CN106778794A - 一种基于图像识别的计算机成像控制方法 - Google Patents

Abstract

本发明公开了一种基于图像识别的计算机成像控制方法，首先进行波形数据获取和处理，建立初始化图像，利用图像识别和优化分类选出代表性的时空数据，对优化后的数据进行计算机反演成像，输出未知物体参数图像；然后构建结构较为模糊的参数图像模型，通过设定阈值来对数据集进行分类，以降低数据量；对于反演成像所输出的未知物体结构的高维参数图像，利用图像识别技术识别出容易储存能源的异常区域；然后反馈判断是否需要更多异常区域的数据再次进行计算机成像。本发明基于图像识别和机器学习算法，结合波形数据以及计算机成像后的图像数据，在数据预处理阶段将时空数据进行图像识别优化分类，通过将相似度极高的图像数据互相代替来减少数据量。

Description

一种基于图像识别的计算机成像控制方法

技术领域

本发明属于计算机成像领域，具体涉及一种基于图像识别的计算机成像控制方法。

背景技术

随着硬件计算能力的增强，计算机成像在能源勘测、CT成像和气象预报等各种实际问题中，得到了更为广泛和深入的应用。由于目前传感器及其相关网络收集的时空数据量异常庞大，若将这些数据作为成像的直接输入，虽然能使数据在一定程度上得到充分利用，但是并不能保证很高的成像质量，也会耗费相当大的机时；同时，如果不对这些数据进行一定的预处理，很容易导致输出的结构参数图像中出现迷惑性的像点。图像识别方法就是解决这一系列问题的重要工具。

目前，几乎所有的能源勘测公司，例如：Chevron、中石油、BP、ExxonMob i l等都不同程度地在计算机成像时使用了各种图像处理算法，并且取得了显著的效果，图像相关处理算法已经成为能源勘测和其他计算机成像领域的一项非常重要的技术。而图像识别在互联网和电子商务企业用到的最多，也产生了巨大的经济效益。图像识别方法在理论和实践方面都得到了长足的进步。但图像识别算法在计算机成像领域虽然已经引起足够的重视，但尤其是在能源勘测这些对国家有重要战略意义的领域却并未得到充分的利用。

目前在能源勘测领域主流的计算机成像方法有基于波动方程的时空大数据反演方法，和在此之上的层析成像方法。

基于波动现象的时空数据反演方法利用了探测原始未知区域(陆地或海洋等)的原始数据，经过一定的信号处理，将这些数据作为输入实现计算机成像，输出的图像主要是未知区域的地质结构参数图，最终的图中主要反映的是波的速度或密度或波阻抗分布。将这些高维参数以图像的形式呈现可以非常直观地帮助下游人员分析解释当地情况。但是这一方法主要是对所有数据应用迭代运算，实际非常耗时，往往数据吞吐量很大，也容易导致调试成本偏高。实际上大量冗余数据不可避免的存在已经成为一种共识，这也客观上导致了计算机的重复劳动。这些都是因为数据虽然经过了常规处理，但是未经进一步筛选，其冗余性未得到足够重视。

基于反演结果的层析成像方法主要是上述步骤的副产品，每一次迭代过程实际上都包含一次成像，最终得到的结构参数图像，可以再次利用所有频率数据进行一次成像以提高图像的分辨率。但是最终的图像往往也含有一定量的杂质和伪影，给行业下游的分析解释人员带来不便；而且更重要的是解释人员主要是凭借经验对图像进行分析和敏感区域的异常判断，像点的分辨率和明暗对比等图像特征稍有不慎，就会对人的判断结果起到较大的误导。

基于图像识别的方法一方面可以很好的筛选大量的时空数据进行成像前的把关控制，以提高数据使用效率、降低计算机成像的各类计算成本、从而提高生产效率；另一方面，基于图像识别和机器学习的异常区域检测技术，可以最大限度得利用前人对图像的解释经验，辅助发现计算机成像后难以分辨的异常区域，同时弥补了人为主观经验的不足。

近年来，国内外研究者们在基于信任计算和个性化推荐方面进行了一定的研究，主要利用图像处理技术改善计算机成像的性能，在一定程度上提高了成像质量，但却耗费了很大的计算量和人力成本。且已有方法主要关注传统的图像处理领域对计算机成像的影响，很多有价值的隐式图像或数据信息往往被忽略。因此，需要一种更加有效地解决计算量过大和提高图像解释能力的方法。

发明内容

本发明针对波形时空数据量大且难以处理的问题做出预处理，即本发明要解决的技术问题是提供一种基于图像识别的计算机成像控制方法，能够解决波形数据量大且难以快速计算处理和图像敏感区域识别检测的问题。

为了解决上述技术问题，本发明提供了如下的技术方案：一种基于图像识别的计算机成像控制方法，包括如下步骤：

S1、波形数据获取和处理，建立初始化图像，利用图像识别和优化分类选出代表性的时空数据，对优化后的数据进行计算机反演成像，输出未知物体参数图像，利用基于机器学习的技术对图像异常区域进行识别，判定是否需要更多异常区域数据，重新进行更高分辨率成像，确认异常区域；

S2、根据初至波数据构建结构较为模糊的参数图像模型，常规数据预处理之后的大量波形时空数据主要是共炮点道集，通过设定空间维度上炮与炮之间的足够小阈值来对数据集进行分类，由于地理位置接近的信号源一般可能探测的未知区域结构不会发生很大变化，即可用其中的一组共炮点道集作为代表，相同类的道集探测的结构即可相互替换，当输入数据与数据模型中某一数据同一类时即可直接调用同类数据集合，进行计算机成像时即可降低数据量；

S3、对于反演成像所输出的未知物体结构的高维参数图像，利用图像识别技术识别出容易储存能源的异常区域；然后反馈判断是否需要更多异常区域的数据再次进行计算机成像；最终将异常区域在图像上标注呈现给行业下游使用者。

进一步，S2中输入数据的分类是基于某一物理区域数据集内部的特征进行识别和提取。

训练数据可以由外部导入，从而得到可进行异常检测的识别模型。

上述训练数据来源是互联网公开的典型实际地质图像集、公司或研究组织专有数据库中非保密地质结构图像集。

S3中所述高维参数图像包括速度、密度、波阻抗。

S3中所述容易储存能源的异常区域包括断层、高速盐体上下边缘。

本发明的有益效果是：

1，本发明基于图像识别和机器学习算法，结合波形数据以及计算机成像后的图像数据，在数据预处理阶段将时空数据进行图像识别优化分类，通过将相似度极高的图像数据互相代替来减少数据量,。

2，本发明在计算机反演成像的出图像模型之后，对图像进行识别检测出异常区域，因此可以应用到实际能源勘测、CT成像等领域中。

附图说明

图1为基于图像识别的计算机成像控制方法的流程图。

具体实施方式

现结合附图对本发明作进一步详细的说明。附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

如图1所示，本发明公开一种基于图像识别的计算机成像控制方法，包括如下步骤：

S1、波形数据获取和处理并建立初始化图像、利用图像识别和优化分类选出代表性的时空数据、对优化后的数据进行计算机反演成像输出未知物体参数图像、利用基于机器学习的技术对图像异常区域进行识别、判定是否需要更多异常区域数据重新进行更高分辨率成像，确认异常区域。

S2、根据初至波数据构建结构较为模糊的参数图像模型；常规数据预处理之后的大量波形时空数据主要是共炮点道集，通过设定空间维度上炮与炮(信号源与信号源)之间的足够小阈值来对数据集进行分类，由于地理位置接近的信号源一般可能探测的未知区域结构不会发生很大变化，即可用其中的一组共炮点道集作为代表；相同类的道集探测的结构即可相互替换，当输入数据与数据模型中某一数据同一类时即可直接调用同类数据集合，进行计算机成像时即可降低数据量。

S3、对于反演成像所输出的未知物体结构的高维参数图像，如：速度、密度、波阻抗等结果，利用图像识别技术识别出断层、高速盐体上下边缘等容易储存能源的异常区域；然后反馈判断是否需要更多异常区域的数据再次进行计算机成像；最终将异常区域在图像上标注呈现给行业下游使用者。

本发明针对当前使用广泛的能源勘测计算机成像系统，基于图像识别算法，结合处理过的时空数据和成像后的未知物体结构参数图像，对数据和图像进行不同类型的识别来增强系统侦测能源位置的能力。下面结合使用实施例对本发明进行详细描述。

图1是基于图像识别的计算机成像控制方法的流程图描述，其成像控制方法包括如下步骤：

步骤1，开始，成像系统启动；

步骤2，确定获取的数据；

步骤3，数据处理开始，包括数据获取的几何位置信息，常规的预处理(包括最小相位校正、静校正等)，然后按信号源进行分拣，同时确定每组数据的信号源以备用；

步骤4，初至波走时成像，利用半自动或自动的初至波走时拾取系统(该系统已经比较成熟)确定各信号源数据的走时并进行归一化校正，将这些数据导入走时成像系统进行初步计算机成像已获得较为模糊的结构参数背景图像(该方法相对比较成熟)；

步骤5，常规的滤波去噪，如带通滤波去噪、去面波、去频散过程、时空数据维度转换效应(如三维和二维空间数据互相转换)等，从而获得较为清晰的波形数据；

步骤6，衰减补偿校正，将符合波动传播规律且非方程因素的衰减值补偿回波形信号数据，从而最大限度得排除客观因素的干扰；

步骤7，归一化数据，使得数据所含能量在同一水平线上影响计算机成像；

步骤8，对步骤7处理过后的时空数据利用图像识别技术进行分类优化，首先可以通过肉眼观察数据并结合步骤4的可信背景图像给出一个初始的分类方案，在此之上通过设定空间维度上炮与炮(信号源与信号源)之间的足够小阈值来对数据集进行分类，由于地理位置接近的信号源一般可能探测的未知区域结构不会发生很大变化，即可用其中的一组共炮点道集作为代表；相同类的道集探测的结构即可相互替换，当输入数据与数据模型中某一数据同一类时即可直接调用同类数据集合；

步骤9，将步骤8处理过的分类数据，结合步骤4给出的结构参数背景图像作为初始条件输入计算机进行迭代反演成像，可以得到物理参数图像和灰度纯结构图像；整合步骤5计算出来的相似度和步骤8计算出来的信任值，综合得出被推荐用户与系统内其他用户的关联度；如果被推荐用户不存在历史记录，则单独采取步骤8的信任值计算被推荐用户与系统内其他用户的关联度；

步骤10，根据步骤9计算出来的图像，使用机器学习的方法进行图像中敏感区域的异常识别，其中训练数据主要来源是互联网公开的典型实际地质图像集、公司或研究组织专有数据库中非保密地质结构图像集，从而得到可进行异常检测的识别模型，将步骤9得到的未知物体结构的参数图像作为测试数据输入模型，以辅助发现并标记出肉眼难以分辨的异常区域，对能源储备解释提供支持；

步骤11，根据步骤10的识别检测结果，由专业解释人员确定是否需要进行敏感区域的迭代成像或者结束；对于前者，若需要进行再次计算机成像，则需要跳回步骤9，同时考虑进行敏感区域数据的局部分类，确定新的时空数据集；若结束则跳转步骤12；

步骤12，标注并呈现可能的敏感异常区域，成像结束。

以上所述仅为本发明的优选实施例，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (6)

1.一种基于图像识别的计算机成像控制方法，其特征在于，包括如下步骤：

S1、波形数据获取和处理，建立初始化图像，利用图像识别和优化分类选出代表性的时空数据，对优化后的数据进行计算机反演成像，输出未知物体参数图像，利用基于机器学习的技术对图像异常区域进行识别，判定是否需要更多异常区域数据，重新进行更高分辨率成像，确认异常区域；

S2、根据初至波数据构建结构较为模糊的参数图像模型，常规数据预处理之后的大量波形时空数据主要是共炮点道集，通过设定空间维度上炮与炮之间的足够小阈值来对数据集进行分类，由于地理位置接近的信号源一般可能探测的未知区域结构不会发生很大变化，即可用其中的一组共炮点道集作为代表，相同类的道集探测的结构即可相互替换，当输入数据与数据模型中某一数据同一类时即可直接调用同类数据集合，进行计算机成像时即可降低数据量；

S3、对于反演成像所输出的未知物体结构的高维参数图像，利用图像识别技术识别出容易储存能源的异常区域；然后反馈判断是否需要更多异常区域的数据再次进行计算机成像；最终将异常区域在图像上标注呈现给行业下游使用者。

2.根据权利要求1所述的一种基于图像识别的计算机成像控制方法，其特征在于，S2中输入数据的分类是基于某一物理区域数据集内部的特征进行识别和提取。

3.根据权利要求1所述的一种基于图像识别的计算机成像控制方法，其特征在于训练数据可以由外部导入，从而得到可进行异常检测的识别模型。

4.根据权利要求3所述的一种基于图像识别的计算机成像控制方法，其特征在于所述训练数据来源是互联网公开的典型实际地质图像集、公司或研究组织专有数据库中非保密地质结构图像集。

5.根据权利要求1所述的一种基于图像识别的计算机成像控制方法，其特征在于S3中所述高维参数图像包括速度、密度、波阻抗。

6.根据权利要求1所述的一种基于图像识别的计算机成像控制方法，其特征在于S3中所述容易储存能源的异常区域包括断层、高速盐体上下边缘。