CN107545577B - 基于神经网络的沉积相图像分割方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的沉积相图像分割方法，将人的经验和计算机的计算速度结合起来，将地质工作者的工作经验和机器的计算能力有机的结合起来，即人工输入层位标签信息，而机器根据这些标签信息计算得到层位的分类信息，最后根据层位分类信息追踪区域边界，做到人机交互并且充分利用。具体的，对沉积相图利用超像素算法SLIC做初步处理，分割为同质化的区域，接下来利用深度神经网络进行分类，将图像分为相应数目的类别，这样将会把沉积相中不同的像素区域融合为一个类别的区域，达到减少计算量的目的。在样本数据中加入地震属性数据，使得分类结果更加的准确，并将数据放置于网格结构上，由于数据分布于空间网格中，更为方便高效。

Description

基于神经网络的沉积相图像分割方法

技术领域

本发明属于地震勘探技术领域，涉及地震资料解释技术，具体涉及一种沉积相图像分割方法。

背景技术

在地震勘探中，地震资料解释是一个非常重要的环节，而沉积相图像解释又是其中重要的一环。地质中沉积相反映着地质时期地理环境的特征及其演变过程，因此研究沉积相对了解地质时代古地理环境和地壳的历史演变有着重大的理论意义，对沉积矿产的普查勘探，查明地下水、油、气的分布规律，对工程建设的设计和规划均有重要的实际意义。现如今对于沉积相的分析主要是依靠人工手段，进行手工绘制，绘制人员凭借专业知识以及经验判断沉积相图分为几类，再人工描绘出区域边界，这种方法周期长，难度大，主观性强。如果解释人员掌握丰富的地质知识并由此对解释过程进行约束，这种方法是很有效的，但这样就势必依赖解释人员的经验和有关地质知识的先验信息，而且当沉积相图非常复杂，不同的项相互重叠交错，解释沉积相将变得非常困难，因此，解释人员更希望通过提取地震数据中潜在的构造信息，来提高解释沉积相的精度和速度。

而现如今随着计算机技术的飞速发展，可以将计算机的高速计算能力利用于沉积相图像分割与边界追踪中来。将图像分割与边界追踪中涉及复杂计算部分交由计算机完成，现有的图像分割法主要有阈值法图像分割、区域生长法、基于边缘分割方法等。

但是由于沉积相图的复杂特性，常见的图像分割与边界追踪方法并不能很好的适应每一种沉积相图，对于不同沉积相图的效果不稳定，没有普适性。而人工判断的方法耗时，耗力，主观性大，难度高，对于判断人的地质知识和先验经验也有较高的要求。

在岩性分类中文献“Cracknell M J,Reading A M.The upside of uncertainty:Identification of lithology contact zones from airborne geophysics andsatellite data using random forests and support vector machines.Geophysics,2013,78(3):WB113-WB126”对比了随机森林算法，SVM算法、knn算法、朴素贝叶斯算法、ANN算法，结论是随机森林算法效果最好。虽然这些全自动算法在航拍图像中能把岩性分类的很好，但是在地震沉积相中图像噪音很大，结构比较复杂，这些全自动分类算法并不合适，需要加入人工经验判断。文献“Vasuki Y,Holden E J,Kovesi P,et al.An interactiveimage segmentation method for lithological boundary detection:A rapid mappingtool for geologists.Computers&Geosciences,2017,100:27-40”讨论了一种交互式岩性边界检测算法ILBD算法，在这种算法中，要求人根据自己的经验判断输入初始层位样本标签，然后进行超像素算法分割图像，再基于区域生长法从标记的区域得到分类区域。但是ILBD算法并不适合沉积相图像分割，原因是沉积相图像非常复杂，而ILBD算法中人工输入标签非常严格，要求不相互联通的区域都必须输入标签，不管这些区域是否是同一类型。这一要求在沉积相图像分割是不现实的，因为沉积相图像非常复杂，不连通区域非常多，人工输入每一个标签是非常繁杂的工作，并且噪音很大。

发明内容

为解决现有技术存在的上述问题，本发明提出了一种基于神经网络的沉积相图像分割方法。

本发明的技术方案为：一种基于神经网络的沉积相图像分割方法，具体包括如下步骤：

步骤S1.人工手动输入多个标签信息作为训练样本；

步骤S2.使用超像素算法将沉积相图像分割为K块；

步骤S3.使用深度神经网络算法通过样本数据训练，得到分类结果，并对沉积相图像中没有标签的数据进行分类；

步骤S4.将步骤S3中的区域数据存储到网格结构之中；

步骤S5.确定搜索步长；然后根据空间网格距离和搜索步长，在步骤S3生成的数据中对一个区域和其对应的像素值进行遍历搜索，如果目标搜索在相邻2网格像素值之间，则该点是边界点，在网格中标记出边界线；

步骤S6.根据步骤S4中每个网格点中标记的边界点情况，对每一个区域中进行判断，如果搜索网格有第一边界点，则对第一边界点所在网格的相邻网格进行搜索，如果相邻网格中有第二边界点且与第一边界点有连接关系，则对第二边界点所在网格的相邻网格进行搜索，直到相邻网格没有边界点位置，得到一条边界曲线；

步骤S7.重复步骤S5和步骤S6直到所有区域的所有边界都求出；

步骤S8.对求出的边界进行过滤平滑，得到最后得到沉积相图各区域边界。

本发明的有益效果：本发明的沉积相图像分割方法将人的经验和计算机的计算速度结合起来，将地质工作者的工作经验和机器的计算能力有机的结合起来，即人工输入层位标签信息，而机器根据这些标签信息计算得到层位的分类信息，最后根据层位分类信息追踪区域边界，做到人机交互并且充分利用。具体的，对沉积相图利用超像素算法SLIC做初步处理，分割为同质化的区域，接下来利用深度神经网络进行分类，将图像分为相应数目的类别，这样将会把沉积相中不同的像素区域融合为一个类别的区域，达到减少计算量的目的。此外，在样本数据中加入地震属性数据，使得分类结果更加的准确，并将数据放置于网格结构上，由于数据分布于空间网格中，因此相比一般的基于空间欧式距离进行追踪的方法，本发明的方法更为方便高效。

附图说明

图1为本发明沉积相图像分割方法的流程示意图。

图2为本发明实施例的样本数据示意图。

图3为本发明实施例的SILC图像分割算法流程示意图。

图4为本发明实施例的深度神经网络使用样本点训练过程示意图。

图5为本发明实施例的神经网络分类结果示意图。

具体实施方式

下面结合附图对本发明的实施例做进一步的说明。

在具体说明本发明方案之前，先对深度神经网络算法和SLIC图像分割算法作一说明。

深度神经网络算法(Deep Neural Network，DNN)目前是许多人工智能应用的基础，DNN的出众表现性源于它能够使用统计学习方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征。

神经网络从神经元涉及对输入值求加权和进行计算这一概念而获得灵感。这些加权和对应于突触完成值的缩放以及其和神经元值间的组合。此外，因为计算与神经元级相关联，并且其为简单线性代数运算，所以神经元不会仅仅输出加权值。相反在神经元中有函数执行组合输入的运算而这种函数应该是非线性运算，在非线性运算中，神经元只有在输入超过一定阈值时才生成输出。

为了将脑启发的术语与神经网络匹配，神经网络的输出通常称为激活，并且突触称为权重也就是每条线的权值。

其中，W_ij表示权重，x_i表示输入激活，y_j表示输出激活，f()表示非线性激活函数。可以看到这依然是一个线性组合，不论使用多少隐藏层，每层多少单元，都是一个线性的函数，激活函数的存在意义：增加模型的非线性性，以拟合复杂的函数，其中一种激活函数为sigmoid函数，是一种S型生长曲线。

DNN中还有一个关键函数就是代价函数，在网络输出一个结果a时，将a和预期值y对比，用来表达输出值和预期值的差距，需要通过调整W_ij将代价函数调整为相对最小值。相对最小值即人们所能接受的最小值，只要低于一定阈值即可。

求解代价函数的相对最小值方法一般是计算代价函数的梯度，求解出下降速度最快的方向，修改W_ij使得代价函数值降低，将结果逼近期望值。

SILC图像分割算法是一种超像素算法，超像素算法利用尺度思想将图像分割为多个同质性区域，它捕捉图像的冗余，更加有利于从中计算图像特征，并降低了后续图像处理的复杂程度。因此，基于超像素的图像分割方法以其良好的分割边界，高效处理速度以及较低的计算复杂度广泛应用于图像分割预处理过程中。

SLIC算法通过改进K-Means算法，用LAB颜色空间及x,y像素坐标对像素进行聚类，有效生成具有较好的紧凑性和高进度分割边界的超像素，且此方法能灵活控制超像素数目，运行速度较快，只需要线性运行时间和内存，有效提高了分割的性能。

网格结构：网格结构主要是用来存储沉积相图的像素信息以及边界情况。每一个网格包含：一个像素点信息，是否含有边界信息标志位，边界线信息，此边界是否已经被遍历标志位。这四种信息可以有助于更好的分析沉积相图像以及追踪边界信息，将边界信息有序化：利用不同区域像素信息的差异性，即不同区域像素不同，相同区域像素相同，来确定网格中的边界线，并标记网格中的边界信息标志位。接下来遍历网格点，判断网格的边界信息标志位是否被标记，如果被标记，则将相连的边界线连接起来，使得边界线有序化，并标记遍历标记位；如果边界信息标志位没有被标记，则继续遍历网格。直到所有的边界都被找到，且都有序化为止。

本发明提供的沉积相图像分割方法的流程示意图如图1所示，具体包括如下步骤：

步骤1.人工手动输入多个标签信息作为训练样本。

本发明实施例的样本数据是由2部分组成，如图2所示：一是在实际探勘过程中的井数据，该数据拥有的信息是沉积相的类别；二是地质专家根据实际情况和自己的经验判断出某些点属于某个类型沉积相，于是可以手动输出该沉积相类型信息。

为了更加的准确判断沉积相图，可以在样本数据中加入地震属性数据。地震属性数据需要根据实际的地质情况添加，方法有两种：一是根据地震专家的知识和经验选择地震属性数据加入样本中；二是通过数学计算的方法选取地质属性。第二种方法具体解释如下：

属性选择中需要考虑两个问题，一是属性之间的相关性，相关系数越高表明两种属性所表达的地质信息相关度越高，通过计算属性间的相关系数，从相关系数高的几种属性中选择一种，避免信息重复和浪费，也减少属性之间的相互干扰；二是地震属性和所预测参数的敏感性，在分析沉积相时，预测参数主要是指砂岩含量或岩石厚度等，所以可以找出相关性低且同砂岩敏感性高的地震属性。

步骤2：使用超像素分割算法将图像分为K类(由图像具体情况而定)，得到K个聚类中心的RGB值，具体如图3所示，后续过程就以超像素块为基本单位进行分类，这一步相当于对图像进行了初步的特征提取，并且一定程度上减轻了噪音的干扰。

步骤3：构建深度神经网络，深度神经网络的结构分为输入层，隐藏层，输出层。第一步，首先构建输入层，设计的神经网络的输入层有数层，分别输入沉积相图的超像素的RGB值，以及地震属性值。第二步构建隐藏层，设计的隐藏层有3层，每一层有200个神经元。第三步构建输出层，输出层输出的是one-hot数据，即需要分的类数就是输出的维度，属于某一类对应输出1，否则输出0，比如输出5类，属于第1类，则输出是[1,0,0,0,0]。

接下来需要确定神经元激活函数、损失函数以及学习率。

1，确定隐藏层激活函数为Relu函数，Relu＝max(0,u)，采用Relu函数作为激活函数的原因有以下几点：一，Relu函数在使用梯度下降法的过程中不会使得梯度在传递过程中减小甚至消失，这是sigmoid函数不具备的；二，Relu函数使得计算量减少，收敛更加迅速，它只需要对一个矩阵进行阈值计算得到；三，它更好的拟合生物神经，每次只有少数神经元被激活，这也是sigmoid函数不具备的，使用sigmoid函数每次多大百分之五十的神经元会被激活。

2，确定输出层的激活函数是softmax函数：

softmax表明的是每个输出被选取的概率，e_i对应输出i类的值，e_j对应j类的值，n代表输出层神经元的个数，求e_i被选取的概率如式(3)所示，这样对于小概率的类型不会产生饥饿效应，即每次都选不到该类。

3，损失函数的确定，损失函数是深度神经网络的核心，计算损失函数的梯度，算出最大减少方向，使得损失函数最快达到极小值或者最小值。采用的损失函数是交叉熵损失函数，这里的n代表神经网络的层数，

其中，y对应期望输出，a对应神经元实际输出，m代表神经网络的层数。使用交叉熵损失函数而不使用平方差是因为交叉熵可以较快的迭代完成，原因是交叉熵函数的导数中不包含a的导数，只受误差大小影响，而平方差函数的导数包含a的导数使得迭代变慢，交叉熵导数公式如下：

4，确定学习率，学习率是往损失函数最快下降方向移动的步长，如果学习率设置太大，那么可能会错过最佳的极小值，得到一个不太好的结果；如果学习率设置太小，又有可能收敛很慢，甚至收敛于一个不优秀的极小值中，使得结果误差很大，所以学习率的选择也很重要，在实际当中可以动态设置学习率，可以从样本数据中画出一部分作为测试数据，每次训练一定时间，预测测试数据的结果是否准确，如果准确率较高，那么可以减小学习率，如果准确率较低，那么可以增大学习率，进而可以达到相对比较好的训练结果。

上述过程就构建了一个处理沉积相图像的深度神经网络，使用样本点训练过程如图4所示，具体如下：

1)随机初始化每层神经元的权重值，初始化每层偏移量，初始化学习率；

2)每次读入batch_size(由用户根据自己的计算机性能和样本数目自己定义)大小的样本点到神经网络的输入层，进过每层神经元的计算得到输出结果a；

3)使用输出结果a和标签结果y计算交叉熵(损失函数)；

4)使用梯度下降法，使损失函数减小方向，改变每一层神经元的权重和偏移量的值；

5)重复步骤2)到4)直到收敛得到损失函数的一个极小值；

6)训练完毕。

具体结果如图5所示，不同的曲线代表不同类别的人工标签，从左到右分别为：沉积相原图像，人工输入层位标签图像，超像素分割初始图像，超像素分割图像，DNN神经网络分类图像。

步骤4.将步骤3中的区域数据存储到网格结构之中；

步骤5.确定搜索步长：然后根据空间网格距离和搜索步长，在步骤3生成的数据中对一个区域和其对应的像素值进行遍历搜索，如果目标搜索在相邻2网格像素值之间，则该点是边界点，在网格中标记出边界线；

步骤6.根据步骤4中每个网格点中标记的边界点情况，对每一个区域中进行判断，如果搜索网格有边界点a(为了方便描述命名该边界点为a)，则对其a所在网格的相邻网格进行搜索，如果相邻网格中也有边界点b(为了方便描述命名该边界点为b)且与a点有连接关系，则对b所在网格的相邻网格进行搜索，直到相邻网格没有边界点位置，得到一条边界曲线；

步骤7.重复步骤5和步骤6直到所有区域的所有边界都求出；

步骤8.对求出的边界进行过滤平滑，得到最后得到沉积相图各区域边界。

可以看出，相比于一般图像分割方法完全依靠程序自身判断图像分割情况，本发明的方法可以将地质勘探者自己的判断也加入到算法计算当中，并且根据实际情况也可以将合适的地震属性数据也加入样本之中；通过SLIC超像素算法分割图像，然后对分割区域进行深度学习神经网络算法分类，然后通过计算不同沉积相类型的像素变化得到边界(边界追踪)，可以适用于各种复杂沉积相图的图像分割和边界追踪工作；相比于一般的基于空间欧氏距离进行边界追踪的方法，本发明所采取的基于空间网格距离的方法也更为方便有效；而且本算法追踪出来的边界经过平滑过滤后清晰，边界与边界之间区分也很明显，且没有边界重叠，交叉现象，方便地质勘探者观察研究。对直观解释沉积相有着重大的实践意义，能为勘探工作者进一步研究沉积相性质提供支持，减少了大量，复杂的手动解释工作，克服了现有方法周期长，难度大，主观性强的缺陷。

Claims (1)

1.一种基于神经网络的沉积相图像分割方法，具体包括如下步骤：

步骤S1.人工手动输入多个标签信息作为训练样本；

所述的训练样本包括：

实际探勘过程中的井数据，所述井数据拥有的信息是沉积相的类别；

已判断出的某些点属于某个类型沉积相的信息；

地震属性数据；

步骤S2.使用超像素算法将沉积相图像分割为K块；

步骤S3.使用深度神经网络算法通过样本数据训练，得到分类结果，并对沉积相图像中没有标签的数据进行分类；

步骤S4.将步骤S3中的区域数据存储到网格结构之中，所述的网格结构包含：一个像素点信息，是否含有边界信息标志位，边界线信息，此边界是否已经被遍历标志位；

步骤S5.确定搜索步长；然后根据空间网格距离和搜索步长，在步骤S3生成的数据中对一个区域和其对应的像素值进行遍历搜索，如果目标搜索在相邻2网格像素值之间，则该点是边界点，在网格中标记出边界线；

步骤S6.根据步骤S4中每个网格点中标记的边界点情况，对每一个区域中进行判断，如果搜索网格有第一边界点，则对第一边界点所在网格的相邻网格进行搜索，如果相邻网格中有第二边界点且与第一边界点有连接关系，则对第二边界点所在网格的相邻网格进行搜索，直到相邻网格没有边界点位置，得到一条边界曲线；

步骤S7.重复步骤S5和步骤S6直到所有区域的所有边界都求出；

步骤S8.对求出的边界进行过滤平滑，得到最后得到沉积相图各区域边界。

Images