CN109031423B - 基于梯度共生矩阵的叠前地震纹理分析方法 - Google Patents

基于梯度共生矩阵的叠前地震纹理分析方法 Download PDF

Info

Publication number
CN109031423B
CN109031423B CN201810993018.4A CN201810993018A CN109031423B CN 109031423 B CN109031423 B CN 109031423B CN 201810993018 A CN201810993018 A CN 201810993018A CN 109031423 B CN109031423 B CN 109031423B
Authority
CN
China
Prior art keywords
gradient
occurrence matrix
matrix
texture
occurrence
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.)
Active
Application number
CN201810993018.4A
Other languages
English (en)
Other versions
CN109031423A (zh
Inventor
蔡涵鹏
彭龙康
吴庆平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810993018.4A priority Critical patent/CN109031423B/zh
Publication of CN109031423A publication Critical patent/CN109031423A/zh
Application granted granted Critical
Publication of CN109031423B publication Critical patent/CN109031423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G01V1/362—Effecting static or dynamic corrections; Stacking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/30—Noise handling
    • G01V2210/32—Noise reduction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration
    • G01V2210/512—Pre-stack

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于梯度共生矩阵的叠前地震纹理分析方法，包括以下步骤：S1、从叠前地震数据D中获取待分析的4维数据V；S2、定义梯度计算方向
Figure DDA0001781236550000011
定义4维子数据集S∈V；S3、以V中T个样点组成的线(：，i，j，k)为中心建立大小为T×NI×NC×No的4维子数据集S，依次计算S中每一点的梯度，得到梯度矩阵M；S4、基于梯度矩阵构建梯度共生矩阵G，基于梯度共生矩阵G计算纹理特征属性。本发明在灰度共生矩阵的基础上，加入梯度信息，从梯度共生矩阵中提取一些统计量反映纹理特征，这一纹理分析方法在提高信号分辨率的同时，降低了噪声影响。

Description

基于梯度共生矩阵的叠前地震纹理分析方法
技术领域
本发明属于地震分析技术领域，特别涉及一种基于梯度共生矩阵的叠前地震纹理分析方法。
背景技术
经过多年的发展，勘探地震学已经成为探测地下地质结构、发掘不同地区石油天然气和页岩气等地下资源的一门学科。首先，基于地震波在不同的介质表面表现的反射、折射和衍射等特性，陆地采用放炮或者可控震源的方法激发地震波。由于不同的地质结构对地震波的反射、折射和衍射等作用的程度不一样，并且激发地震波的损失有差异，这使得最终返回到地面部分的地震波不一样。因此，返回的地震波携带有地下地质结构的信息，相关工作人员对返回的地震波进行收集，得到能够反映地下信息的地震数据，并用于后续的岩性、地层结构、沉积环境等方面的分析。
通常地震数据包括叠前地震数据和叠后地震数据。与叠后地震数据相比，叠前地震数据携带更加丰富的地层信息和沉积信息，但这些特征通常非常细微，采用叠后地震数据的处理方法很难从叠前地震数据中提取出这些特征。另外，叠前地震数据信噪比相比叠后地震数据较低，但随着地震数据采集和处理技术的提高，叠前地震数据的信噪比得到一定程度的提高，这为直接从叠前地震数据提取有用信息奠定了基础。
地震属性分析是一种常见而有效的地震解译工具，即基于识别结构和沉积特征，在空间上定性或定量表征储层。计算地震属性的方法有很多种，其中纹理属性是区分填充道、地层异质性等非常有前景的方法，它是反映图像中同质现象的视觉特征，体现了地下地层和沉积具有缓慢变化或者周期性变化的地层和沉积结构组织排列属性。在可用于纹理分析的许多方法中，使用灰度共生矩阵进行统计纹理分析非常普遍。灰度共生矩阵表示在定义的区域中具有给定空间关系的像素的灰度级出现的联合概率，然后使用灰度共生矩阵生成统计测量属性，用于表征感兴趣的地质特征，这一方法被广泛用于地震勘探分析、储层参数预测、断层识别、各向异性检测和三维地震可视化，但其多用于处理叠后地震。在处理叠前地震数据时，该方法不能很好地处理数据噪声的影响，且对于数据中细微的特征不能很好的反映。本发明主要的技术方案就是在灰度共生矩阵中加入梯度信息用于处理叠前地震，在提高分辨率的同时降低噪声的影响，从而获得基于叠前地震数据的叠前地震纹理属性集，用于挖掘叠前地震数据中包含的丰富地层信息和沉积信息。
叠前地震数据相比叠后地震数据拥有多个方位角或偏移距信息，但不同方位角或偏移距间信息差异性较小；同时，与叠后地震数据相比，叠前地震数据信噪比会更低。所以在处理叠前地震数据时，不仅需要提高分辨率，识别细小地质特征，而且需要降低噪声干扰，提高准确度。目前使用灰度共生矩阵来描述地震数据纹理特征较为普遍，但多用于处理叠后地震。对于叠前地震数据而言，使用灰度共生矩阵描述纹理特征不能很好地提高分辨率和降低噪声影响。
发明内容
本发明的目的在于克服现有技术的不足，提供一种在灰度共生矩阵的基础上，加入梯度信息，构建梯度共生矩阵，并从梯度共生矩阵中提取一些统计量反映纹理特征，在提高信号分辨率的同时，降低了噪声影响的基于梯度共生矩阵的叠前地震纹理分析方法。
本发明的目的是通过以下技术方案来实现的：基于梯度共生矩阵的叠前地震纹理分析方法，将梯度信息加入灰度共生矩阵，构建梯度共生矩阵进行纹理分析；具体包括以下步骤：
S1、基于地层倾角约束从叠前地震数据D中获取待分析的4维数据V，V的大小为T×I×C×O；
S2、定义梯度计算方向
Figure BDA0001781236530000021
定义4维子数据集S∈V，S大小为T×NI×NC×NO；
S3、以V中T个样点组成的线(：，i，j，k)为中心建立大小为T×NI×NC×NO的4维子数据集S，依次计算S中每一点的梯度，得到梯度矩阵M，其中，i＝1，...，I，j＝1，...，C，k＝1，...，O，I、C、O分别表示；
S4、基于梯度矩阵构建梯度共生矩阵G，基于梯度共生矩阵G计算纹理特征属性，并作为相应纹理特征属性集中位置(i，j，k)的纹理特征属性。
进一步地，所述步骤S4中基于梯度矩阵构建梯度共生矩阵G包括以下子步骤：
S41、设定梯度共生矩阵计算方向为
Figure BDA0001781236530000022
与梯度计算方向相同；定义梯度共生矩阵计算距离d；
S42、对梯度矩阵M进行灰度变换，灰度级为N；
S43、初始化梯度共生矩阵G为零矩阵，大小为N×N；
S44、判断M中在
Figure BDA0001781236530000023
方向上距样点(p，q，r，s)距离为d处是否仍为M中的样点，若是则梯度共生矩阵G中(x，y)和(y，x)处元素值加1，否则不操作；其中，p＝1,…,T；q＝1,…,NI；r＝1,…,NC；q＝1,…,NO；x表示样点(p，q，r，s)的灰度值，y表示距样点(p，q，r，s)距离为d处的点的灰度值。
进一步地，所述梯度共生矩阵的纹理特征属性包括以下参数：
能量：定义为梯度共生矩阵元素值的平方和，
Figure BDA0001781236530000024
对比度：反映了某个位置及其邻域在梯度计算方向上变化程度的对比情况，其计算方法为：
Figure BDA0001781236530000031
均质性：反映纹理的同质性，度量纹理局部变化的均匀程度，计算公式如下：
Figure BDA0001781236530000032
熵：熵是地质体变化程度的随机性度量，
Figure BDA0001781236530000033
本发明的有益效果是：本发明提出了一种基于灰度的梯度共生矩阵的叠前地震数据纹理分析方法，在灰度共生矩阵的基础上，加入梯度信息，并使用叠前地震数据进行纹理分析，可以达到以下有益效果：
1、本发明在灰度共生矩阵的基础上，加入梯度信息，且使用n点中心差分公式计算梯度，构建梯度共生矩阵，并从梯度共生矩阵中提取一些统计量反映纹理特征，这一纹理分析方法在提高信号分辨率的同时，降低了噪声影响；
2、本发明在对地质体进行纹理分析时，使用的数据为叠前地震数据，该数据与叠后地震数据相比，虽然信噪比较低，但含有更丰富的地层和沉积信息，且不同方位角或偏移距间有细微的差异性特征。
附图说明
图1为本发明的基于梯度共生矩阵的叠前地震纹理分析方法的流程图。
具体实施方式
本发明引入梯度共生矩阵这一纹理分析方法，在使用灰度共生矩阵研究灰度的空间相关特性的基础上，加入梯度信息，提高数据分辨率，降低噪声影响。
加入相邻单元计算梯度，能够通过多点的中心差分公式计算梯度，达到降低噪声影响的作用。当采用相邻两点计算梯度时，使用3点中心差分公式，梯度计算方法如下：
Figure BDA0001781236530000034
式中d代表样点z2处的梯度，zi(i＝1，2，3)为三个相邻的样点值，Δx为样点间隔。
当噪声较大时，使用3点中心差分公式计算梯度降低噪声效果不明显，为此需要加入更多相邻单元计算梯度。本发明使用5点中心差分公式计算梯度，计算上是基于Roberts一阶导数的求解思路，使用泰勒展开式推导，计算方法如下：
Figure BDA0001781236530000035
式中d代表样点z3处的梯度，zi(i＝1，2，3，4，5)为五个相邻的样点值，Δx为样点间隔。
下面结合附图进一步说明本发明的技术方案。
如图1所示，基于梯度共生矩阵的叠前地震纹理分析方法，将梯度信息加入灰度共生矩阵，构建梯度共生矩阵进行纹理分析；具体包括以下步骤：
S1、基于地层倾角约束从叠前地震数据D中获取待分析的4维数据V；
S2、定义梯度计算方向
Figure BDA0001781236530000041
定义4维子数据集S∈V，S大小为T×NI×NC×NO；
S3、以V中T个样点组成的线(：，i，j，k)为中心建立大小为T×NI×NC×NO的4维子数据集S(边界处数据不足时，采用对称方式补充数据，即补充数据和原始数据集V关于原始数据集V的边界对称)，使用5点中心差分公式依次计算S中每一点的梯度，得到梯度矩阵M(计算边界处梯度时，若能从原使数据集V中找到相应数据补充则使用原始数据集V中数据，否则采用对称方式补充数据，即补充数据和原始数据S关于数据S的边界对称)，其中，i＝1，...，I；j＝1，...，C；k＝1，...，O；
S4、基于梯度矩阵构建梯度共生矩阵G，基于梯度共生矩阵G计算纹理特征属性，并作为相应纹理特征属性集中位置(i，j，k)的纹理特征属性。
梯度共生矩阵是使用原始数据计算梯度得到梯度数据(即构建了梯度矩阵)后，将梯度数据作为新数据来计算灰度共生矩阵的方法。在求取梯度后梯度计算方向上数据分辨率提高，故灰度共生矩阵计算方向应与梯度计算方向一致；另外，灰度共生矩阵计算距离应根据纹理粗细来选择。
步骤S4中基于梯度矩阵构建梯度共生矩阵G包括以下子步骤：
S41、设定梯度共生矩阵计算方向为
Figure BDA0001781236530000042
与梯度计算方向相同；定义梯度共生矩阵计算距离d；
S42、对梯度矩阵M进行灰度变换，灰度级为N；
S43、初始化梯度共生矩阵G为零矩阵，大小为N×N；
S44、判断M中在
Figure BDA0001781236530000043
方向上距样点(p，q，r，s)距离为d处是否仍为M中的样点，若是则梯度共生矩阵G中(x，y)和(y，x)处元素值加1，否则不操作；其中，p＝1,…,T；q＝1,…,NI；r＝1,…,NC；q＝1,…,NO；x表示样点(p，q，r，s)的灰度值，y表示距样点(p，q，r，s)距离为d处的点的灰度值。
进一步地，所述梯度共生矩阵的纹理特征属性包括以下参数：
能量：定义为梯度共生矩阵元素值的平方和，反映了地质体在梯度计算方向上灰度变化均匀程度和纹理粗细度，计算公式如下。如果共生矩阵所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种在梯度计算方向上变化程度较一致的纹理模式。其计算公式为：
Figure BDA0001781236530000044
对比度：反映了某个位置及其邻域在梯度计算方向上变化程度的对比情况，其计算方法为：
Figure BDA0001781236530000051
如果偏离对角线的元素有较大值，即梯度计算方向上变化程度相差较大，则CON会有较大取值。实质上，反映了地质体的视觉效果和纹理沟纹深浅程度。纹理沟纹越深，纹理变化程度越剧烈，CON越大，视觉效果越清晰；反之，沟纹越浅，视觉效果模糊。
均质性：反映纹理的同质性，度量纹理局部变化的均匀程度，计算公式如下：
Figure BDA0001781236530000052
如果梯度共生矩阵对角元素有较大值，HOM就会取较大的值。因此变化程度较一致的地质体会有较大的HOM值。
熵：熵是地质体变化程度的随机性度量，
Figure BDA0001781236530000053
当共生矩阵中所有值均相等或者表现出最大的随机性，也即地质体结构近于随机或噪声很大时，熵会有较大值。因此，熵值表明了地质体变化程度的复杂性，熵值越大，地质体变化越复杂。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.基于梯度共生矩阵的叠前地震纹理分析方法，其特征在于，将梯度信息加入灰度共生矩阵，构建梯度共生矩阵进行纹理分析；具体包括以下步骤：
S1、基于地层倾角约束从叠前地震数据D中获取待分析的4维数据V；
S2、定义梯度计算方向
Figure FDA0002295118920000011
定义4维子数据集S∈V，S大小为T×NI×NC×NO；
S3、以4维数据V中T个样点组成的线(：，i，j，k)为中心建立大小为T×NI×NC×NO的4维子数据集S，依次计算S中每一点的梯度，得到梯度矩阵M，其中，i＝1，...，I，j＝1，...，C，k＝1，...，O；
S4、基于梯度矩阵构建梯度共生矩阵G，基于梯度共生矩阵G计算纹理特征属性，并作为纹理特征属性集中位置(i，j，k)的纹理特征属性；基于梯度矩阵构建梯度共生矩阵G包括以下子步骤：
S41、设定梯度共生矩阵计算方向为
Figure FDA0002295118920000013
与梯度计算方向相同；定义梯度共生矩阵计算距离d；
S42、对梯度矩阵M进行灰度变换，灰度级为N；
S43、初始化梯度共生矩阵G为零矩阵，大小为N×N；
S44、判断梯度矩阵M中在
Figure FDA0002295118920000012
方向上距样点(p，q，r，s)距离为d处是否仍为梯度矩阵M中的样点，若是则梯度共生矩阵G中(x，y)和(y，x)处元素值加1，否则不操作；其中，p＝1,…,T；q＝1,…,NI；r＝1,…,NC；q＝1,…,NO；x表示样点(p，q，r，s)的灰度值，y表示距样点(p，q，r，s)距离为d处的点的灰度值。
2.根据权利要求1所述的基于梯度共生矩阵的叠前地震纹理分析方法，其特征在于，所述梯度共生矩阵的纹理特征属性包括以下参数：能量、对比度、均质性、熵。
CN201810993018.4A 2018-08-29 2018-08-29 基于梯度共生矩阵的叠前地震纹理分析方法 Active CN109031423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810993018.4A CN109031423B (zh) 2018-08-29 2018-08-29 基于梯度共生矩阵的叠前地震纹理分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810993018.4A CN109031423B (zh) 2018-08-29 2018-08-29 基于梯度共生矩阵的叠前地震纹理分析方法

Publications (2)

Publication Number Publication Date
CN109031423A CN109031423A (zh) 2018-12-18
CN109031423B true CN109031423B (zh) 2020-04-07

Family

ID=64625806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810993018.4A Active CN109031423B (zh) 2018-08-29 2018-08-29 基于梯度共生矩阵的叠前地震纹理分析方法

Country Status (1)

Country Link
CN (1) CN109031423B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115144894A (zh) * 2021-03-31 2022-10-04 中国石油天然气股份有限公司 页岩裂缝预测方法及装置
CN113960673B (zh) * 2021-10-26 2022-05-13 广州海洋地质调查局 一种基于地震反演的块体流沉积封堵性评价方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102879815B (zh) * 2011-07-15 2015-08-19 中国石油天然气集团公司 基于空间型灰度伴随矩阵的结构性地震属性提取方法
BR112015025303A2 (pt) * 2013-04-02 2017-07-18 Logined Bv método implementado por computador para processamento de dados sísmicos, meio não transitório legível por computador armazenando as instruções que quando executadas por um processador, fazem com que o processador execute operações, e sistema de computação
CN105447524A (zh) * 2015-11-27 2016-03-30 优渊商贸（上海）有限公司 图像识别方法及装置
CN105607122B (zh) * 2015-12-23 2018-04-10 西南科技大学 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
CN107437260A (zh) * 2016-05-27 2017-12-05 中国石油化工股份有限公司 基于纹理分析的缝洞储集体形态描述方法
CN106780584B (zh) * 2016-11-28 2019-07-02 自然资源部第二海洋研究所 基于灰度共生矩阵的纹理方向精细估算方法

Also Published As

Publication number Publication date
CN109031423A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
US11313994B2 (en) Geophysical deep learning
Bosch et al. Seismic inversion for reservoir properties combining statistical rock physics and geostatistics: A review
CN102053270B (zh) 一种基于沉积地层单元的地震相分析方法
CN104516018B (zh) 一种地球物理勘探中岩性约束下的孔隙度反演方法
US11143776B2 (en) Computer-implemented method and system for small cave recognition using seismic reflection data
CA2818790C (en) Seismic trace attribute
WO2017035104A1 (en) Velocity model seismic static correction
Huang et al. Geological structure-guided initial model building for prestack AVO/AVA inversion
WO2012139082A1 (en) Event selection in the image domain
EP3253946A1 (en) Seismic attributes derived from the relative geological age property of a volume-based model
CN109031423B (zh) 基于梯度共生矩阵的叠前地震纹理分析方法
Ding et al. Reliability analysis of seismic attribute in the detection of fault-karst
CN115877449A (zh) 用于在勘测区域内获得地下堆叠图像的计算机实现方法
Bruno et al. Groundwater characterization in arid regions using seismic and gravity attributes: Al Jaww Plain, UAE
EP3978961B1 (en) System and method for quantitative seismic integration modeling workflow
Tselentis et al. Local high-resolution passive seismic tomography and Kohonen neural networks—Application at the Rio-Antirio Strait, central Greece
Luo et al. High-dimensional co-occurrence matrix: A new tool for 3D seismic target visualization and interpretation
Eichkitz et al. Anisotropy estimation based on the grey level co-occurrence matrix (GLCM)
Shen et al. A combined geological, geophysical and rock mechanics approach to naturally fractured reservoir characterization and its applications
Chen et al. An initial model construction method constrained by stratigraphic sequence representation for pre‐stack seismic inversion
Yan et al. Building subsurface models with horizon-guided interpolation and deep learning: Applied to the Volve field
CN114384587A (zh) 一种基于叠前宽角度反演的生物礁滩储层油气检测方法
CN116338775A (zh) 一种薄储层识别方法及装置
Burns Seismic Reservoir Characterization
CN113391350A (zh) 一种半定量叠后地震裂缝预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant