CN105607122A

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

Info

Publication number: CN105607122A
Application number: CN201510979924.5A
Authority: CN
Inventors: 杨宁; 陈婷
Original assignee: Southwest University of Science and Technology
Current assignee: Southwest University of Science and Technology
Priority date: 2015-12-23
Filing date: 2015-12-23
Publication date: 2016-05-25
Anticipated expiration: 2035-12-23
Also published as: CN105607122B

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

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

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：

\arg \min_{e} {\frac{1}{2} Σ_{t = 0}^{N} | | f (t) - e (t) | |_{2}^{2} + λ Σ_{t = 0}^{N} | e (t + 1) - e (t) |_{1}}

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：

n_k+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T_N＝3或T_N＝5，设计矩阵D为(T_N-1)×T_N矩阵：

(b)、选择λ值，通过下式迭代计算得到:

e_{l + 1} (t) = f (t) - D^{T} {(\frac{1}{λ} d i a g (| {De}_{l} (t) |) + {DD}^{T})}^{- 1} D f (t)

其中初始地震剖面e₀(t)＝f(t)，l为迭代次数，D^T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。

G (i) = \frac{1}{\sqrt{2} π} \exp (- i^{2} / 2 σ^{2})

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,

n_k+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T_N＝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

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：

\arg \min_{e} {\frac{1}{2} Σ_{t = 0}^{N} | | f (t) - e (t) | |_{2}^{2} + λ Σ_{t = 0}^{N - 1} | e (t + 1) - e (t) |_{1}}

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：

n_k+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：

(b)、选择λ值，通过下式迭代计算得到:

e_{l + 1} (t) = f (t) - D^{T} {(\frac{1}{λ} diag (| {De}_{l} (t) |) + {DD}^{T})}^{- 1} Df (t)

其中初始地震剖面e₀(t)＝f(t)，l为迭代次数，D^T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

G (i) = \frac{1}{\sqrt{2} π} \exp (- i^{2} / 2 σ^{2})

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,

n_k+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T_N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。