的灰度伴随矩阵是二维的,造成了三维地震数据中所蕴含的地质信息没有被充分地挖掘出来。
地震数据是利用地震波在地下介质中的传播特性进行油气勘探的有效工具。不同的地下介质具有不同的地震反射特征。例如,在地震剖面上看到地震反射同相轴的会聚现象时,就反映地层尖灭或倾覆现象。因此,当一条地震剖面或一个时间切片作为一幅图像来对待,纹理分析技术可有助于对地震剖面特征进行定量分析,从地震数据中挖掘出某些与地下地质构造和沉积特征有关的信息来,用于地震相分析、特殊沉积岩性体识别、断裂识别等。
发明内容
本发明目的是根据三维地震数据构造空间型灰度伴随矩阵,然后提取用于识别沉积异常体的一种基于空间型灰度伴随矩阵的结构性地震属性提取方法。
本发明其具体实施步骤为:
1)激发及记录地震波,采集地震数据,对叠前地震数据进行处理,获得叠后地震数据体;
步骤1)所述的处理包括地表一致性振幅处理和地表一致性反褶积处理,速度分析、动校正和剩余静校正、剩余振幅补偿,叠加和偏移处理。
2)根据地震数据的振幅值范围,选择地震振幅的级数;
3)根据选择的振幅级数对地震振幅进行比例变换;
步骤3)所述的振幅级数是指为适应将地震数据转换为灰度伴随矩阵的需要而对地震振幅进行比例变换后的值域范围,以“级”为单位,两个级之间相差为1.0,一般取5-32级之间的某一级。不同的级对应不同的振幅范围,例如,5级的振幅范围为0.0-4.0,32级的振幅范围为0.0-31.0。
步骤3)所述的振幅比例变换是指利用一个地震数据中最小振幅值和最大振幅值,采用以下的线性变换公式将所有采样点上的振幅值变换到选定的级数:
其中,x1和x2分别为原始地震振幅的最小值和最大值,y1和y2分别为变换后的地震振幅的最小值和最大值,x为原始振幅值,y为变换后的振幅值。
4)选择纹理尺寸,并根据纹理尺寸确定灰度伴随矩阵统计空间;
步骤4)所述的灰度伴随矩阵统计空间是指将地震数据转换成灰度伴随矩阵时的统计范围,它在三维空间中表现为一个长方体。
步骤4)所述的纹理尺寸是指用于确定灰度伴随矩阵统计空间的大小,由x、y、z三个分量组成,其单位为采样点数。纹理尺寸一般取5×5×5到11×11×11即可。
5)选择空间距离矢量(dx,dy,dz);
步骤5)所述的在空间距离矢量,有三个分量dx、dy、dz组成,dx、dy、dz分别为三维地震空间中某个采样点沿X轴、Y轴、Z轴的位移量,用于确定伴随点相对于原始目标点的相对位置。
步骤5)所述的空间距离矢量,每个分量的单位为地震道,其取值范围为1-5。当其中一个坐标轴的偏移量为0时,空间距离矢量退化为平面距离矢量。
6)根据空间距离矢量确定每一个目标点所对应的伴随点相对于目标点的相对位置;
步骤6)所述的目标点是指三维地震空间中的某个采样点。
步骤6)所述的伴随点是指生成灰度伴随矩阵时相对于原始目标点的参考点。伴随点由空间距离矢量确定。
7)根据纹理尺寸和空间距离矢量将比例变换后的地震数据转换成空间型灰度伴随矩阵;
步骤7)所述的空间型灰度伴随矩阵是指根据空间距离矢量由地震数据转换而成的一个二维矩阵。空间型灰度伴随矩阵的维数与地震数据的灰度级数有关。当一个地震数据的灰度级数为N时,空间型灰度伴随矩阵为NxN维。矩阵中的每个元素表示目标点与伴随点所对应的两个振幅值按照选定的空间距离矢量在三维地震数据体中出现的次数,即位于第i行、第j列的矩阵元素表示目标点的振幅值为i、伴随点的振幅值为j这种情形在灰度伴随矩阵统计空间中所出现的次数。例如,假设比例变换后的地震数据的灰度级数为4,并将灰度编号为0、1、2、3,则矩阵中元素(0,0)表示目标点振幅和伴随点振幅同时为0的情形在整个灰度伴随矩阵统计空间中所出现的次数,元素(0,1)表示目标点振幅为0、伴随点振幅为1的情形在整个灰度伴随矩阵统计空间中所出现的次数,依次类推。
步骤7)所述的地震数据转换成空间型灰度伴随矩阵包括4步:一是根据地震数据的振幅级数构造一个二维的矩阵,并将矩阵中的每个元素初始化为0;二是根据空间距离矢量确定三维地震空间中的每一个目标点(对应于一个有效的采样点)所对应的伴随点(伴随点同样是一个有效的采样点);三是对灰度伴随矩阵统计空间中的所有采样点进行统计,根据每一个目标点与该目标点所对应的伴随点的灰度值寻找该目标点所对应的灰度伴随矩阵的元素,并将该元素的值加1;四是当所有采样点完成后,将矩阵中的每个元素分别除以矩阵元素个数。
8)根据以下公式从灰度伴随矩阵中提取6种特征值:
(1)熵(Entropy):
(2)均匀度(Homegeneity):
(3)能量(Energy):
(4)对比度(Contrast):
(5)相关性(Correlation):
(6)标准方差(Variance):
步骤8)所述的各公式中,i表示灰度伴随矩阵的行号,j表示灰度伴随矩阵的列号,Pd(i,j)表示灰度伴随矩阵中第i行、第j列的矩阵元素值;
式中:
9)对提取到的灰度伴随矩阵的特征值进行归一化,并将其作为结构性地震属性;
步骤9)所述的结构性地震属性是指利用空间型灰度伴随矩阵所提取的地震属性反映了地质特征的空间信息,因此将其称为结构性地震属性。
步骤9)所述的归一化,是指对每个特征值的值域范围进行统计,获得其最大值和最小值,然后采用以下的线性变换公式将所有采样点上的值变换到选定的范围:
其中,x1和x2分别为一个地震数据所对应的一个特征值的原始最小值和原始最大值,y1和y2分别为归一化后的特征值的最小值和最大值,x为原始特征值,y为变换后的特征值。
利用已知的三维地震资料对本发明进行验证,对不同碳酸盐岩沉积体地震响应的灰度伴随矩阵特征区别明显,提取的结构性地震属性可准确地反映沉积异常体的位置和范围,利用多种结构性地震属性可对碳酸盐岩沉积体进行准确探测。
附图说明
图1是三维地震数据示意图。由于三维地震数据具有规则性和空间性,适合于空间型灰度伴随矩阵的生成和结构性地震属性的提取。
图2是二维平面型灰度伴随矩阵生成方式示意图。其中,X、Y为二维平面坐标系的两个坐标轴,OP为平面中的一个点,CP为伴随点,CP相对于OP的坐标为(dx、dy),dx、dy分别为沿X轴和Y轴的投影距离,(dx、dy)构成CP相对于CP的距离矢量。
图3是三维空间型灰度伴随矩阵生成方式示意图。其中,X、Y、Z为三维空间的三个坐标轴,OP为空间中的一个点,CP为伴随点,CP相对于OP的坐标为(dx、dy、dz),dx、dy、dz分别为沿X轴、Y轴、Z轴的相对距离,(dx、dy、dz)构成CP相对于CP的距离矢量。
图4为不同碳酸盐岩沉积体地震响应与灰度伴随矩阵,
A:单垂直缝洞组合异常体正演模型及其地震剖面特征,
B:多垂直缝洞组合异常体正演模型及其地震剖面特征;
图5为从三维地震数据中提取的纹理地震属性之一(熵)。
图6为利用结构性地震数据预测碳酸盐岩沉积体。
具体实施方式
本发明的基本原理是对平面型灰度伴随矩阵进行重新定义,将其扩展为适应三维地震数据的空间型灰度伴随矩阵,并利用空间型灰度伴随矩阵生成规则将比例变换后的地震数据转换为空间型灰度伴随矩阵,然后从空间型灰度伴随矩阵中提取6种特征属性。
基于空间型灰度伴随矩阵的结构性地震属性提取方法区别于其它方法的最主要的特征在于,对传统的用于二维图像处理的纹理分析方法进行改造,使其适应于三维地震数据。而改造后的纹理属性提取方法,其核心就是空间型灰度伴随矩阵。
空间型灰度伴随矩阵采用空间距离矢量求取目标点的伴随点,并计算所有类型的目标点与伴随点在灰度伴随矩阵统计空间中出现的次数。空间型灰度伴随矩阵可使用以下公式进行表示:
Pd(i,j)=∑|{(A(r,s,t),A(u,v,w)):A(r,s,t)=i,A(u,v,w)=j}|
在上式中,A(r,s,t)和A(u,v,w)为三维地震数据体中的位于(r,s,t)点和(u,v,w)点的振幅值,且u=r+dx,v=s+dy,w=t+dz,dx、dy、dz分别为空间距离矢量在X、Y、Z三个坐标轴上的投影距离。
空间型灰度伴随矩阵可采用二维表格的形式进行表示(表1)。其中,I为空间型灰度伴随矩阵的第一维的序号,J为空间型灰度伴随矩阵的第二维的序号,I、J的取值范围均为0~N-1。例如,当N为4时,I、J的取值范围均为0~3。
表1空间型灰度伴随矩阵(以4x4维矩阵为例)
空间型灰度伴随矩阵区别于平面型灰度伴随矩阵的最大的区别就是伴随点的位置由空间距离矢量(dx,dy,dz)确定(图3),而平面型灰度伴随矩阵的伴随点由平面距离矢量(dx,dy)确定(图2)。
由于基于空间型灰度伴随矩阵特征值的结构属性反映了地震数据中所蕴含的地质结构特征,利用这些属性可从地震数据中识别沉积异常体。
本发明的基于空间型灰度伴随矩阵的结构性地震属性提取方法,其具体实施方式为:
1)激发及记录地震波,采集地震数据,对叠前地震数据进行处理,获得叠后地震数据体。
2)根据地震数据的振幅值范围,确定地震振幅的最小值和最大值。
3)根据选择的振幅级数对地震振幅进行比例变换。在变换时,利用一个地震数据中最大振幅值和最小振幅值,采用以下的线性变换公式将所有采样点上的振幅值变换到选定的级数:
其中,x1和x2分别为原始地震振幅的最小值和最大值,y1和y2分别为变换后的地震振幅的最小值和最大值,x为原始振幅值,y为变换后的振幅值。
4)选择纹理尺寸,并根据纹理尺寸确定灰度伴随矩阵统计空间;灰度伴随矩阵统计空间是指将地震数据转换成灰度伴随矩阵时的统计范围,它表现为一个长方体(图3)。纹理尺寸一般取5×5×5到11×11×11即可。
5)选择空间距离矢量(dx,dy,dz)。空间距离矢量由沿三个坐标轴的偏移量组成。dx、dy、dz分别为三维地震空间中某个采样点沿X轴、Y轴、Z轴的位移量,用于确定伴随点相对于原始目标点的相对位置。空间距离矢量中每个分量的单位为地震道,其取值范围为1-5。
6)根据空间距离矢量确定每一个目标点所对应的伴随点相对于目标点的相对位置。目标点是指三维地震空间中的某个采样点(图3中的OP点),伴随点是指生成灰度伴随矩阵时相对于原始目标点的参考点(图3中的CP点)。伴随点由空间距离矢量确定。例如,设目标点的坐标为(x,y,z),空间距离矢量为(dx,dy,dz),则伴随点的坐标为(x+dx,y+dy,z+dz)。
7)根据纹理尺寸和空间距离矢量将比例变换后的地震数据转换成空间型灰度伴随矩阵。
空间型灰度伴随矩阵是指根据空间距离矢量由地震数据转换而成的一个二维矩阵。适应三维地震数据的空间型灰度伴随矩阵可用下面的公式表示:
Pd(i,j)=∑|{(A(r,s,t),A(u,v,w)):A(r,s,t)=i,A(u,v,w)=j}|
在上式中,A(r,s,t)和A(u,v,w)为三维地震数据体中的位于(r,s,t)点和(u,v,w)点的振幅值,且u=r+dx,v=s+dy,w=t+dz,dx、dy、dz分别为空间距离矢量在X、Y、Z三个坐标轴上的投影距离。
空间型灰度伴随矩阵可采用二维表格的形式进行表示(表1)。其中,I为空间型灰度伴随矩阵的第一维的序号,J为空间型灰度伴随矩阵的第二维的序号,I、J的取值范围均为0~N-1。例如,当N为4时,I、J的取值范围均为0~3。
表1空间型灰度伴随矩阵
空间型灰度伴随矩阵区别于平面型灰度伴随矩阵的最大的区别就是伴随点的位置由空间距离矢量(dx,dy,dz)确定(图3),而平面型灰度伴随矩阵的伴随点由平面距离矢量(dx,dy)确定(图2)。
在图2中,X、Y为二维平面坐标系的两个坐标轴,OP为平面中的一个点,CP为伴随点,CP相对于OP的坐标为(dx,dy),dx、dy分别为沿X轴和Y轴的投影距离,(dx,dy)构成CP相对于CP的距离矢量)
在图3中,X、Y、Z为三维空间的三个坐标轴,OP为空间中的一个点,CP为伴随点,CP相对于OP的坐标为(dx,dy,dz),dx、dy、dz分别为沿X轴、Y轴、Z轴的相对距离,(dx,dy,dz)构成CP相对于CP的距离矢量)
空间型灰度伴随矩阵的维数与地震数据的灰度级数有关。当一个地震数据的灰度级数为N时,空间型灰度伴随矩阵为NxN维。矩阵中的每个元素表示目标点与伴随点所对应的两个振幅值按照选定的空间距离矢量灰度伴随矩阵统计空间(图3)中出现的次数,即位于第i行、第j列的矩阵元素表示目标点的振幅值为i、伴随点的振幅值为j这种情形在灰度伴随矩阵统计空间中所出现的次数。例如,假设比例变换后的地震数据的灰度级数为4,并将灰度编号为0、1、2、3,则矩阵中元素(0,0)表示目标点振幅和伴随点振幅同时为0的情形在整个灰度伴随矩阵统计空间中所出现的次数,元素(0,1)表示目标点振幅为0、伴随点振幅为1的情形在整个灰度伴随矩阵统计空间中所出现的次数,依次类推。
地震数据转换成空间型灰度伴随矩阵需要4步:一是根据地震数据的振幅级数构造一个二维的矩阵,并将矩阵中的每个元素初始化为0;二是根据空间距离矢量确定三维地震空间中的每一个目标点(对应于一个有效的采样点)所对应的伴随点(伴随点同样是一个有效的采样点);三是对灰度伴随矩阵统计空间中的所有采样点进行统计,根据每一个目标点与该目标点所对应的伴随点的灰度值寻找该目标点所对应的灰度伴随矩阵的元素,并将该元素的值加1;四是当所有采样点完成后,将矩阵中的每个元素分别除以矩阵元素个数。
8)根据以下公式从灰度伴随矩阵中提取6种特征值:
(1)熵(Entropy):
(2)均匀度(Homegeneity):
(3)能量(Energy):
(4)对比度(Contrast):
(5)相关性(Correlation):
(6)标准方差(Variance):
在以上各公式中,i表示灰度伴随矩阵的行号,j表示灰度伴随矩阵的列号,Pd(i,j)表示灰度伴随矩阵中第i行、第j列的矩阵元素值;
9)对提取到的灰度伴随矩阵的特征值进行归一化,并将其作为结构性地震属性。利用空间型灰度伴随矩阵所提取的地震属性反映了地质特征的空间信息,隶属于结构性地震属性类型。
在进行灰度伴随矩阵特征值归一化时,首先对每个特征值的值域范围进行统计,获得其最小值和最大值,然后采用以下的线性变换公式将所有采样点上的值变换到选定的范围:
其中,x1和x2分别为一个特征值的原始最小值和原始最大值,y1和y2分别为归一化后的特征值的最小值和最大值,x为原始特征值,y为变换后的特征值。
利用已知的三维地震资料对本发明的结构性地震属性提取方法进行验证,发现不同碳酸盐岩沉积体(A:单垂直缝洞组合异常体正演模型及其地震剖面特征,B:多垂直缝洞组合异常体正演模型及其地震剖面特征)的地震响应的灰度伴随矩阵特征区别明显,见图4,所提取的结构性地震属性可较准确地反映沉积异常体的位置和范围,见图5,利用多种结构性地震属性可对碳酸盐岩沉积体进行准确探测,见图6。
Claims (8)
1.一种基于空间型灰度伴随矩阵的结构性地震属性提取方法,特点是采用以下具体实施步骤:
1)激发及记录地震波,采集地震数据,对叠前地震数据进行处理,获得叠后地震数据体;
2)根据地震数据的振幅值范围,选择地震振幅的级数;
3)根据选择的振幅级数对地震振幅进行比例变换;
所述的振幅比例变换是指利用一个地震数据中最小振幅值和最大振幅值,采用以下的线性变换公式将所有采样点上的振幅值变换到选定的级数:
其中,x1和x2分别为原始地震振幅的最小值和最大值,y1和y2分别为变换后的地震振幅的最小值和最大值,x为原始振幅值,y为变换后的振幅值;
4)选择纹理尺寸,并根据纹理尺寸确定灰度伴随矩阵统计空间;
5)选择空间距离矢量;
所述的空间距离矢量由三个分量dx、dy、dz组成,dx、dy、dz分别为三维地震空间中某个采样点沿X轴、Y轴、Z轴的位移量,用于确定伴随点相对于原始目标点的相对位置;
6)根据空间距离矢量确定每一个目标点所对应的伴随点相对于目标点的相对位置;
所述的目标点是指三维地震空间中的采样点;
所述的伴随点是指生成灰度伴随矩阵时相对于原始目标点的参考点,伴随点由空间距离矢量确定;
7)根据纹理尺寸和空间距离矢量将比例变换后的地震数据转换成空间型灰度伴随矩阵;
所述的空间型灰度伴随矩阵是指根据空间距离矢量由地震数据转换而成的一个二维矩阵,当一个地震数据的灰度级数为N时,空间型灰度伴随矩阵为NxN维;
所述的二维矩阵的每个元素表示目标点与伴随点所对应的两个振幅值按照选定的空间距离矢量在三维地震数据体中出现的次数;
所述的地震数据转换成空间型灰度伴随矩阵采用以下步骤建立:
(1)根据地震数据的振幅级数构造一个二维的矩阵,并将矩阵中的每个元素初始化为0;
(2)根据空间距离矢量确定三维地震空间中的每一个目标点所对应的伴随点;
(3)对灰度伴随矩阵统计空间中的所有采样点进行统计,根据每一个目标点与该目标点所对应的伴随点的灰度值寻找该目标点所对应的灰度伴随矩阵的元素,并将该元素的值加1;
(4)当所有采样点完成后,将矩阵中的每个元素分别除以矩阵元素个数;
8)根据以下公式从灰度伴随矩阵中提取6种特征值:
(1)熵(Entropy):
(2)均匀度(Homegeneity):
(3)能量(Energy):
(4)对比度(Contrast):
(5)相关性(Correlation):
(6)标准方差(Variance):
式中:i表示灰度伴随矩阵的行号,j表示灰度伴随矩阵的列号,Pd(i,j)表示灰度伴随矩阵中第i行、第j列的矩阵元素值;
式中:
9)对提取到的灰度伴随矩阵的特征值进行归一化,并将其作为结构性地震属性。
2.根据权利要求1的方法,特点是步骤1)所述的处理包括地表一致性振幅、地表一致性反褶积、速度分析、动校正和剩余静校正、剩余振幅补偿、叠加和偏移处理。
3.根据权利要求1的方法,特点是步骤3)所述的振幅级数是指为适应数据转换为灰度伴随矩阵需要,对地震振幅进行比例变换后的值域范围,以“级”为单位,两个级之间相差为1.0,取5-32级中的某一级,5级的振幅对应范围为0.0-4.0,32级的振幅对应范 围为0.0-31.0。
4.根据权利要求1的方法,特点是步骤4)所述的灰度伴随矩阵统计空间是指将地震数据转换成灰度伴随矩阵时的统计范围,在三维空间是一个长方体。
5.根据权利要求1的方法,特点是步骤4)所述的纹理尺寸是指用于确定灰度伴随矩阵统计空间的大小,由x、y、z三个分量组成,其单位为采样点数。
6.根据权利要求1的方法,特点是步骤4)所述的纹理尺寸取5×5×5到11×11×11。
7.根据权利要求1的方法,特点是步骤5)所述的空间距离矢量,每个分量的单位为地震道,其取值范围为1-5;当其中一个坐标轴的偏移量为0时,空间距离矢量退化为平面距离矢量。
8.根据权利要求1的方法,特点是步骤9)所述的归一化,是指对每个特征值的值域范围进行计算,获得其最小值和最大值,然后采用以下的线性变换公式将所有采样点上的值变换到选定的范围:
其中,x1和x2分别为一个特征值的原始最小值和原始最大值,y1和y2分别为归一化后的特征值的最小值和最大值,x为原始特征值,y为变换后的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110199240.5A CN102879815B (zh) | 2011-07-15 | 2011-07-15 | 基于空间型灰度伴随矩阵的结构性地震属性提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110199240.5A CN102879815B (zh) | 2011-07-15 | 2011-07-15 | 基于空间型灰度伴随矩阵的结构性地震属性提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102879815A CN102879815A (zh) | 2013-01-16 |
CN102879815B true CN102879815B (zh) | 2015-08-19 |
Family
ID=47481208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110199240.5A Active CN102879815B (zh) | 2011-07-15 | 2011-07-15 | 基于空间型灰度伴随矩阵的结构性地震属性提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102879815B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105158795B (zh) * | 2015-08-27 | 2018-03-02 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 利用地层叠前纹理属性值来检测缝洞的方法 |
CN107065010B (zh) * | 2017-06-02 | 2019-02-12 | 东北石油大学 | 一种基于分形理论的地震属性和地震反演数据的融合方法 |
CN108008446B (zh) * | 2017-11-29 | 2019-04-02 | 西南石油大学 | 基于线形自适应灰阶化理论的地震属性突变界线求取方法 |
CN110837122B (zh) * | 2018-08-17 | 2022-07-08 | 中国石油化工股份有限公司 | 溶洞结构预测方法及系统 |
CN109031423B (zh) * | 2018-08-29 | 2020-04-07 | 电子科技大学 | 基于梯度共生矩阵的叠前地震纹理分析方法 |
CN113960673B (zh) * | 2021-10-26 | 2022-05-13 | 广州海洋地质调查局 | 一种基于地震反演的块体流沉积封堵性评价方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6226596B1 (en) * | 1999-10-27 | 2001-05-01 | Marathon Oil Company | Method for analyzing and classifying three dimensional seismic information |
-
2011
- 2011-07-15 CN CN201110199240.5A patent/CN102879815B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6226596B1 (en) * | 1999-10-27 | 2001-05-01 | Marathon Oil Company | Method for analyzing and classifying three dimensional seismic information |
Non-Patent Citations (4)
Title |
---|
Application of seismic texture model regression to seismic facies characterization and interpretation;DENGLIANG GAO;《THE LEADING EDGE》;20080331;第394-397页 * |
Volume texture extraction for 3D seismic visualization and interpretation;Dengliang Gao;《GEOPHYSICS》;20030831;第68卷(第4期);第1294-1302页 * |
崔世凌,等.地震纹理属性在JJD工区断层识别中的应用.《物探化探计算技术》.2010,第32卷(第3期),第304页-309页. * |
张国英,等.《矿业视频图像目标识别与分割》.《矿业视频图像目标识别与分割》.石油工业出版社,2010,第22-26页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102879815A (zh) | 2013-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103076623B (zh) | 一种基于叠前相干的裂缝检测方法 | |
Wang et al. | Current developments on micro-seismic data processing | |
EP2920615B1 (en) | Process for creating image gathers | |
RU2457513C2 (ru) | Способы и системы для обработки микросейсмических данных | |
US11143776B2 (en) | Computer-implemented method and system for small cave recognition using seismic reflection data | |
CN102879815B (zh) | 基于空间型灰度伴随矩阵的结构性地震属性提取方法 | |
US20070223788A1 (en) | Local dominant wave-vector analysis of seismic data | |
Zhang et al. | Passive seismic tomography using induced seismicity at a petroleum field in Oman | |
CN102879799B (zh) | 多方位地震能量梯度差碳酸盐岩溶洞型储层识别方法 | |
CN107817526B (zh) | 叠前地震道集分段式振幅能量补偿方法及系统 | |
CN104678434A (zh) | 一种预测储层裂缝发育参数的方法 | |
CN106154323A (zh) | 基于地震拓频处理的相控随机反演薄储层预测方法 | |
EP2548052B1 (en) | System and method of 3d salt flank vsp imaging with transmitted waves | |
CN103293552A (zh) | 一种叠前地震资料的反演方法及系统 | |
WO2012139082A1 (en) | Event selection in the image domain | |
Takougang et al. | Extraction and characterization of faults and fractures from 3D VSP data in a carbonate reservoir: A workflow | |
Hu et al. | 3D seismic characterization of fractures with random spacing using the double-beam method | |
US20120269035A1 (en) | Evaluating Prospects from P-Wave Seismic Data Using S-Wave Vertical Shear Profile Data | |
CN109031423B (zh) | 基于梯度共生矩阵的叠前地震纹理分析方法 | |
Huang et al. | Feasibility of utilizing wavelet phase to map the CO2 plume at the Ketzin pilot site, Germany | |
Drummond et al. | The effects of out-of-plane seismic energy on reflections in crustal-scale 2D seismic sections | |
Russ et al. | A new technique for recognizing fractured zones in PP reflection fields, applied to the study of a North Sea oil reservoir | |
Heilmann | CRS-stack-based seismic reflection imaging for land data in time and depth domains | |
Zhang et al. | Autoencoded elastic wave-equation traveltime inversion: Toward reliable near-surface tomogram | |
Müller | On the nature of scattering from isolated perturbations in elastic media and the consequences for processing of seismic data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |