CN113474682A - 图案引导倾角估计 - Google Patents

图案引导倾角估计 Download PDF

Info

Publication number
CN113474682A
CN113474682A CN202080016768.1A CN202080016768A CN113474682A CN 113474682 A CN113474682 A CN 113474682A CN 202080016768 A CN202080016768 A CN 202080016768A CN 113474682 A CN113474682 A CN 113474682A
Authority
CN
China
Prior art keywords
seismic data
dip
estimate
data image
applying
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.)
Pending
Application number
CN202080016768.1A
Other languages
English (en)
Inventor
赵杨
张厚竹
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.)
Saudi Arabian Oil Co
Original Assignee
Saudi Arabian Oil Co
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 Saudi Arabian Oil Co filed Critical Saudi Arabian Oil Co
Publication of CN113474682A publication Critical patent/CN113474682A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • 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
    • G01V1/364—Seismic filtering
    • 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
    • G01V1/364—Seismic filtering
    • G01V1/368—Inverse filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/30—Clipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/50—Lighting effects
    • G06T15/503—Blending, e.g. for anti-aliasing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • G01V2210/52—Move-out correction
    • G01V2210/522—Dip move-out [DMO]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Image Processing (AREA)

Abstract

本说明书中描述的主题的创新方面可以体现在包括获取地震数据图像的方法中。将第一平面波破坏滤波器倾角估计应用于地震数据图像以生成初始倾角模型。使用初始倾角模型将第二平面波破坏滤波器倾角估计应用于地震数据图像以生成图案引导倾角估计。图案引导倾角估计存储在数据存储装置中。

Description

图案引导倾角估计
在先申请的优先权的引用
本申请要求于2019年2月25日递交的美国专利申请No.16/284,767的优先权，其全部内容通过引用并入本文。
技术领域
本公开涉及地震数据和图像处理。
背景技术
结构信息往往是地震图像最重要的内容，可以提取结构信息进行面向结构的数据处理，如平滑、插值和选取。沿结构平滑可以增强结构特征，同时保留重要的不连续性，例如断层或通道。这种平滑也被用作基于逆(inversion)的地震成像中的模型约束。沿结构插值可以重建具有有意义的地质意义的地震图像/模型，并且它已被用于测井插值。沿结构选取可以选取用于结构解释的层位，或选取共成像集(CIG)中的残余时差用于叠前成像。
结构信息可以用局部倾角属性来表征，可通过几种方法估计，包括相似扫描方法和局部结构张量。倾角估计方法可以从不包括强烈冲突和陡峭结构的图像中估计准确的倾角。
发明内容
本公开讨论并入结构取向的图案信息以指导倾角估计和减轻走样问题。当图像具有非常陡峭的结构时，这种倾角估计方法可能会遇到走样问题，这会使倾角估计具有挑战性。来自走样部分的估计主导倾角是不希望的，因为它遵循虚假走样结构而不是真实结构。在一些实现方式中，图案信息被合并以提供平面波破坏(PWD)滤波器的初始倾角。PWD滤波器求解非线性逆问题，并且解法基于提供于逆的初始倾角。如果初始倾角与图像有关，那么估计更接近真实结构的倾角的可能性很大，而不是走样(aliased)结构的倾角。因此，PWD会导致包含图案信息的新倾角，并称为图案引导倾角。在一些示例中，当合成数据走样时，可以通过提供不同的初始倾角来估计倾角属于真实事件或走样事件。
本说明书中描述的主题的创新方面可以体现在包括获取地震数据图像的方法中。将第一平面波破坏滤波器倾角估计应用于地震数据图像以生成初始倾角模型。使用初始倾角模型将第二平面波破坏滤波器倾角估计应用于地震数据图像以生成图案引导倾角估计。图案引导倾角估计存储在数据存储装置中。
这些方面的其他实现方式包括：对应的系统、装置和计算机程序，被配置为执行在计算机存储设备上编码的方法的动作。
这些实现方式和其他实现方式可以各自可选地包括以下特征中的一个或多个。例如，该方法可以包括：基于地震数据图像计算相干图；用预定阈值裁剪相干图；以及响应于裁剪生成掩膜算子。应用第一平面波破坏滤波器倾角估计可以包括：将第一加权因子应用于地震数据图像的走样影响区域，并且将第二加权因子应用于地震数据图像的无走样区域。第一加权因子的值为0，并且第二加权因子的值为1。初始倾角模型仅包括地震数据图像的无走样区域。图案引导倾角估计是非线性逆估计。使用图案引导倾角估计，估计面向结构的插值目标图像。
可以实施本说明书中描述的主题的特定实现方式，以实现以下优点中的一个或多个。例如，主题的实现方式减轻了在面向结构的数据处理中可能存在的走样问题。
在本公开中描述的主题的一个或多个实现方式的细节在附图和描述中阐述。通过说明书、附图和权利要求书，所述主题的其他特征、方面和优点将变得明显。
附图说明
图1是用于图案引导倾角估计的系统的示意图。
图2A是原始地震数据图像。
图2B是作为面向结构的插值的输入图像的子采样图像。
图3A是包括估计倾角的图像。
图3B是插值结果的图像。
图4A是使用掩膜算子的初始倾角估计的图像。
图4B是使用初始倾角估计的新倾角估计的图像。
图5A是用于测量倾角估计的可靠性的相干图。
图5B是通过裁剪相干图的掩膜算子的图像
图6A是插值结果的图像。
图6B是插值结果与原始图像的差异的图像。
图7表示图案引导倾角估计的流程图。
图8表示用于实现本文描述的技术的示例计算环境。
具体实施方式
本公开描述了用于减轻在面向结构的数据处理中存在的走样问题的图案引导倾角估计。具体而言，图案引导倾角估计可以包括三个平面波破坏(PWD)滤波器。第一倾角估计可以用于生成掩膜算子(mask operator)以区分无走样数据和受走样影响的数据。第二倾角估计仅使用无走样数据进行，并输出用于第三(最终)倾角估计逆的初始模型。在一些示例中，例如对表面偏移共成像集(CIG)识别残余时差(residual moveout)，掩膜算子的生成(第一倾角估计)可以是可选的。
本公开描述了用于图1所示的图案引导倾角估计的计算系统100。计算系统100包括可以通过一个或多个网络(未示出)与一个或多个其他计算系统(未示出)通信的计算设备102。系统100还包括数据存储装置106，其中计算设备102与数据存储装置106通信连接。
倾角估计可以表述为正则化非线性逆问题，并定义为等式1中的最小二乘法：
MD(σ)≈0 [1]
在等式1中，在对倾角σ平滑正则化目标的情况下，D(σ)是PWD滤波器，D表示已知数据，M是掩膜算子，并且近似相等表示MD(σ)的幂的最小化。如果估计的倾角准确，则应用PWD滤波器后的数据应该没有能量(或具有最小能量)。为此，可以使用解析线性化来求解PWD滤波器D中的倾角σ。
图2A表示深度迁移的三维图像200的一部分，包括结构折叠和角度不整合。如图2B所示，通过对原始图像(图像200)进行子采样来生成输入图像202。图2B表示包括如区域204所指出的走样问题在内的图像202。图3A表示包括使用PWD滤波器的主测线(inline)倾角估计的图像300。图3B表示在图像300的面向结构的插值之后的图像302。为此，如图3B所示，走样会导致插值结果中事件的错误方向；例如，2700米深度和10，500米主测线距离附近的事件的倾角与相邻事件的倾角相反。
返回参考图1，计算设备102可以接收地震数据120。地震数据120可以包括地震数据图像122。计算设备102可以将第一平面波破坏(PWD)滤波器倾角估计132应用于地震数据图像122以生成初始倾角模型134。图4A表示图像400，其图示了已经通过使用图案信息平滑正则化来调整(填充)的走样影响区域中的倾角。在一些示例中，在第一PWD滤波器倾角估计132中仅使用无走样数据，其中通过在PWD的逆中平滑正则化，通过“图案倾角”来自动扩展受走样影响的区域中的倾角。换言之，在第一PWD滤波器倾角估计132中应用掩膜算子130。即，掩膜算子130在第一PWD滤波器倾角估计中将值1应用于地震数据图像122的无走样区域，并且将值0应用于地震数据图像122的走样影响区域。在一些示例中，初始倾角模型132仅包括地震数据图像122的无走样区域。
回到图1，计算设备102可以使用初始倾角模型134，将第二PWD滤波器倾角估计136应用于地震数据图像122，以生成图案引导倾角估计138。图4B表示在将第二PWD滤波器倾角估计应用于地震数据图像122之后的图像402；即，在提炼(refine)图4A的初始倾角估计以提供图案引导倾角估计138之后。在一些示例中，图案引导倾角估计138是非线性逆估计。在一些示例中，地震数据图像122的无走样区域和走样影响区域的数据同样用于第二PWD滤波器倾角估计136。具体而言，第二PWD滤波器倾角估计中的平滑正则化可用于采取来自无走样区域的图案信息来填充逆的空白区域。
计算设备102将图案引导倾角估计138存储在数据存储装置106中。
在一些示例中，计算设备102可以生成掩膜算子130。具体地，生成掩膜算子130可以包括：计算设备102，基于地震数据图像122计算相干图。图5A表示相干图500。相干图500可以测量第一倾角估计的可靠性，这里进一步描述。计算设备102可以用预定的阈值剪裁相干图500。例如，在阈值为0.4的情况下，计算设备102剪裁相干图500以生成掩膜算子502，如图5B所示。
计算设备102可以在第一PWD滤波器倾角估计132中应用掩膜算子130。具体地，在第一PWD滤波器倾角估计中应用掩膜算子130可以包括将第一加权因子应用于地震数据图像122的受走样影响的区域，并且将第二加权因子应用于地震数据图像122的无走样区域。例如，图像的副本和原始图像(例如，图像200)之间的相关性(或相似性)评估估计倾角的可靠性。地震数据图像122的走样影响区域具有降低的可靠性，这对应于相干图(例如，相干图400)中的较小值。在一些示例中，第一加权因子小于阈值。例如，对于0.4的阈值，第一加权因子可以是0。在一些示例中，第二加权因子大于阈值。例如，对于0.4的阈值，第二加权因子可以是1。
在一些示例中，计算设备102可以使用图案引导倾角估计138来估计面向结构的插值目标图像。参照图6A，示出了图像600，该图像600示出将图案引导倾角估计138应用于图2A的图像200的插值结果。图6B包括图像602，该图像602说明原始图像200与图像600之间的差异，其中仅可观察到非相关噪声。即，利用图案引导倾角估计138的插值已经重构具有降低的噪声的原始图像200。
在一些实现中，例如对表面偏移共成像集(CIG)选择残余时差，可选的是执行附加倾角估计以获取掩膜算子。也就是说，CIG的近偏移部分可以被视为无走样区域，因为偏移附近的事件具有较小的倾角，这不太可能受到与走样相关的问题的影响。相比之下，大偏移处的事件较可能受到走样的影响，因为这些区域以较大的累积速度误差迁移，从而导致更大的局部倾角。因此，掩膜算子130对于近偏移数据可以取值为1，并对于远偏移数据取值为0。
为此，预测绘制可以包括两个步骤：倾角估计、以及通过跟随倾角递归地将信息从种子轨迹扩展到邻元素(neighbor)。可以使用平面波破坏滤波器来实现扩展或“绘制”。也就是说，在给定的倾角σ的情况下，可以确定一个局部算子以将轨迹si传播到轨迹sj，其中这种预测为Ai,j。具体来说，如果sr是参考轨迹，则可以使用等式[2]中所述的简单递归将sr的信息扩展到距离邻元素sk(例如，k＞r)：
sk＝Ak-1，k…Ar+1，r+2Ar，r+1sr[2]
预测绘制的参考轨迹可能因应用而异。当在表面偏移CIG中选择残余时差时，在零偏移处选择参考轨迹，并将其值设置为CIG的深度轴。绘制结果被称为地质时间，并且每个等高线可以代表一事件。
例如，对于包括缺失轨迹或缺失数据的原始图像m0、和面向结构的插值后的目标图像m，可以使用线性问题来重建m。具体地，线性模型可以包括作为线性算子的PWD滤波器D(σ)和作为初始模型的m0。线性问题可以表示为等式[3]：
D(σ)m≈0根据Km＝m0[3]
其中K是保持已知数据不变的对角矩阵。等式[3]类似于等式[1]，并且等式[3]的目标模型可以是等式[1]中的m(与D(σ)中的σ相反)。此外，近似等式可以用已知的倾角σ表示，估计的图像在破坏平面波后可以包括零(或非常少)能量。可以使用共轭梯度来求解等式[3]的线性问题。在一些示例中，也可以通过平面波成形正则化这样的方法来进行沿结构的插值。
图7表示图案引导倾角估计的方法的流程图。为了表述清楚，下面的描述总体上描述了在图1至6A、6B中的方法700。例如，如图所示，方法700的特定步骤可以在计算系统100上或在计算系统100处执行。然而，方法700可以例如由任何其他合适的系统、环境、软件和硬件或者适当的系统、环境、软件和硬件的组合来执行。方法700的操作可以包括一个或多个可选步骤，仅包括一个或多个正在执行的步骤，并且进一步地，可以以任何顺序执行的图7的步骤。
计算设备102可以获取地震数据图像122(702)。计算设备102可以将第一平面波破坏(PWD)滤波器倾角估计132应用于地震数据图像122以生成初始倾角模型134(704)。在一些示例中，掩膜算子130在第一PWD滤波器倾角估计中将值1应用于地震数据图像122的无走样区域，并且将值0应用于地震数据图像122的走样影响区域。计算设备102使用初始倾角模型134，将第二PWD滤波器倾角估计136应用于地震数据图像122，以生成图案引导倾角估计138(706)。计算设备102将图案引导倾角估计138存储在数据存储装置106中(708)。
图8示出了可以与这里描述的技术一起使用的通用计算机设备800和通用移动计算机设备850的示例。计算设备800旨在代表各种形式的数字计算机，例如膝上型计算机、台式机、工作站、个人数字助理、服务器、刀片服务器和大型机。计算设备850旨在代表各种形式的移动设备，例如个人数字助理、移动电话和智能电话。这里所示的组件、它们的连接和关系以及它们的功能仅意味着示例性的，并不意味着限制本文件中描述的本发明的实现方式。
计算设备800包括处理器802、存储器804、存储设备806、连接到存储器804和高速扩展端口810的高速接口808、以及连接到低速总线814和存储设备806的低速接口812。组件802、804、806、808、810和812中的每一个使用各种总线来互连，并且可以安装在公共主板上或以其他适当的方式安装。处理器802可以处理用于在计算设备800内执行的指令，包括存储在存储器804或存储设备806上的指令，以在外部输入/输出设备上，如耦合到高速接口80的显示器816，显示图形用户界面(GUI)的图形信息。在其他实现方式中，可以适当地使用多个处理器和多个总线或两者，连同多个存储器和存储器类型。此外，可以连接多个计算设备800。每个计算设备都可以提供必要操作的部分(例如，作为服务器组、一组刀片服务器或多处理器系统)。
存储器804将信息存储在计算设备800内。在一种实现方式中，存储器804是易失性存储器单元或多个易失性存储器单元。在另一实现方式中，存储器804是非易失性存储器单元或多个非易失性存储器单元。存储器804也可以是另一种形式的计算机可读介质，例如磁盘或光盘。
存储设备806能够为计算设备800提供大容量存储。在一种实现方式中，存储设备806可以是或包含计算机可读介质，例如软盘设备、硬盘设备、光盘设备或磁带设备、闪存或其他类似的固态存储设备、或设备的阵列，包括以存储区域网络或其他配置的设备。计算机程序产品可以有形地体现在信息载体中。计算机程序产品还可包含在被执行时执行一种或多种方法的指令。信息载体是计算机可读介质或机器可读介质，例如存储器804、存储设备806或处理器802上的存储器。
高速控制器808管理计算设备800的带宽密集型操作。低速控制器812管理较低带宽密集型操作。这种功能分配只是示例性的。在一种实现方式中，高速控制器808耦合到存储器804、显示器816(例如，通过图形处理器或加速器)和可以接受各种扩展卡(未示出)的高速扩展端口810。在实现方式中，低速控制器812耦合到存储设备806和低速扩展端口814。可包括各种通信端口(例如，USB(通用串行总线)、蓝牙、以太网、无线以太网)的低速扩展端口可以例如通过网络适配器耦合到一个或多个输入/输出设备，例如键盘、指点设备、扫描仪或例如交换机或路由器的网络设备。
计算设备800可以以多种不同的形式来实现，如图所示。例如，它可以被实现为标准服务器820，或者以一组这样的服务器多次实现。它也可以实现为机架服务器系统824的一部分。此外，它可以以个人计算机实现，例如膝上型计算机822。或者，来自计算设备800的组件可以与移动设备(未示出)中的其他组件组合，例如设备850。这样的设备中的每一个可以包含计算设备800、850中的一个或多个，并且整个系统可以由彼此通信的多个计算设备800、850组成。
计算设备850包括处理器852、存储器864、诸如显示器854的输入/输出设备、通信接口860和收发器868、以及其他组件。设备850还可以设置有存储设备，例如微驱动器或其他设备，以提供额外的存储。组件850、852、864、854、860和868中的每一个使用各种总线来互连，并且组件中的几个可以安装在公共主板上或以其他适当的方式安装。
处理器852可以执行计算设备850内的指令，包括存储在存储器864中的指令。处理器可以实现为芯片组，该芯片组包括单独的和多个模拟和数字处理器。例如，处理器可以提供设备850的其他组件的协调，例如用户界面的控制、设备850运行的应用程序和设备850的无线通信。
处理器852可以通过控制接口858和耦合到显示器854的显示接口856与用户通信。显示器854可以是例如TFT LCD(薄膜晶体管液晶显示器)或OLED(有机发光二极管)显示器、或其他合适的显示技术。显示接口856可以包括用于驱动显示器854以向用户呈现图形和其他信息的适当电路。控制接口858可以从用户接收命令并且将它们转换以提交给处理器。

Claims (20)

1.一种方法，包括：
获取地震数据图像；
将第一平面波破坏滤波器倾角估计应用于所述地震数据图像以生成初始倾角模型；
使用所述初始倾角模型将第二平面波破坏滤波器倾角估计应用于所述地震数据图像以生成图案引导倾角估计；和
将所述图案引导倾角估计存储在数据存储装置中。
2.如权利要求1所述的方法，还包括：
根据所述地震数据图像计算相干图；
用预定的阈值裁剪所述相干图；和
响应于所述裁剪，生成掩膜算子。
3.如权利要求2所述的方法，还包括：
在所述第一平面波破坏滤波器倾角估计中应用所述掩膜算子，包括：
将第一加权因子应用于所述地震数据图像的走样影响区域，以及
将第二加权因子应用于所述地震数据图像的无走样区域。
4.如权利要求3所述的方法，其中，所述第一加权因子的值为0，并且所述第二加权因子的值为1。
5.如权利要求3所述的方法，其中，所述初始倾角模型仅包括所述地震数据图像的无走样区域。
6.如权利要求1所述的方法，其中，所述图案引导倾角估计是非线性逆估计。
7.如权利要求1所述的方法，使用所述图案引导倾角估计来估计面向结构的插值目标图像。
8.一种系统，包括：
一个或多个处理器；以及
非暂时性计算机可读存储介质，耦合到所述一个或多个处理器并存储由所述一个或多个处理器执行的编程指令，所述编程指令指示所述一个或多个处理器执行以下操作：
获取地震数据图像；
将第一平面波破坏滤波器倾角估计应用于所述地震数据图像以生成初始倾角模型；
使用所述初始倾角模型将第二平面波破坏滤波器倾角估计应用于所述地震数据图像以生成图案引导倾角估计；和
将所述图案引导倾角估计存储在数据存储装置中。
9.如权利要求8所述的系统，所述操作还包括：
根据所述地震数据图像计算相干图；
用预定的阈值裁剪所述相干图；和
响应于所述裁剪，生成掩膜算子。
10.如权利要求9所述的系统，所述操作还包括：
在所述第一平面波破坏滤波器倾角估计中应用所述掩膜算子，包括：
将第一加权因子应用于所述地震数据图像的走样影响区域，以及
将第二加权因子应用于所述地震数据图像的无走样区域。
11.如权利要求10所述的系统，其中，所述第一加权因子的值为0，并且所述第二加权因子的值为1。
12.如权利要求10所述的系统，其中，所述初始倾角模型仅包括所述地震数据图像的无走样区域。
13.如权利要求8所述的系统，其中，所述图案引导倾角估计是非线性逆估计。
14.如权利要求8所述的系统，所述操作还包括：使用所述图案引导倾角估计来估计面向结构的插值目标图像。
15.一种存储有指令的非暂时性计算机可读介质，所述指令使一个或多个处理器执行包括以下项的操作：
获取地震数据图像；
将第一平面波破坏滤波器倾角估计应用于所述地震数据图像以生成初始倾角模型；
使用所述初始倾角模型将第二平面波破坏滤波器倾角估计应用于所述地震数据图像以生成图案引导倾角估计；和
将所述图案引导倾角估计存储在数据存储装置中。
16.如权利要求15所述的计算机可读介质，所述操作还包括：
根据所述地震数据图像计算相干图；
用预定的阈值裁剪所述相干图；和
响应于所述裁剪，生成掩膜算子。
17.如权利要求16所述的计算机可读介质，所述操作还包括：
在所述第一平面波破坏滤波器倾角估计中应用所述掩膜算子，包括：
将第一加权因子应用于所述地震数据图像的走样影响区域，以及
将第二加权因子应用于所述地震数据图像的无走样区域。
18.如权利要求17所述的计算机可读介质，其中，所述第一加权因子的值为0，并且所述第二加权因子的值为1。
19.如权利要求17所述的计算机可读介质，其中，所述初始倾角模型仅包括所述地震数据图像的无走样区域。
20.如权利要求15所述的计算机可读介质，其中，所述图案引导倾角估计是非线性逆估计。
CN202080016768.1A 2019-02-25 2020-02-24 图案引导倾角估计 Pending CN113474682A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/284,767 2019-02-25
US16/284,767 US20200271826A1 (en) 2019-02-25 2019-02-25 Pattern-Guided Dip Estimation
PCT/US2020/019434 WO2020176387A1 (en) 2019-02-25 2020-02-24 Pattern-guided dip estimation

Publications (1)

Publication Number Publication Date
CN113474682A true CN113474682A (zh) 2021-10-01

Family

ID=70009385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080016768.1A Pending CN113474682A (zh) 2019-02-25 2020-02-24 图案引导倾角估计

Country Status (5)

Country Link
US (1) US20200271826A1 (zh)
EP (1) EP3931601A1 (zh)
CN (1) CN113474682A (zh)
CA (1) CA3131269A1 (zh)
WO (1) WO2020176387A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150124559A1 (en) * 2013-11-05 2015-05-07 Young Ho Cha Seismic Image Dip Decomposition Estimation and Recomposition
CN104749625A (zh) * 2015-03-11 2015-07-01 中国科学院地质与地球物理研究所 一种基于正则化技术的地震数据倾角估计方法及装置
CN105700015A (zh) * 2016-02-02 2016-06-22 中国矿业大学(北京) 一种小尺度不连续地质体检测方法和装置
US9594176B1 (en) * 2012-08-01 2017-03-14 Z Terra Inc. Fast beam migration using plane-wave destructor (PWD) beam forming
US20180203147A1 (en) * 2017-01-13 2018-07-19 Fairfield Industries Incorporated 3d tau-p coherency filtering

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9594176B1 (en) * 2012-08-01 2017-03-14 Z Terra Inc. Fast beam migration using plane-wave destructor (PWD) beam forming
US20150124559A1 (en) * 2013-11-05 2015-05-07 Young Ho Cha Seismic Image Dip Decomposition Estimation and Recomposition
CN104749625A (zh) * 2015-03-11 2015-07-01 中国科学院地质与地球物理研究所 一种基于正则化技术的地震数据倾角估计方法及装置
CN105700015A (zh) * 2016-02-02 2016-06-22 中国矿业大学(北京) 一种小尺度不连续地质体检测方法和装置
US20180203147A1 (en) * 2017-01-13 2018-07-19 Fairfield Industries Incorporated 3d tau-p coherency filtering

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SERGEY FOMEL: "Predictive painting of 3D seismic volumes", GEOPHYSICS, 31 July 2010 (2010-07-31), pages 2 - 3 *
SHAOHUAN ZU等: "Interpolating Big Gaps Using Inversion With Slope Constraint", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, 30 September 2016 (2016-09-30), pages 1369 - 1373, XP011619015, DOI: 10.1109/LGRS.2016.2587301 *
Y.LIU等: "Data-driven Weighted Median Filter and Its Application to Structure-enhancing Filtering", 73RD EAGE CONFERENCE & EXHIBITION INCORPORATING SPE EUROPEC 2011, 31 May 2011 (2011-05-31) *
王晨源等: "基于倾角导向的加权中值滤波绕射波分离方法研究", 中国地球科学联合学术年会 2018, 31 December 2018 (2018-12-31) *

Also Published As

Publication number Publication date
EP3931601A1 (en) 2022-01-05
US20200271826A1 (en) 2020-08-27
CA3131269A1 (en) 2020-09-03
WO2020176387A1 (en) 2020-09-03

Similar Documents

Publication Publication Date Title
KR102047031B1 (ko) 딥스테레오: 실세계 이미지로부터 새로운 뷰들을 예측하는 러닝
US20200082571A1 (en) Method and apparatus for calibrating relative parameters of collector, device and storage medium
Chen et al. Dfnet: Enhance absolute pose regression with direct feature matching
US20200104745A1 (en) Machine learning based signal recovery
WO2020062911A1 (en) Actor ensemble for continuous control
CN112639878B (zh) 无监督深度预测神经网络
EP3872760B1 (en) Method and apparatus of training depth estimation network, and method and apparatus of estimating depth of image
WO2019080747A1 (zh) 目标跟踪及神经网络训练方法、装置、存储介质、电子设备
CN105513083B (zh) 一种ptam摄像机跟踪方法及装置
JP7528928B2 (ja) 画像処理装置、及び画像処理方法
US20220215659A1 (en) Imputation of remote sensing time series for low-latency agricultural applications
Zhang et al. A new high resolution depth map estimation system using stereo vision and kinect depth sensing
WO2023002093A1 (en) Systems and methods for determining road traversability using real time data and a trained model
US20160314336A1 (en) Bathymetric techniques using satellite imagery
Li et al. Sea–sky line detection using gray variation differences in the time domain for unmanned surface vehicles
CN115953440B (zh) 医学图像的配准方法和装置、存储介质及电子设备
CN113474682A (zh) 图案引导倾角估计
Seo et al. An efficient detection of vanishing points using inverted coordinates image space
CN118339587A (zh) 经由射线跟踪体密度聚集使用显式对象表示的渲染器
KR20220002064A (ko) 이미지를 처리하는 방법, 장치, 기기, 저장 매체 및 프로그램
US20240193802A1 (en) Surface normal prediction using pair-wise angular training
JP7245370B2 (ja) フロー誘導適応学習を使用するビデオ・コンテンツ削除
US20240135185A1 (en) High dimensional surrogate modeling for learning uncertainty
US11222200B2 (en) Video-based 3D hand pose and mesh estimation based on temporal-aware self-supervised learning
Kang et al. EnhancedNet, an End-to-End Network for Dense Disparity Estimation and its Application to Aerial Images

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