CN105607122A - 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 - Google Patents
一种基于全变分地震数据分解模型的地震纹理提取与增强方法 Download PDFInfo
- Publication number
- CN105607122A CN105607122A CN201510979924.5A CN201510979924A CN105607122A CN 105607122 A CN105607122 A CN 105607122A CN 201510979924 A CN201510979924 A CN 201510979924A CN 105607122 A CN105607122 A CN 105607122A
- Authority
- CN
- China
- Prior art keywords
- texture
- seismic
- section
- earthquake
- geological data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 title abstract description 4
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于全变分地震数据分解模型的地震纹理提取与增强方法,野外采集地震数据:用常规数据处理方法得到叠后地震剖面;步骤三、对叠后地震剖面进行分解,对纹理分量n(t)进行加权高斯平滑。本发明利用地震数据全变分分解模型,得到完整的地震纹理剖面,而不是降低纬度的灰度投影剖面;本发明对地震纹理剖面进行加权高斯增强,获得到高空间分辨率的剖面;根据视觉全变分分解模型,把地震数据分解为结构和纹理部分,得到完整的地震纹理剖面,而不是降低纬度的灰度投影剖面,并通过把分解出来的纹理部分进行加权高斯平滑,达到地震数据纹理增强的目的,最终得到获得到高空间分辨率的地震剖面。
Description
技术领域
本发明属于地震资料解释技术领域,尤其涉及一种基于全变分地震数据分解模型的地震纹理提取与增强方法。
背景技术
在石油地震勘探领域中地震相的研究是地震地层学中的核心。地震相是由地震反射参数(振幅、频率、相位、同相轴及反射结构等)所限定的三维地震反射单元,它是特定沉积相或地质体的地震响应。地震纹理属性分析是研究地震相划分的重要技术,然而其纹理的提取一直是难题。
现阶段地震纹理的分析主要基于灰度共生矩阵(GLCM)方法。GLCM是一种用来分析图像纹理特征的重要方法,它建立在估计图像的二阶组合条件概率密度函数的基础上,通过计算图像中有一定距离和一定方向的两像素点之间的灰度相似性,反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。
现有技术一的缺点:
1)、基于灰度共生矩阵(GLCM)方法主要是衡量与分析纹理属性,但是并没有提取完整的地震纹理剖面;
2)、基于灰度共生矩阵(GLCM)方法需要进行数据的要注意灰度级别(通常为16或32级),虽然降低了数据的维度,但是降低了纹理剖面的空间分辨率。
发明内容
本发明的目的在于提供一种基于全变分地震数据分解模型的地震纹理提取与增强方法,旨在解决现有地震纹理提取与增强方法不能提取完整的地震纹理剖面和纹理剖面的空间分辨率不高的问题。
本发明是这样实现的,一种基于全变分地震数据分解模型的地震纹理提取与增强方法,该基于全变分地震数据分解模型的地震纹理提取与增强方法包括以下步骤:
步骤一、野外采集地震数据:
步骤二、用常规数据处理方法得到叠后地震剖面;
步骤三、采用下式对叠后地震剖面进行分解:
地震数据表示为:
f(t)=n(t)+e(t)
其中其中f(t)为原始地震图像,定义e(t)为地震数据的结构分量(原地
震数据的近似)为地震数据的结构分量(即地震图像光滑部分),而n(t)
也不是原来所称的噪音,被称为地震数据的纹理分量(包含纹理和噪
音,即地震图像振荡部分)。e(t)由下式求出:
N为地震数据的采样点数,t为采样点序号,λ为平衡泛函中两项的权重调节参数;
步骤四、设计系数值符合一维高斯分布的离散平滑模板,对纹理分量n(t)进行增强,消除纹理分量中的高频随机噪音。
对地震纹理剖面n(t)进行迭代空域平滑计算:
nk+1(t)=n(t)k*G
其中G为高斯加权平滑模板,*为卷积,k为迭代次数。
进一步,所述步骤三中对叠后地震剖面进行分解方法包括:
(a)、选择影响计算的效率与可靠性的时窗TN=3或TN=5,设计矩阵D为(TN-1)×TN矩阵:
(b)、选择λ值,通过下式迭代计算得到:
其中初始地震剖面e0(t)=f(t),l为迭代次数,DT为D的转置矩阵。
(c)、计算n(t)得到地震纹理剖面:
n(t)=f(t)-e(t)
进一步,所述步骤四中对纹理分量n(t)进行高斯加权模板空域平滑的方法包括:
A、选择离散平滑模板大小n,并根据符合一维高斯分布来设定加权系数。
式中i=-r,…,+r,r为正整数。r=2σ+1那么模板尺寸为n=4σ+3,兼顾计算效率与可靠性取σ=0.25或σ=0.5,那么n=3或n=5。其模板中系数如下:
1 | 2 | 1 |
2 | 4 | 2 |
1 | 2 | 1 |
3×3
1 | 4 | 7 | 4 | 1 |
4 | 16 | 28 | 16 | 4 |
7 | 28 | 41 | 28 | 7 |
4 | 16 | 28 | 16 | 4 |
1 | 4 | 7 | 4 | 1 |
5×5
B、进行迭代空域平滑计算,得到增强后的地震纹理剖面,
nk+1(t)=n(t)k*G
其中G为高斯加权平滑模板,*为卷积,k为迭代次数。
进一步,所述选择加权高斯平滑模板大小n与保时窗大小N一致。
进一步,所述步骤三中λ:大于0。
本发明利用地震数据全变分分解模型,得到完整的地震纹理剖面,而不是降低纬度的灰度投影剖面。本发明对地震纹理剖面进行加权高斯增强,获得到高空间分辨率的剖面。本发明由全变分分解模型分解出地震纹理并加以平滑增强,提供了一种计算效率高、人为的操作误差小的石油勘探地震纹理提取与增强方法;其技术原理为根据视觉全变分分解模型,把地震数据分解为结构和纹理部分,得到完整的地震纹理剖面,而不是降低纬度的灰度投影剖面。并通过把分解出来的纹理部分进行加权高斯平滑,达到地震数据纹理增强的目的,最终得到获得到高空间分辨率的地震剖面。
附图说明
图1是本发明实施例提供的基于全变分地震数据分解模型的地震纹理提取与增强方法流程图;
图2常规处理得到的叠后地震剖面图;
图3由叠后地震剖面分解出的地震结构分量图;
图4由叠后地震剖面分解出的地震纹理分量图;
图5由叠后地震数据、地震结构分量、地震纹理分量的振幅谱曲线对比图;
图6空域高斯加权平滑增强后的地震纹理剖面图;
图7算法的计算耗时与迭代次数。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明由全变分分解模型分解出地震纹理并加以平滑增强,提供了一种计算效率高、人为的操作误差小的石油勘探地震纹理提取与增强方法。其技术原理为根据视觉全变分分解模型,把地震数据分解为结构和纹理部分,得到完整的地震纹理剖面,而不是降低纬度的灰度投影剖面。并通过把分解出来的纹理部分进行加权高斯平滑,达到地震数据纹理增强的目的,最终得到获得到高空间分辨率的地震剖面。
下面结合附图对本发明的应用原理作详细描述。
如图1:一种基于全变分地震数据分解模型的地震纹理提取与增强方法,该基于全变分地震数据分解模型的地震纹理提取与增强方法包括以下步骤:
S101:野外采集地震数据;
S102:用常规数据处理方法得到叠后地震剖面f(t)(如图2);
S103:对叠后地震剖面进行分解,选择λ=0.001,时窗大小为TN=3,初始地震剖面e0(t)=f(t),控制迭代次数l=8,得到地震结构分量e(t)(如图3)。通过叠后地震剖面f(t)与地震结构分量e(t)相减,即n(t)=f(t)-e(t)得到地震纹理剖面n(t)(如图4)。地震纹理剖面能屏蔽层强反射,突出深部小型地质构造;其振幅谱曲线(如图5)表明能够起到拓频的作用,增加了地震剖面的空间分辨率。这说明算法能够得到完整的地震纹理剖面,同时也验证了其正确性。
S104:选取空域平滑滤波模板为n=3,其服从于高斯分布的权系数如下:
1 | 2 | 1 |
2 | 4 | 2 |
1 | 2 | 1 |
3×3
控制迭代次数为k=8,与地震纹理剖面n(t)进行褶积计算,得到增强后的地震纹理剖面n′(t)(如图6)。图6与图4进行比较,可看出高斯加权平滑算法消除了由于高频噪音与计算噪音所带来的反射同相轴阶梯状现象,使其连续性更好,得到高空间分辨率的地震纹理剖面。图7是该实例的计算耗时与迭代次数,可见5次迭代后就能得到稳定的结果,其算法效率高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于全变分地震数据分解模型的地震纹理提取与增强方法,其特征在于,该基于全变分地震数据分解模型的地震纹理提取与增强方法包括以下步骤:
步骤一、野外采集地震数据:
步骤二、用常规数据处理方法得到叠后地震剖面;
步骤三、采用下式对叠后地震剖面进行分解:
地震数据表示为:f(t)=n(t)+e(t)
其中f(t)为原始地震图像,定义e(t)为地震数据的结构分量为地震数据的结构分量,n(t)为地震数据的纹理分量;e(t)由下式求出:
N为地震数据的采样点数,t为采样点序号,λ为平衡泛函中两项的权重调节参数;
步骤四、设计系数值符合1维高斯分布的离散平滑模板,对纹理分量n(t)进行增强,消除纹理分量中的高频随机噪音;
对地震纹理剖面n(t)进行迭代空域平滑计算:
nk+1(t)=n(t)k*G
其中G为高斯加权平滑模板,*为卷积,k为迭代次数。
2.如权利要求1所述的基于全变分地震数据分解模型的地震纹理提取与增强方法,其特征在于,所述步骤三中对叠后地震剖面进行分解的方法包括:
(a)、选择影响计算的效率与可靠性的时窗TN=3或TN=5,设计矩阵D为(TN-1)×TN矩阵:
(b)、选择λ值,通过下式迭代计算得到:
其中初始地震剖面e0(t)=f(t),l为迭代次数,DT为D的转置矩阵;
(c)、计算得到地震纹理剖面n(t):
n(t)=f(t)-e(t)。
3.如权利要求1所述的基于全变分地震数据分解模型的地震纹理提取与增强方法,其特征在于,所述步骤四对纹理分量n(t)进行加权空域平滑的方法包括:
A、选择离散平滑模板大小n,并根据符合一维高斯分布来设定加权系数
式中i=-r,…,+r,r为正整数,r=2σ+1那么模板尺寸为n=4σ+3,取σ=0.25或σ=0.5,那么n=3或n=5;
B、进行迭代空域平滑计算,得到增强后的地震纹理剖面,
nk+1(t)=n(t)k*G
其中G为高斯加权平滑模板,*为卷积,k为迭代次数。
4.如权利要求1所述的基于全变分地震数据分解模型的地震纹理提取与增强方法,其特征在于,所述选择高斯加权平滑模板n大小与时窗TN大小一致。
5.如权利要求1所述的基于全变分地震数据分解模型的地震纹理提取与增强方法,其特征在于,所述步骤三中λ:大于0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510979924.5A CN105607122B (zh) | 2015-12-23 | 2015-12-23 | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510979924.5A CN105607122B (zh) | 2015-12-23 | 2015-12-23 | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105607122A true CN105607122A (zh) | 2016-05-25 |
CN105607122B CN105607122B (zh) | 2018-04-10 |
Family
ID=55987198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510979924.5A Expired - Fee Related CN105607122B (zh) | 2015-12-23 | 2015-12-23 | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105607122B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529552A (zh) * | 2016-11-03 | 2017-03-22 | 中国海洋大学 | 一种扇贝贝壳生长纹路的分割与识别方法 |
CN106855638A (zh) * | 2016-12-19 | 2017-06-16 | 中国石油天然气股份有限公司 | 一种匹配追踪地震谱分解方法及装置 |
CN107167842A (zh) * | 2017-05-18 | 2017-09-15 | 西南财经大学天府学院 | 一种基于全变分微地震信号平滑增强方法 |
CN108037531A (zh) * | 2017-11-24 | 2018-05-15 | 电子科技大学 | 一种基于广义全变分正则化的地震反演方法及系统 |
CN109031423A (zh) * | 2018-08-29 | 2018-12-18 | 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 |
CN109272539A (zh) * | 2018-09-13 | 2019-01-25 | 云南大学 | 基于引导图全变分模型的图像纹理和结构的分解方法 |
CN114488790A (zh) * | 2021-12-17 | 2022-05-13 | 西南科技大学 | 一种基于名义模型的全向移动机器人自适应滑膜控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4646565A (en) * | 1985-07-05 | 1987-03-03 | Atlantic Richfield Co. | Ultrasonic surface texture measurement apparatus and method |
CN101571950A (zh) * | 2009-03-25 | 2009-11-04 | 湖南大学 | 基于各向同性扩散和稀疏表示的图像修复方法 |
CN105158795A (zh) * | 2015-08-27 | 2015-12-16 | 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 |
-
2015
- 2015-12-23 CN CN201510979924.5A patent/CN105607122B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4646565A (en) * | 1985-07-05 | 1987-03-03 | Atlantic Richfield Co. | Ultrasonic surface texture measurement apparatus and method |
CN101571950A (zh) * | 2009-03-25 | 2009-11-04 | 湖南大学 | 基于各向同性扩散和稀疏表示的图像修复方法 |
CN105158795A (zh) * | 2015-08-27 | 2015-12-16 | 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 |
Non-Patent Citations (4)
Title |
---|
WOTAO YIN,ET AL.: "A comparison of three total variation based texture extraction models", 《J. VIS. COMMUN. IMAGE R》 * |
屈勇 等: "一种改进的全变分地震图像去噪技术", 《石油学报》 * |
王绪松等: "对地震图像进行保边滤波的非线性各向异性扩散算法", 《地球物理学进展》 * |
王超: "基于变分问题和偏微分方程的图像处理技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529552A (zh) * | 2016-11-03 | 2017-03-22 | 中国海洋大学 | 一种扇贝贝壳生长纹路的分割与识别方法 |
CN106529552B (zh) * | 2016-11-03 | 2019-11-08 | 中国海洋大学 | 一种扇贝贝壳生长纹路的分割与识别方法 |
CN106855638A (zh) * | 2016-12-19 | 2017-06-16 | 中国石油天然气股份有限公司 | 一种匹配追踪地震谱分解方法及装置 |
CN107167842A (zh) * | 2017-05-18 | 2017-09-15 | 西南财经大学天府学院 | 一种基于全变分微地震信号平滑增强方法 |
CN108037531A (zh) * | 2017-11-24 | 2018-05-15 | 电子科技大学 | 一种基于广义全变分正则化的地震反演方法及系统 |
CN108037531B (zh) * | 2017-11-24 | 2019-06-18 | 电子科技大学 | 一种基于广义全变分正则化的地震反演方法及系统 |
CN109031423A (zh) * | 2018-08-29 | 2018-12-18 | 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 |
CN109272539A (zh) * | 2018-09-13 | 2019-01-25 | 云南大学 | 基于引导图全变分模型的图像纹理和结构的分解方法 |
CN114488790A (zh) * | 2021-12-17 | 2022-05-13 | 西南科技大学 | 一种基于名义模型的全向移动机器人自适应滑膜控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105607122B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105607122A (zh) | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 | |
Fang et al. | Seismic data interpolation based on U-net with texture loss | |
Dong et al. | Desert low-frequency noise suppression by using adaptive DnCNNs based on the determination of high-order statistic | |
Fomel et al. | Seislet transform and seislet frame | |
Xie et al. | Application of principal component analysis in weighted stacking of seismic data | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
Wu et al. | A deep learning estimation of the earth resistivity model for the airborne transient electromagnetic observation | |
CN109272029B (zh) | 井控稀疏表征大规模谱聚类地震相划分方法 | |
Si et al. | Attenuation of random noise using denoising convolutional neural networks | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
Wang et al. | Seismic data denoising for complex structure using BM3D and local similarity | |
Grose et al. | Inversion of structural geology data for fold geometry | |
Qian et al. | Ground truth-free 3-D seismic random noise attenuation via deep tensor convolutional neural networks in the time-frequency domain | |
Kim et al. | History matching of a channelized reservoir using a serial denoising autoencoder integrated with ES‐MDA | |
Matharu et al. | A subsampled truncated-Newton method for multiparameter full-waveform inversion | |
CN108828658A (zh) | 一种海底地震数据重构方法 | |
Zhang et al. | A denoising framework for microseismic and reflection seismic data based on block matching | |
CN114091538B (zh) | 一种基于信号特征的判别损失卷积神经网络智能降噪方法 | |
Gao et al. | Deep learning vertical resolution enhancement considering features of seismic data | |
Oboué et al. | Enhanced low-rank matrix estimation for simultaneous denoising and reconstruction of 5D seismic data | |
Shao et al. | Simultaneous inversion of Q and reflectivity using dictionary learning | |
Xu et al. | Ground-roll separation of seismic data based on morphological component analysis in two-dimensional domain | |
Liu et al. | Impact of geostatistical nonstationarity on convolutional neural network predictions | |
Gadylshin et al. | Hausdorff-distance-based training dataset construction for numerical dispersion mitigation neural network | |
Zhao et al. | Noise reduction method based on curvelet theory 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 Termination date: 20181223 |