CN105700014B

CN105700014B - 一种基于频域显著性检测的地震属性分析方法

Info

Publication number: CN105700014B
Application number: CN201610051252.6A
Authority: CN
Inventors: 彭真明; 王雨青; 邢艳; 桑湘鑫; 韩演; 杨维; 何艳敏
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2016-01-26
Filing date: 2016-01-26
Publication date: 2018-05-15
Anticipated expiration: 2036-01-26
Also published as: CN105700014A

Abstract

一种基于频域显著性检测的地震属性分析方法，旨在将显著性检测应用于地震领域，获得新的且有效的地震属性，其方案为读入地震剖面x(t,q),q为地震剖面的道号；对每一道地震数据做傅里叶变换F，获得地震剖面的频域表示X(f,q)；计算地震剖面的频域表示X(f,q)的相位谱P(f,q)；利用相位谱信息P(f,q)进行傅里叶反变换F^‑1，初步获得显著性剖面S(t,q)；用低通滤波器g对显著性剖面S(t,q)进行滤波，作为最终的地震显著性属性剖面。

Description

一种基于频域显著性检测的地震属性分析方法

技术领域

本发明属于地震信号处理领域，具体涉及一种基于频域显著性检测的地震属性分析方法。

背景技术

“地震属性”最早可追溯到20世纪60年代，当时国内有很多的译名，如地震特征、地震参数、地震标志等等，直到90年代初才基本统一称为地震属性。从应用地球物理学的角度看，地震属性是地震数据中反映不同地质信息的子集，是刻画、描述地层结构、岩性以及物性等地质信息的地震特征量。

地震属性的发展大致经历了以下三个阶段：

第一阶段是起步阶段，20世纪60年代到70年代末，人们通过各种观察提出了“亮点”、“暗点”和“平点”技术，利用这个技术可以直接进行油气检测，随着数学方法的引入，又提出了瞬时属性和复数道分析技术。然而，这时的属性研究既没有考虑地震资料的运动学、动力学特征，也没有特定的地质含义，仅仅是对地震剖面特征的一种定性描述与分析；

第二阶段是迅速发展阶段，20世纪80年代初期，一方面利用振幅随炮检距变化的规律，另一方面出现了大量的属性定量提取方法，提取出来的属性多达几十种，但是这样提取出来的地震属性没有明确的地质意义，在应用过程中导致了人们对它的不信任；

第三阶段是基本成熟阶段，20世纪90年代初，以相干、倾角、方位角等为代表的一批多维属性分析技术开始出现，地震属性有了更明确的地质意义。这类属性的一个显著特点是能够直观地反映地层的结构性信息，因此，它们的开发与应用，很快得到有关各方的广泛认同。

目前，地震属性分析技术在构造解释、地层岩性解释、储层评价、油藏描述以及油藏流体动态检测等领域得到了广泛应用，在模型正演、相干体技术、聚类分析、地震相分析，多属性综合分析等方面也有了较大的发展，地震属性分析技术在油气勘探开发中发挥着越来越重要的作用。

人类视觉系统是人类认识世界的一个重要生理系统，也被认为是人类已知最强大最复杂的生理系统之一。视觉显著性检测的概念就是在研究人类视觉系统时提出，很早就在生物学上开始研究。基于计算机的显著性检测研究开始于20世纪90年代，处理的对象是图像或者视频。最开始，研究主要集中在如何利用生物学上关于视觉显著性的研究成果，在计算机上建立相似的模型并且采用近似的处理方式来模拟人类的视觉行为。这些模型比较复杂，用计算机实现起来效率不高，检测的效果也比较一般。研究人员逐渐意识到生物学上对视觉显著性的研究是不彻底的，很多的结论具有猜测性。在这样不可靠的理论上建立的模拟算法很难有可靠的效果。逐渐，很多方法突破了严格的生物学模型，模型中的很多部分被简化，采用更为简单直接的计算实现。这些算法在检测效果有了较大幅度的提高。

2007年，Hou等人首次提出基于变换域的显著性检测，提出一种基于傅里叶剩余谱的显著性检测模型(spectral residual,SR)。SR方法不需要提取特征，也不计算对比度，而是直接对图像做傅里叶变换，并对傅里叶变换的幅度谱进行分析。根据高频抑制原理，人的视觉系统能抑制那些高频出现的特征，同时能对不常出现的特征反应敏感。因此该方法通过计算图像的傅里叶变换，并用对数表示其幅度谱，然后用对数幅度谱减去经过高斯低通滤波器后的对数幅度谱，经过高斯低通滤波器滤波后能抑制图像的高频成分，因此能保留不常出现的显著部分。SR算法的计算十分简单，只需要用到图像处理常用的傅里叶变换和反变换，但是其显著性检测效果一般，只能处理简单背景图像的显著性检测。

正是由于基于频域分析的显著性检测模型计算简单等特点，越来越多的基于变换域的显著性检测模型被提出。Guo等人在SR的基础上，用实验证明了图像的相位谱特征是计算显著性的关键特征，并提出了基于傅里叶变换相位谱的显著性检测模型(phasespectrum of Fourier transform,PFT)，该方法对图像的亮度特征进行傅里叶变换，并用其相位谱的反变换结果与合适大小的二维高斯滤波器滤波后的灰度图作为其最终的显著图。在此基础上，Guo等人又提出一种基于四元数傅里叶变换相位谱的显著性检测模型(phase spectrum of quaternion Fourier transform,PQFT)，该模型不仅仅使用图像的亮度特征，还计算了图像的两个对立颜色特征和视频序列中的运动特征。用视频图像的四个近似独立的特征通道构成图像四元数表示，并用图像四元傅里叶变换来代替传统的傅里叶变换。此外，Guo等人还将PQFT的多分辨率显著性检测算法应用于视频图像压缩，并能获得比传统编码算法更高的压缩率。该算法由于引入了视频的运动特征，因此其不仅能够检测出图像的显著性区域，还能检测到视频序列的显著性区域。该模型对图像分辨率的鲁棒性较高，它不仅可以检测粗糙图像显著性，还能检测高分辨率的显著性区域。

发明内容

本发明提供了一种基于频域显著性检测的地震属性分析方法，旨在将显著性检测应用于地震领域，获得新的且有效的地震属性。

为了解决上述技术问题，达到上述目的，本发明采用如下技术方案：

一种基于频域显著性检测的地震属性分析方法，其特征在于，包括以下步骤：

步骤1：读入地震剖面x(t,q),q为地震剖面的道号；

步骤2：对每一道地震数据做傅里叶变换F，获得地震剖面的频域表示X(f,q)；

步骤3：计算地震剖面的频域表示X(f,q)的相位谱P(f,q)；

步骤4：利用相位谱信息P(f,q)进行傅里叶反变换F^-1，初步获得显著性剖面S(t,q)；

步骤5：用低通滤波器g对显著性剖面S(t,q)进行滤波，作为最终的地震显著性属性剖面。

上述技术方案中，其中所述步骤2涉及傅里叶变换如下：

设傅里叶变换算子为F，对地震剖面x(t,q)的每一道数据做傅里叶变换，获得频域表示X(f,q)为

式中，q表示地震剖面的道号，f是频率域变量，t是时间变量，j是虚数单位，e是自然常数。

上述技术方案中，其中所述步骤3涉及频域相位谱如下：

对于频域表示X(f,q)，其相位谱P(f,q)为

式中，Im{·}表示虚部，Re{·}表示实部，arctan表示反正切函数。

上述技术方案中，其中所述步骤4涉及利用相位谱信息进行傅里叶反变换如下：

已知相位谱P(f,q)，显著性剖面S(t,q)表示为

S(t,q)＝|F^-1{e^jP(f,q)}| (8)

式中，q表示地震剖面的道号，t是时间变量，f是频率域变量，j是虚数单位，e是自然常数，F^-1表示傅里叶反变换，即

上述技术方案中，其中所述步骤5涉及滤波过程，如下：

对二维显著性剖面S(t,q)，q表示地震剖面的道号，采用低通滤波器g，进行滤波后地震显著性剖面FS(t,q)表示为

FS(t,q)＝g*|S(t,q)|² (10)。

与现有技术相比，本发明具有如下优势：

本发明将利用傅里叶变换相位谱提取地震显著性属性，有效地将显著性检测应用于地震领域，为地震解释提供了新的地震属性分析方法，可以有效地进行储层预测和油气解释。

附图说明

图1为方法流程图；

图2为地震剖面；

图3为地震剖面的频域表示；

图4为地震剖面的频域表示的相位谱；

图5为显著性剖面；

图6为最终的地震显著性属性剖面。

具体实施方式

下面结合附图对本发明进行具体说明：

步骤1：读入地震剖面x(t,q)(如图2所示)，q为地震剖面的道号；

步骤2：对每一道地震数据做傅里叶变换F，获得地震剖面的频域表示X(f,q)(如图3所示)

步骤3：计算地震剖面的频域表示X(f,q)的相位谱P(f,q)(如图4所示)

步骤4：利用相位谱信息P(f,q)进行傅里叶反变换F^-1，初步获得显著性剖面S(t,q)(如图5所示)

步骤5：用低通滤波器g对显著性剖面S(t,q)进行滤波，滤波结果为

FS(t,q)＝g*|S(t,q)|² (14)

FS(t,q)即最终的地震显著性属性剖面(如图6所示，该显著性剖面可以展示地下储层分布信息，专业地震解释人员可以利用该剖面确定储层区域)。

Claims

1.一种基于频域显著性检测的地震属性分析方法，其特征在于，包括以下步骤：

步骤1：读入地震剖面x(t,q),q为地震剖面的道号；

步骤2：对每一道地震数据做傅里叶变换F，获得地震剖面的频域表示X(f,q)；傅里叶变换如下：

傅里叶变换算子为F，对地震剖面x(t,q)的每一道数据做傅里叶变换，获得频域表示X(f,q)

<mrow> <mi>X</mi> <mrow> <mo>(</mo> <mi>f</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>F</mi> <mo>&lsqb;</mo> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> <mo>=</mo> <msubsup> <mo>&Integral;</mo> <mrow> <mo>-</mo> <mi>&infin;</mi> </mrow> <mi>&infin;</mi> </msubsup> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>j</mi> <mn>2</mn> <mi>&pi;</mi> <mi>f</mi> <mi>t</mi> </mrow> </msup> <mi>d</mi> <mi>t</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

式中，q表示地震剖面的道号，f是频率域变量，t是时间变量，j是虚数单位，e是自然常数；

步骤3：计算地震剖面的频域表示X(f,q)的相位谱P(f,q)；频域相位谱如下：

对于频域表示X(f,q)，其相位谱P(f,q)为

式中，Im{·}表示虚部，Re{·}表示实部，arctan表示反正切函数；

步骤4：利用相位谱信息P(f,q)进行傅里叶反变换F^-1，获得显著性剖面S(t,q)；利用相位谱信息进行傅里叶反变换如下：

已知相位谱P(f,q)，显著性剖面S(t,q)表示为

S(t,q)＝|F^-1{e^jP(f,q)}| (3)

<mrow> <msup> <mi>F</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>{</mo> <msup> <mi>e</mi> <mrow> <mi>j</mi> <mi>P</mi> <mrow> <mo>(</mo> <mi>f</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> </mrow> </msup> <mo>}</mo> <mo>=</mo> <msubsup> <mo>&Integral;</mo> <mrow> <mo>-</mo> <mi>&infin;</mi> </mrow> <mi>&infin;</mi> </msubsup> <msup> <mi>e</mi> <mrow> <mi>j</mi> <mi>P</mi> <mrow> <mo>(</mo> <mi>f</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> </mrow> </msup> <msup> <mi>e</mi> <mrow> <mi>j</mi> <mn>2</mn> <mi>&pi;</mi> <mi>f</mi> <mi>t</mi> </mrow> </msup> <mi>d</mi> <mi>f</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

步骤5：用低通滤波器g对显著性剖面S(t,q)进行滤波，作为最终的地震显著性属性剖面；滤波过程，如下：

对显著性剖面S(t,q)，q表示地震剖面的道号，采用低通滤波器g，进行滤波后地震显著性剖面FS(t,q)表示为

FS(t,q)＝g*|S(t,q)|² (5)。