CN102879822A - 一种基于Contourlet变换的地震多属性融合方法 - Google Patents

Abstract

本发明属于地震资料油气预测、油气资源勘探及信号处理应用领域，提供了一种基于Contourlet变换的地震多属性融合方法，通过对信号的多分辨率、多方向性、局部化特性及各向异性的表示，提高描述属性信息的有效性，达到充分利用现有的各种属性信息，提高地震目标标定的准确性，从而能够更准确地进行储层预测及流体识别。

Description

一种基于Contourlet变换的地震多属性融合方法

技术领域

本发明属于地震资料油气预测、油气资源勘探及信号处理应用领域，是一种利用Contourlet变换实现地震多属性融合的方法，采用本发明方法得到的地震属性融合结果信息量丰富、分辨率高，且消除了冗余信息，从而降低了单一地震属性油气预测的多解性，为降低油气勘探开发风险做出科学合理的指导。

背景技术

近年来，地震属性技术发展迅速，已广泛应用于地层层序分析、油藏特征描述以及油藏动态检测等各个领域，成为了油藏地球物理的核心部分。地震属性也从早期的振幅属性发展到目前常用的数百种。因此，利用地震属性来研究地下储层的物性，乃至流体识别具有很大的前景。然而，每一种地震属性都只对某些地质特征敏感，利用各种地震属性信息解释复杂的地质问题时，由于地质因素、观测条件、测量精度、处理方式和主观因素等限制因素，使用单一地震属性来预测储层会产生严重的多解性，缺乏可信度。并且多种地震属性信息参数按各自的方法原理和特征变化进行解释，有可能产生相互矛盾的结果。因此，开展地震多属性融合技术研究有利于降低多解性，能够更准确地进行地下储层的预测及流体识别，为降低油气勘探开发风险做出科学合理的指导，是目前国外许多石油公司及科研机构的研究重点之

地震多属性融合就是利用计算机自动实现两种或两种以上地震属性进行综合的有效手段，是地震属性分析、综合解释必备手段。纵观国内外现状，多属性综合或融合的基本理论和方法大多借用了多源信息融合理论及模式。

目前，常用的融合手段和方法有：

(1)多属性或解释结果的人工叠合方法

该方法属于低级融合，精度不高，需要人工配准。

(2)基于属性切片的图像融合方法

该方法为一种较好的计算机自动融合方法，主要思想来源于多光谱遥感图像处理技术，目前主要采用RGB-HIS颜色信息的2D信息融合。该方法的主要难度和影响精度的因素是属性源的配准问题。

(3)基于地震属性数据的融合

该方法是在属性数据上（1D、2D或3D）进行，融合效果和精度显然优于已经成像后基于图像的融合。

目前，利用小波多分辨分析可以实现地震多属性融合，根据Mallat给出的多尺度分解与重构算法，将多种经过标准化处理后的地震属性在不同尺度上进行分解，分解到粗尺度上的信号称为平滑信号（低频分量），分解到细尺度上的信号称为细节信号（高频分量），其细节特征按分辨率的大小映射到各自的塔式结构中，本着在相同分辨率下进行信息融合的原则，在对应层不同的频率段进行融合。通常情况下，低频分量采用加权平均融合规则，对高频分量则采用区域方差协方差融合或加权融合准则，最终得到融合后的小波金字塔。对融合所得的小波金字塔进行小波逆变换，所得到的重构信号即为地震属性融合结果。

基于小波多分辨分析的地震多属性融合方法，可以很好的描述信号的空域和时域的局部化特征，能够高效地对一维分段连续信号进行分析，但小波变换在一维所具有的特性并不能简单地推广到二维或更高维。由一维小波张成的可分离小波只具有有限的方向，是各向同性的，无法精确地表达信号边缘的方向，也不能“最优”表示含“线”或“面”奇异的二维信息，缺乏平移不变性和方向敏感性，使小波变换的应用受到了一定的限制。而事实上具有线或面奇异的函数在高维空间中非常普遍。例如，自然物体光滑边界使得自然信号的不连续性往往体现为光滑曲线上的奇异性，而并不仅仅是点奇异。可见，在高维情况下，小波变换并不能充分利用数据本身特有的几何特征，并不是最优的或者说“最稀疏”的函数表示算法。

发明内容

本发明的目的在于针对背景技术中小波变换存在的问题，研究设计了一种基于Contourlet变换的地震多属性融合方法，通过对信号的多分辨率、多方向性、局部化特性及各向异性的表示，提高描述属性信息的有效性，达到充分利用现有的各种属性信息，提高地震目标标定的准确性，从而能够更准确地进行储层预测及流体识别。

本发明解决小波变换存在的问题所采用的技术方案如下：

一种基于Contourlet变换的地震多属性融合方法，包括以下步骤：

①读入同一地质体的两种或多种二维地震属性数据。如：均方根振幅属性、相干体切片属性等。

②将步骤①中读入的地震属性数据进行预处理，包括地震属性的异常点剔除和标准化处理。

目前，多信息储层预测可用的地震属性数据量大，在对众多属性融合之前，必须对地震属性进行预处理，主要有以下两个原因：一是由于在采集或者提取属性数据的时候会出现一些提取错误的值，即异常点，这些离群异常值的存在对后面的标准化处理及属性融合处理有着致命的影响。二是由于不同地震属性的单位、量纲以及数值大小、变化范围不相同，某些属性特征往往会淹没在区域背景上，不能直接使用原始数据进行地质属性融合。如果，直接使用原始数据，就会突出绝对值大的属性，而压制绝对值小的属性，为避免这种不合理现象，需要将各个属性值换算到统一的规范尺度之下，即标准化处理（归一化处理）。

首先，对读入的每种地震属性分别进行去噪处理，即去掉地震属性的异常点和毛刺。通常属性数据的异常点会远远大于或者小于平均值，可能会超出属性范围，本发明由公式(1)来判断异常点，满足该公式的点即为异常点，并用邻值代替法来处理异常点，用前面一个数据代替异常点。

$|f-\stackrel{\‾}{f}|\≥(f_{\max }+f_{\min })/2---\left(1\right)$

式中f、

f_max和f_min分别为原始属性值、平均值、最大数据和最小数据。

然后，对剔除异常点的地震属性数据进行标准化处理，即归一化处理。本发明采用极差正规化进行归一化处理，将属性的每个数据减去该属性的最小值，然后除以该属性的极差。标准化后的数据都在0~1的范围内，最大值为1，最小值为0。具体变换公式为：

$f^{\′}(x,y)=\frac{f(x,y)-\min \left(f\right)}{\max \left(f\right)-\min \left(f\right)}---\left(2\right)$

式中f′(x，y)、f(x，y)分别是标准化之后的数据和标准化之前的数据。

③将预处理后的地震属性数据分别进行多级Contourlet变换，并根据地震属性反应信息情况进行加权融合。

首先，对读入的每种地震属性分别进行多级Contourlet变换，从而得到多分辨率、多方向的Contourlet系数。然后，根据地震属性反应的目标情况设定相应的权值，将各种地震属性的高频分量和低频分量分别进行加权融合，得到变换域的高频融合分量和低频融合分量。

④进行Contourlet逆变换，即将步骤③中得到的融合低频分量和融合的不同尺度不同方向上的高频分量进行Contourlet重构，从而得到最后的地震属性融合结果。

在上述步骤③中，所述多级Contourlet变换就是利用拉普拉斯金字塔变换（LaplacianPyramid,LP）和方向滤波器组（Directional Filter Bank,DFB）实现一种具有灵活局部性和方向性的多尺度信息表示方法。多级Contourlet变换分解框图如图3所示，由多分辨率分解模块LP与方向分解模块DFB组成，分别见图4和图5。

首先，将信号进行LP（拉普拉斯金字塔变换）多尺度分解，然后将经过LP分解产生的高频子带输入DFB（方向滤波器组），DFB对LP分解后的高频子带进行方向分解，变换在LP分解后的低频子带上迭代进行。并逐渐将点奇异连成线形结构，从而捕获信号的轮廓。最终，Contourlet变换将信号分解到多尺度多方向的Contourlet域内，形成Contourlet系数，从而用于加权融合处理。

其中拉普拉斯金字塔是由一个二通道的滤波器组和采样矩阵组成，如图4，为了实现多尺度的分解，本发明方法采用滤波器组迭代。滤波器组构成如下：

$H_0=[-\mathrm{1,2,6,2},-1]/(4\×\sqrt{2})$ $\left(3\right)$

$G_0=\left[\mathrm{1,2,1}\right]/(2\×\sqrt{2})$

式中，H₀,G₀分别为分解过程中的分解、合成滤波器。在LP重构过程中，分解、合成滤波器分别为H₁=H₀,G₁=G₀。上采样矩阵用补0的方式实现上采样，下采样矩阵实现隔行隔列抽取数据。

而方向滤波器组也是一个二通道的滤波器组，为了得到更精确地分解，本发明利用了迭代的方向性滤波器组，下一级的滤波器组由上一级的滤波器组采用梅花矩阵进行上采样构成，梅花矩阵：

$Q=\left(\begin{array}{cc}1& 1\\ 1& -1\end{array}\right)---\left(4\right)$

采用本发明方法进行地震属性融合的优势在于：

(1)与现有地震属性融合方法相比，本发明方法的突出特点在于利用基于Contourlet变换的地震属性融合方法，即先经Contourlet变换，然后在变换域分别融合高频部分和低频部分，最后再将高频部分和低频部分融合。由于Contourlet分析不仅具有多尺度、良好的空域特性、频域局部特性，还具有多方向特性，并且各子带信号分别代表了不同方向的特性，能够很好的描述和表示各向异性信息。本方法相应地也继承了这些优点。

(2)本发明方法充分利用现有的各种地震属性数据，将不同信息综合到一起，反映了多种地震属性信息，使细节信息和模糊信息得到突出，且消除了属性之间的冗余信息，可提高地震储层预测和流体识别的准确度，降低了油气勘探开发的风险。

附图说明

图1是本发明的流程示意图；

图2a是读入的均方根振幅属性预处理结果中的邻值代替法剔除坏值的结果图；

图2b是读入的均方根振幅属性预处理结果中的极差正规化标准处理的结果图；

附图3是应用于本发明的Contourlet变换的多尺度分解框架；

附图4a为拉普拉斯金字塔变换的分解，4b为拉普拉斯金字塔变换的重构示意图；

附图5a和5b是方向滤波器组分析的示意图，5a为8方向频率分割图，5b为多信道图；

附图6利用本发明实现的均方根振幅属性和相干体切片属性融合结果，6a均方根振幅属性、6b为相干体切片属性、6c基于Contourlet变换的地震属性加权融合结果。

具体实施方式

通过上文对本发明内容所做的描述及下面实施实例的进一步说明，本领域的技术人员可以实现本发明的目的。然而，该实施例只是本发明的一部分，不能作为限制本发明的范围。

Contourlet变换是利用拉普拉斯金字塔分析（Laplacian Pyramid,LP）和方向滤波器组（Directional Filter Bank,DFB）实现的一种多分辨率、灵活局部性和方向性的信息表示方法。拉普拉斯金字塔分解实现信号的多分辨率分析，每一层次的LP分解产生一个下采样的低通部分和一个非下采样的高通部分，如图4所示，H₀,H₀分别为分解过程中的分解、合成滤波器，H₁,G₁分别为重构过程中的分解、合成滤波器，M为采样矩阵。这种处理在下采样的低通信号上循环进行下去，形成第N层的低通信号和N个高通信号。其重构过程是分解过程的逆过程。Contourlet分析，就是对信号进行LP多尺度分析，再对LP分解的各层高通信号进行多方向分析，即用DFB对LP分解得到的各层高频分量进行分解。DFB实质上是一个二维锲形频谱划分，如图5(a)所示，DFB分解是将信号进行锲形频谱滤波得到各个方向的分量，即用不同方向的滤波器对信号进行滤波的结果，如图5(b)所示。

以下进行的地震属性的融合方法，其实施目的是为了证明本发明的可行性和有效性。

根据本发明所述方法的步骤(1)，读入两种地震属性：均方根振幅属性和相干体切片属性，如图6(a)、(b)所示。

根据本发明所述方法的步骤(2)，对读入的两种地震属性分别进行异常点剔除和标准化处理。如图2所示是均方根振幅属性预处理结果。

根据本发明所述方法的步骤(3)，对经步骤(2)处理后的两种地震属性分别进行N级Contourlet变换。如图3所示为Contourlet多尺度分解示意图。其中LP和DFB的结构示意图如图4、图5所示。信号经过三级DFB分解后在频域的划分如图5(a)所示，DFB的分解实际上等效为图5(b)所示的l层树形等效的2^l平行信道结构，即每个方向子带是由信号经过对应的方向滤波器H后，再进行采样得到的，采样矩阵

具有如下的对角形式：

$S_k^l=\left\{\begin{array}{cc}\mathrm{diag}(2^{l-1},2)& 0\&le;k<2^{l-1}\\ \mathrm{diag}(2,2^{l-1})& 2^{l-1}\&le;k\&le;2^l\end{array}\right.---\left(5\right)$

其中，2^l表示分解的方向数目，k表示第k个方向。

图5(b)右半部分为其对应的合成部分。DFB等价地看成一族基，可描述为：

${\left\{d_k^l\right[n-S_k^{l}m\left]\right\}}_{0\&le;k\&le;2^l,m\&Element;Z^2}---\left(6\right)$

其中

表示分解或合成滤波器，n和m表示位置参数。它是合成滤波器

对

采样结果做转化而来的。这族基具有方向性和局部化特性。

假设两种地震属性经Contourlet分解，得到的分解系数分别是

和

其中L为低频信息，H_j，k为j尺度下第k个方向的高频信息。又假设加权系数分别为W₁和W₂，则融合后的低频信息和高频信息分别为：

L＝0.5×L¹+0.5×L²

$H_{j,k}=\frac{w_1}{w_1+w_2}{H}_{j,k}^1+\frac{w_2}{w_1+w_2}{H}_{j,k}^2---\left(7\right)$

根据本发明所述方法的步骤(4)，进行Contourlet逆变换，即将上述步骤得到的低频信息和不同尺度不同方向上的高频信息进行重构，得到最终的属性融合结果。

经过上述步骤，得到的均方根振幅属性和相干体切片属性融合结果如图6(c)所示。

Claims (6)

1.一种基于Contourlet变换的地震多属性融合方法，其特征在于包括以下步骤：

①读入同一地质体的两种或多种二维地震属性数据；

②将步骤①中读入的地震属性数据进行预处理，包括地震属性的异常点剔除和标准化处理；

③将预处理后的地震属性数据分别进行多级Contourlet变换，并根据地震属性反应信息情况进行加权融合，得到融合低频分量和融合的不同尺度不同方向上的高频分量；

④进行Contourlet逆变换，即将步骤③中得到的融合低频分量和融合的不同尺度不同方向上的高频分量进行Contourlet重构，从而得到最后的地震属性融合结果。

2.根据权利要求1所述的一种基于Contourlet变换的地震多属性融合方法，其特征在于：所述步骤②中的地震属性的异常点剔除和标准化处理包括以下步骤：

a、由公式(1)来判断异常点，满足该公式的点即为异常点，并用邻值代替法来处理异常点，用前面一个数据代替异常点；

式中f、 

f_max和f_min分别为原始属性值、平均值、最大数据和最小数据；

b、对剔除异常点的地震属性数据进行标准化处理，即归一化处理，采用极差正规化进行归一化处理，将属性的每个数据减去该属性的最小值，然后除以该属性的极差，标准化后的数据都在0~1的范围内，最大值为1，最小值为0，具体变换公式为：

式中f′(x，y)、f(x，y)分别是标准化之后的数据和标准化之前的数据。

3.根据权利要求1所述的一种基于Contourlet变换的地震多属性融合方法，其特征在于：所述步骤③中进行多级Contourlet变换得到多分辨率、多方向的Contourlet系数，然后根据地震属性反应的目标情况设定相应的权值，将各种地震属性的高频分量和低频分量分别进行加权融合，得到变换域的高频融合分量和低频融合分量。

4.根据权利要求1所述的一种基于Contourlet变换的地震多属性融合方法，其特征在于：所述步骤③中的多级Contourlet变换利用拉普拉斯金字塔变换和方向滤波器组实现，首先将信号进行LP多尺度分解，然后将经过LP分解产生的高频子带输入DFB，DFB对LP分解后的高频子带进行方向分解，变换在LP分解后的低频子带上迭代进行，并逐渐将点奇异连成线形结构，从而捕获信号的轮廓，最终，Contourlet变换将信号分解到多尺度多方向 的Contourlet域内，形成Contourlet系数，从而用于加权融合处理。

5.根据权利要求4所述的一种基于Contourlet变换的地震多属性融合方法，其特征在于：所述拉普拉斯金字塔是由一个二通道的滤波器组和采样矩阵组成，为实现多尺度的分解，采用滤波器组迭代，滤波器组构成如下：

式中，H₀,G₀分别为分解过程中的分解、合成滤波器。在LP重构过程中，分解、合成滤波器分别为H₁=H₀,G₁=G₀。上采样矩阵用补0的方式实现上采样，下采样矩阵实现隔行隔列抽取数据。

6.根据权利要求4所述的一种基于Contourlet变换的地震多属性融合方法，其特征在于：

所述方向滤波器组为一个二通道的滤波器组，为得到更精确地分解，采用迭代的方向性滤波器组，下一级的滤波器组由上一级的滤波器组采用梅花矩阵进行上采样构成，梅花矩阵：

Images