CN114612677A - 一种基于图形图像处理的低序级断层自动识别方法 - Google Patents

一种基于图形图像处理的低序级断层自动识别方法 Download PDF

Info

Publication number
CN114612677A
CN114612677A CN202011420638.2A CN202011420638A CN114612677A CN 114612677 A CN114612677 A CN 114612677A CN 202011420638 A CN202011420638 A CN 202011420638A CN 114612677 A CN114612677 A CN 114612677A
Authority
CN
China
Prior art keywords
point
points
seed
horizon
target
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
CN202011420638.2A
Other languages
English (en)
Inventor
苏朝光
马玉歌
颜世磊
梁党卫
束青林
杨靖
陈先红
张健
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.)
China Petroleum and Chemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
Original Assignee
China Petroleum and Chemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield 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 China Petroleum and Chemical Corp, Geophysical Research Institute of Sinopec Shengli Oilfield Co filed Critical China Petroleum and Chemical Corp
Priority to CN202011420638.2A priority Critical patent/CN114612677A/zh
Publication of CN114612677A publication Critical patent/CN114612677A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图形图像处理的低序级断层自动识别方法，包括：对图像进行二值化预处理，将波谷上的像素点的灰度值设置为0，去除种子点寻找的干扰，所述种子点为波峰的骨架线，采用逐次消去边界点的迭代细化算法细化所述骨架线；层位追踪，确定地震层位并拾取种子点，创建种子点库，确定层位追踪目标点，反向寻找有效种子点，将所有追踪到的目标点的层位值与原始种子点组合，输出层位，完成层位追踪；断点提取，将所述层位上的骨架线细化出来，计算平均振幅，根据低序级断层地震五种识别标志确定层位上断点，去掉无效的断点，形成有效断点。本发明有效利用了图形图像处理技术、沿层倾角方位角属性、断点倾角方位角属性及低序级断层的特点，可较准确进行断点提取和断层识别。

Description

一种基于图形图像处理的低序级断层自动识别方法
技术领域
本发明涉及地球物理勘探地震资料解释技术领域，特别涉及一种基于图形图像处理的低序级断层自动识别方法。
背景技术
在三维地震资料解释和地质模型建立时，断层的解释一直是单调乏味并且很费时间。传统的解释方式是在地震剖面、切片或者数据体上利用地震振幅的不连续性来识别和拾取断层。尽管国外在层位自动追踪方面技术飞速发展，但目前在三维地震数据体上进行断层的自动解释还没有一个完善的商业化的工具，断层的识别准确率不高。
尤其是在低序级断层的地震识别描述、复杂断裂系统的组合等方面仍存在困难。该发明利用了图形图像处理技术、沿层倾角方位角属性、断点倾角方位角属性及低序级断层的特点，形成了一种基于图形图像处理的低序级断层自动识别方法，可较准确进行断点的提取和断层的识别。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于图形图像处理的低序级断层自动识别的方法。该发明有效利用了图形图像处理技术、沿层倾角方位角属性、断点倾角方位角属性及低序级断层的特点，可较准确进行断点提取和断层识别，同时为解释人员对低序级断层识别提供了量化依据。
为达到上述目的，本发明的目的可通过如下技术方案来实现：
一种基于图形图像处理的低序级断层自动识别方法，包括如下步骤：
步骤一，对图像进行二值化预处理，将波谷上的像素点的灰度值设置为0，去除种子点寻找的干扰，所述种子点为波峰的骨架线，采用逐次消去边界点的迭代细化算法细化所述骨架线；
步骤二，层位追踪，确定地震层位并拾取种子点，创建种子点库，确定层位追踪目标点，反向寻找有效种子点，将所有追踪到的目标点的层位值与原始种子点组合，输出层位，完成层位追踪；
步骤三，断点提取，将所述层位上的骨架线细化出来，计算平均振幅，根据低序级断层地震5种识别标志确定层位上断点，去掉无效的断点，形成有效断点。
进一步的，步骤一中，所述对图像进行二值化预处理，将波谷上的像素点的灰度值设置为0，去除种子点寻找的干扰，所述种子点为波峰的骨架线，采用逐次消去边界点的迭代细化算法细化所述骨架线，该步骤的限制条件为：不消去线段端点，不中断原来连通的点，不过多侵蚀区域，
进一步的，所述步骤一中对图像进行二值化预处理，将波谷上的像素点的灰度值设置为0，去除种子点寻找的干扰，所述种子点为波峰的骨架线，采用逐次消去边界点的迭代细化算法细化所述骨架线，具体包括如下步骤：
S11.求二值目标区域骨架，设已知目标点标记为1，背景点标记为0，定义边界点是本身标记为1而其8连通邻域中至少有1个点标记为0的点，算法对边界点的操作如下：
(1)以边界点为中心的8个邻域，记中心点为P1，其邻域的8个点顺时针绕中心点分别记P2，P3，P4，P5，P6，P7，P8，P9，其中P2在P1上方，首先标记同时满足下列条件的边界点：
(1.1)2≤(P1)≤6；N(P1)是P1的非零邻点的个数；
(1.2)S(P1)＝1；s(P1)是以P2，P3，…，P9，P2为序时，这些点的值从0→1变化的次数；
(1.3)P2·P4·P6＝0；
(1.4)P4·P6·P8＝0；
其中，P代表像素黑白值1,0；
其中N(P1)是P1非零邻点的个数，S(P1)是以P2，P3，…，P9为序时这些点的值从0到1变化的次数，当对所有边界点都检验完毕后，将所有标记了的点除去；
(2)同第(1)步，仅将前面条件(1.3)改为条件(2.3)；条件(1.4)改为条件(2.4)；
(2.3)P2·P4·P8＝0；
(2.4)P2·P6·P8＝0；
同样当对所有边界点都检验完毕后，将所有标记了的点除去；
S12.去噪：绘制的剖面波谷有基线残影，通过图形图像算法去除；
S13.种子点寻找：根据地质研究目标在地震剖面上波峰上同相轴拾取种子点，创建种子点库；
S14.坐标变换：实际绘制的剖面和保存的图像像素点进行坐标变换；
S15.基线输出：实际绘制的基线位置和变换后的图像像素点进行坐标变换后输出；
S16.计算平均振幅：计算变换后的图像像素点波峰的平均振幅值。
进一步的，所述步骤二中的层位追踪方法，具体包括以下步骤：
S21.根据地质研究目标在地震剖面上确定地震层位并拾取种子点，创建种子点库；
S22.对种子点库中的种子点进行排序，将其组成一个种子点队列，形成层位片段；
S23.从种子点队列中提取当前种子点；
S24.在地震道相似性特征控制下，确定层位追踪目标点；
S25.分别在目标点的周围层位片段反向寻找有效种子点；
S26.估算目标点相对于有效种子点的地震同相轴倾角；
S27.将层位值从有效种子点传播到目标点，并将其标记为有效目标点；
S28.将有效目标点的层位片段追加到种子点队列的后端；
S29.待全部层位片段处理完成后，队列前移一位，如果前移后的种子点队列为空，则停止追踪，否则返回步骤S23继续进行下一个种子点的追踪；
S210.当种子点队列清空后，将所有追踪到的目标点的层位值与原始种子点组合，输出层位，完成层位追踪。
进一步的，对已经细化后的种子点，相互联系的种子点从左到右组成点片段，具体算法如下：
A:对所有未标记种子点从左到右搜索；
B:搜索右侧连接的未标记种子点，即P(x,y+1)、P(x+1,y)、P(x+1,y+1)，是否是未标记种子点，若没有删除此标记种子点；若有加入点片段，删除未标记种子点，即加入点，再找加入点的连接的未标记种子点，直至找完，即P(x,y+1)、P(x+1,y)、P(x+1,y+1)是未标记种子点；
C:返回A步骤继续搜索，直至搜索完。
进一步的，所述步骤三中的所述将所述层位上的骨架线细化出来，计算平均振幅具体步骤如下：
根据低序级断层地震5种识别标志确定层位上断点，所述层位上的骨架线的点与点的距离大于平均振幅，大于1/2平均振幅小于平均振幅，大于1/4平均振幅小于1/2平均振幅，小于1/4平均振幅符合任意一个条件把骨架线的点作为标记点，用圆点表示出；从横向上同向轴的连续性、不连续性上概括为两种：横向上同向轴的不连续性判断断层(1,5)和横向上同向轴的连续性判断断层(2,3,4)，把密集的断点形成一个有效断点，去掉无效的断点，形成有效断点。
进一步的，所述步骤三中，所述的根据低序级断层地震5种识别标志确定层位上断点方法具体步骤如下：
(1)输入点集记为X；
(2)设置初始点坐标，选择X的均值点，同时设置一个距离阈值，选择高斯函数作为权重核函数；
(3)输入其实点位置,根据所述距离阈值求出所有近邻点N(X)，然后根据如下公式求出这些临近点的带权中心，
Figure BDA0002822059180000041
其中，N代表空间维度；m个样本xi，i＝1…,K为核函数；x为其中的一个样本；
(4)用求得的所述m(x)来更实点位置，然后重复步骤(3)，根据迭代次数限制，或者判断m(x)与实点位置距离变动大小来决定推出迭代，从而得到2d散点集合种，密度最大的位置，也就是点最密集的位置；
(5)根据断层识别标志及低序级断层地震5种识别标志确定其他层位波形片段上断点。
进一步的，所述步骤三中，所述的去掉无效的断点，形成有效断点，具体步骤如下：
S321.对波形片段进行沿基线点重提取波形片段，计算斜率和方位角；
Z1～Z9代表从三维数据追踪到层位网格的相邻9个点的t0值，则沿层倾角和方位角定义为：
Figure BDA0002822059180000042
Figure BDA0002822059180000043
式中：α为倾角；a为方位角；
Figure BDA0002822059180000044
式中，Zi为追踪层位的t0值，Δx为x方向Z6和Z4两点之间的距离，Δy为y方向Z8和Z2两点之间的距离；
S322.去掉不合理的断点，进行断点去噪；
S323.将地震层位上有效断点根据斜率和方位角传播到目标断点，并将其标记为有效目标断点；
S324.将有效目标断点的追加到断层片段的后端；
S325.待全部断层片段处理完成后，输出断层，完成断层识别和断点追踪。
本发明至少具有以下技术效果：与现有技术相比，本发明有效利用了图形图像处理技术、沿层倾角方位角属性、断点倾角方位角属性及低序级断层的特点，可自动并准确进行断点提取和断层识别，提高了低序级断层识别效率。
附图说明
图1为本发明实施例一种基于图形图像处理的低序级断层自动识别方法流程图；
图2为原始地震剖面；
图3为本发明实施例如图1所示方法波谷去除地震剖面；
图4为本发明实施例如图3所示方法在波谷去除地震剖面上的种子点寻找；
图5为本发明实施例如图1所示方法中低序级断层5种地震识别标志；
图6为本发明实施例如图1所示方法中层位上断点识别；
图7为本发明实施例如图1所示方法中断点提取流程图；
图8为本发明实施例如图1所示方法中层位上的断点处理；
图9为图8所示方法的断点提取和方位角计算；
图10为本发明实施例断点追踪1与手工追踪对比；
图11为本发明实施例断点追踪2与手工追踪对比；
具体实施方式：
为使本发明的目的、技术方案更加清楚明白，下面结合附图对本发明进行详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。
如图1所示，为本发明实施例一种基于图形图像处理的低序级断层自动识别方法，根据实际工区地震资料情况，本方法包括如下步骤：
步骤一，对图像进行二值化预处理，将波谷上的像素点的灰度值设置为0，去除种子点寻找的干扰，所述种子点为波峰的骨架线，采用逐次消去边界点的迭代细化算法细化所述骨架线；
步骤二，层位追踪，确定地震层位并拾取种子点，创建种子点库，确定层位追踪目标点，反向寻找有效种子点，将所有追踪到的目标点的层位值与原始种子点组合，输出层位，完成层位追踪；
步骤三，断点提取，将所述层位上的骨架线细化出来，计算平均振幅，根据低序级断层地震五种识别标志确定层位上断点，去掉无效的断点，形成有效断点。
如图2所示，是原始地震剖面，图3是波谷去除地震剖面。
波谷去除的目的是去除种子点寻找的干扰，所谓的种子点也是波峰的骨架线，即时细化算法后的骨架线。采用逐次消去边界点的迭代细化算法。在这个过程中有3个限制条件需要注意：①不消去线段端点；②不中断原来连通的点；③不过多侵蚀区域。
本发明实施例中，步骤一采用下面的方法求二值目标区域骨架。设已知目标点标记为1，背景点标记为0。定义边界点是本身标记为1而其8－连通邻域中至少有1个点标记为0的点。算法对边界点的操作如下：
A：考虑以边界点为中心的8－邻域，记中心点为P1，其邻域的8个点顺时针绕中心点分别记P2，P3，P4，P5，P6，P7，P8，P9，其中P2在P1上方，相邻关系排列如下表1所示。首先标记同时满足下列条件的边界点：
p<sub>9</sub> p<sub>2</sub> p<sub>3</sub>
p<sub>8</sub> p<sub>1</sub> p<sub>4</sub>
p<sub>7</sub> p<sub>6</sub> p<sub>5</sub>
表1
(1.1)2≤(P1)≤6；N(P1)是P1的非零邻点的个数；
(1.2)S(P1)＝1；S(P1)是以P2，P3，…，P9，P2为序时，这些点的值从0→1变化的次数，如下表2所示，其中，N(Pl)＝4且S(Pl)＝3；
Figure BDA0002822059180000071
表2
(1.3)P2·P4·P6＝0；
(1.4)P4·P6·P8＝0；
其中N(P1)是P1非零邻点的个数，S(P1)是以P2，P3，…，P9为序时这些点的值从0到1变化的次数。当对所有边界点都检验完毕后，将所有标记了的点除去；
B：同第(A)步，仅将前面条件(1.3)改为条件(2.3)；条件(1.4)改为条件(2.4)。
(2.3)P2·P4·P8＝0；
(2.4)P2·P6·P8＝0。
其中，P代表像素黑白值1,0。
以上2步操作构成1次迭代。算法反复迭代直至没有点再满足标记条件，这时剩下的点组成区域的骨架。在以上各标记条件中，条件(1.1)除去了P1只有一个标记为1的邻点，即P1为线段端点的情况以及P1有7个标记为1的邻点，即P1过于深入区域内部的情况；条件(1.2)除去了对宽度为单个象素的线段进行操作的情况以避免将骨架割断；条件(1.3)和条件(1.4)除去了P1为边界的右或下端点(P4＝0或P6＝0)或左上角(P2＝0或P8＝0)亦即不是骨架点的情况。类似地，条件(2.3)和条件(2.4)除去了P1为边界的左或上端点(P2＝0或P8＝0)或右下角(P4＝0或P6＝0)亦即不是骨架点的情况。最后注意到，如P1为边界的右上端点则有P4＝0和P2＝0，如P1为边界的左下端点则有P6＝0和P8＝0，它们都同时满足(1.3)和(1.4)以及(2.3)和(2.4)各条件。
S12去噪：绘制的剖面波谷有基线残影，需要通过图形图像算法去除。
S13种子点寻找：根据地质研究目标在地震剖面上波峰上(同相轴)拾取种子点，创建种子点库。
S14坐标变换：实际绘制的剖面和保存的图像像素点进行坐标变换。
S15基线输出：实际绘制的基线位置和变换后的图像像素点进行坐标变换后输出。
S16计算平均振幅：计算变换后的图像像素点波峰的平均振幅值。
步骤二中的层位追踪方法，具体包括以下步骤：
S21.根据地质研究目标在地震剖面上确定地震层位并拾取种子点，创建种子点库；
S22.对种子点库中的种子点进行排序，将其组成一个种子点队列，形成层位片段；
S23.从种子点队列中提取当前种子点；
S24.在地震道相似性特征控制下，确定层位追踪目标点；
S25.分别在目标点的周围层位片段反向寻找有效种子点；
S26.估算目标点相对于有效种子点的地震同相轴倾角；
S27.将层位值从有效种子点传播到目标点，并将其标记为有效目标点；
S28.将有效目标点的层位片段追加到种子点队列的后端；
S29.待全部层位片段处理完成后，队列前移一位，如果前移后的种子点队列为空，则停止追踪，否则返回步骤S23继续进行下一个种子点的追踪；
S210.当种子点队列清空后，将所有追踪到的目标点的层位值与原始种子点组合，输出层位，完成层位追踪。
图4是在地震剖面上进行种子点寻找。对已经细化后的种子点，相互联系的种子点从左到右组成点片段，具体算法如下：
A:对所有未标记种子点从左到右搜索；
B:搜索右侧连接的未标记种子点，即P(x,y+1)、P(x+1,y)、P(x+1,y+1)，是否是未标记种子点，若没有删除此标记种子点；若有加入点片段，删除未标记种子点，即加入点，再找加入点的连接的未标记种子点，直至找完，即P(x,y+1)、P(x+1,y)、P(x+1,y+1)是未标记种子点；
C:返回A步骤继续搜索，直至搜索完。
所述步骤三中的所述将所述层位上的骨架线细化出来，计算平均振幅具体步骤如下：
根据低序级断层地震5种识别标志，所述层位上的骨架线的点与点的距离大于平均振幅，大于1/2平均振幅小于平均振幅，大于1/4平均振幅小于1/2平均振幅，小于1/4平均振幅符合任意一个条件把骨架线的点作为标记点，用圆点表示出；从横向上同向轴的连续性、不连续性上概括为两种：横向上同向轴的不连续性判断断层(1,5)和横向上同向轴的连续性判断断层(2,3,4)，把密集的断点形成一个有效断点，去掉无效的断点，形成有效断点。
图5是低序级断层5种地震反射特征：根据低序级断层地震5种识别标志确定层位上断点，从横向上同向轴的连续性、不连续性上概括为两种：(1)依据横向上同向轴的不连续性判断断层(1,5)；(2)依据横向上同向轴的连续性判断断层(2,3,4)。
本发明实施例中，所述的根据低序级断层地震5种识别标志确定层位上断点方法具体步骤如下：
(1)输入点集记为X；
(2)设置初始点坐标，选择X的均值点
如图7所示，是层位上断点识别，即根据低序级断层地震5种识别标志确定层位上断点。
图6是断点提取流程图：根据图6的流程完成断层层位的识别，图7是层位上断点识别，根据低序级断层地震5种识别标志确定层位上断点。
通过前述层位追踪算法识别出层位后，层位上的骨架线细化出来，再计算出平均振幅，根据低序级断层地震5种识别标志：层位上的骨架线的点与点的距离大于平均振幅，大于1/2平均振幅小于平均振幅，大于1/4平均振幅小于1/2平均振幅，小于1/4平均振幅符合任意一个条件把骨架线的点作为标记点，用圆点表示出来。
图8是层位上的断点处理：根据低序级断层地震5种识别标志确定层位上断点，将图7获得断点处理，把密集的断点形成一个有效断点，去掉无效的断点，形成有效断点，实验证明通过meanshift算法进行密集点找到的点是有效断点。
本发明实施例中，采用mean shift对点集进行聚类算法，并返回聚类中心的实现方法。
meanshift算法其实通过名字就可以看到该算法的核心，均值mean，偏移shift，简单的说，也就是有一个点，f它的周围有很多个点我们计算点移动到每个点所需要的偏移量之和，求平均，就得到平均偏移量，该偏移量的方向是周围点分布密集的方向，该偏移量是包含大小和方向的。然后点就往平均偏移量方向移动，再以此为的起点不断迭代直到满足一定条件结束。
1)输入点集记为X；
2)设置初始点坐标，选择X的均值点，同时设置一个距离阈值，选择高斯函数作为权重核函数；
3)输入其实点位置,根据距离阈值求出所有近邻点N(X)，然后根据如下公式求出这些点的带权中心，
Figure BDA0002822059180000101
公式中N代表空间维度；m个样本xi，i＝1…,K为核函数；x为其中的一个样本；
4)用求得的m(x)来更实点位置，然后重复3)，根据迭代次数限制，或者判断m(x)与实点位置距离变动大小来决定推出迭代，从而我们就得到了2d散点集合种，密度最大的位置，也就是点最密集的位置；
5)根据断层识别标志及低序级断层地震5种识别标志确定其他层位波形片段上断点。
图9为本发明实施例中断点提取和位角计算：对波形片段进行沿基线点重提取波形片段，计算斜率和方位角。
S321.对波形片段进行沿基线点重提取波形片段，计算斜率和方位角；
Z1～Z9代表从三维数据追踪到层位网格的相邻9个点的t0值，则沿层倾角和方位角定义为：
Figure BDA0002822059180000102
Figure BDA0002822059180000103
式中：α为倾角；a为方位角；
Figure BDA0002822059180000104
式中，Zi为追踪层位的t0值，Δx为x方向Z6和Z4两点之间的距离，Δy为y方向Z8和Z2两点之间的距离；
S322.去掉不合理的断点，进行断点去噪；
S323.将地震层位上有效断点根据斜率和方位角传播到目标断点，并将其标记为有效目标断点；
S324.将有效目标断点的追加到断层片段的后端；
S325.待全部断层片段处理完成后，输出断层，完成断层识别和断点追踪。
图10是断点追踪1，将地震层位上有效断点1根据斜率和方位角传播到目标断点，并将其标记为有效目标断点，完成断层的第一道识别和断点追踪。
图11是断点追踪2，地震层位上有效断点2根据斜率和方位角传播到目标断点，并将其标记为有效目标断点，完成断层的最后一道识别和断点追踪。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种基于图形图像处理的低序级断层自动识别方法，其特征在于，包括如下步骤：
步骤一，对图像进行二值化预处理，将波谷上的像素点的灰度值设置为0，去除种子点寻找的干扰，所述种子点为波峰的骨架线，采用逐次消去边界点的迭代细化算法细化所述骨架线；
步骤二，层位追踪，确定地震层位并拾取种子点，创建种子点库，确定层位追踪目标点，反向寻找有效种子点，将所有追踪到的目标点的层位值与原始种子点组合，输出层位，完成层位追踪；
步骤三，断点提取，将所述层位上的骨架线细化出来，计算平均振幅，根据低序级断层地震五种识别标志确定层位上断点，去掉无效的断点，形成有效断点。
2.根据权利要求1所述的一种基于图形图像处理的低序级断层自动识别方法，其特征在于：步骤一中，所述对图像进行二值化预处理，将波谷上的像素点的灰度值设置为0，去除种子点寻找的干扰，所述种子点为波峰的骨架线，采用逐次消去边界点的迭代细化算法细化所述骨架线，该步骤的限制条件为：不消去线段端点，不中断原来连通的点，不过多侵蚀区域。
3.根据权利要求2所述的一种基于图形图像处理的低序级断层自动识别方法，其特征在于：所述步骤一中对图像进行二值化预处理，将波谷上的像素点的灰度值设置为0，去除种子点寻找的干扰，所述种子点为波峰的骨架线，采用逐次消去边界点的迭代细化算法细化所述骨架线，具体包括如下步骤：
S11.求二值目标区域骨架，设已知目标点标记为1，背景点标记为0，定义边界点是本身标记为1而其8连通邻域中至少有1个点标记为0的点，算法对边界点的操作如下：
(1)以边界点为中心的8个邻域，记中心点为P1，其邻域的8个点顺时针绕中心点分别记P2，P3，P4，P5，P6，P7，P8，P9，其中P2在P1上方，首先标记同时满足下列条件的边界点：
(1.1)2≤(P1)≤6；N(P1)是P1的非零邻点的个数；
(1.2)S(P1)＝1；s(P1)是以P2，P3，…，P9，P2为序时，这些点的值从0→1变化的次数；
(1.3)P2·P4·P6＝0；
(1.4)P4·P6·P8＝0；
其中，P代表像素黑白值1,0；
其中N(P1)是P1非零邻点的个数，S(P1)是以P2，P3，…，P9为序时这些点的值从0到1变化的次数，当对所有边界点都检验完毕后，将所有标记了的点除去；
(2)同第(1)步，仅将前面条件(1.3)改为条件(2.3)；条件(1.4)改为条件(2.4)；
(2.3)P2·P4·P8＝0；
(2.4)P2·P6·P8＝0；
同样当对所有边界点都检验完毕后，将所有标记了的点除去；
S12.去噪：绘制的剖面波谷有基线残影，通过图形图像算法去除；
S13.种子点寻找：根据地质研究目标在地震剖面上波峰上同相轴拾取种子点，创建种子点库；
S14.坐标变换：实际绘制的剖面和保存的图像像素点进行坐标变换；
S15.基线输出：实际绘制的基线位置和变换后的图像像素点进行坐标变换后输出；
S16.计算平均振幅：计算变换后的图像像素点波峰的平均振幅值。
4.根据权利要求2所述的一种基于图形图像处理的低序级断层自动识别方法，其特征在于：所述步骤二中的层位追踪方法，具体包括以下步骤：
S21.根据地质研究目标在地震剖面上确定地震层位并拾取种子点，创建种子点库；
S22.对种子点库中的种子点进行排序，将其组成一个种子点队列，形成层位片段；
S23.从种子点队列中提取当前种子点；
S24.在地震道相似性特征控制下，确定层位追踪目标点；
S25.分别在目标点的周围层位片段反向寻找有效种子点；
S26.估算目标点相对于有效种子点的地震同相轴倾角；
S27.将层位值从有效种子点传播到目标点，并将其标记为有效目标点；
S28.将有效目标点的层位片段追加到种子点队列的后端；
S29.待全部层位片段处理完成后，队列前移一位，如果前移后的种子点队列为空，则停止追踪，否则返回步骤S23继续进行下一个种子点的追踪；
S210.当种子点队列清空后，将所有追踪到的目标点的层位值与原始种子点组合，输出层位，完成层位追踪。
5.根据权利要求4所述的一种基于图形图像处理的低序级断层自动识别方法，其特征在于：
对已经细化后的种子点，相互联系的种子点从左到右组成点片段，具体算法如下：
A:对所有未标记种子点从左到右搜索；
B:搜索右侧连接的未标记种子点，即P(x,y+1)、P(x+1,y)、P(x+1,y+1)，是否是未标记种子点，若没有删除此标记种子点；若有加入点片段，删除未标记种子点，即加入点，再找加入点的连接的未标记种子点，直至找完，即P(x,y+1)、P(x+1,y)、P(x+1,y+1)是未标记种子点；
C:返回A步骤继续搜索，直至搜索完。
6.如权利要求5所述一种基于图形图像处理的低序级断层自动识别方法，其特征在于，所述步骤三中的所述将所述层位上的骨架线细化出来，计算平均振幅具体步骤如下：
根据低序级断层地震5种识别标志确定层位上断点，所述层位上的骨架线的点与点的距离大于平均振幅，大于1/2平均振幅小于平均振幅，大于1/4平均振幅小于1/2平均振幅，小于1/4平均振幅符合任意一个条件把骨架线的点作为标记点，用圆点表示出；从横向上同向轴的连续性、不连续性上概括为两种：横向上同向轴的不连续性判断断层(1,5)和横向上同向轴的连续性判断断层(2,3,4)，把密集的断点形成一个有效断点，去掉无效的断点，形成有效断点。
7.如权利要求6所述一种基于图形图像处理的低序级断层自动识别方法，其特征在于，所述步骤三中，所述的根据低序级断层地震5种识别标志确定层位上断点方法具体步骤如下：
(1)输入点集记为X；
(2)设置初始点坐标，选择X的均值点，同时设置一个距离阈值，选择高斯函数作为权重核函数；
(3)输入其实点位置,根据所述距离阈值求出所有近邻点N(X)，然后根据如下公式求出这些临近点的带权中心，
Figure FDA0002822059170000031
其中，N代表空间维度；m个样本xi，i＝1…,K为核函数；x为其中的一个样本；
(4)用求得的所述m(x)来更实点位置，然后重复步骤(3)，根据迭代次数限制，或者判断m(x)与实点位置距离变动大小来决定推出迭代，从而得到2d散点集合种，密度最大的位置，也就是点最密集的位置；
(5)根据断层识别标志及低序级断层地震5种识别标志确定其他层位波形片段上断点。
8.如权利要求7所述一种基于图形图像处理的低序级断层自动识别方法，其特征在于，所述步骤三中，所述的去掉无效的断点，形成有效断点，具体步骤如下：
S321.对波形片段进行沿基线点重提取波形片段，计算斜率和方位角；
Z1～Z9代表从三维数据追踪到层位网格的相邻9个点的t0值，则沿层倾角和方位角定义为：
Figure FDA0002822059170000041
Figure FDA0002822059170000042
式中：α为倾角；a为方位角；
Figure FDA0002822059170000043
式中，Zi为追踪层位的t0值，Δx为x方向Z6和Z4两点之间的距离，Δy为y方向Z8和Z2两点之间的距离；
S322.去掉不合理的断点，进行断点去噪；
S323.将地震层位上有效断点根据斜率和方位角传播到目标断点，并将其标记为有效目标断点；
S324.将有效目标断点的追加到断层片段的后端；
S325.待全部断层片段处理完成后，输出断层，完成断层识别和断点追踪。
CN202011420638.2A 2020-12-07 2020-12-07 一种基于图形图像处理的低序级断层自动识别方法 Pending CN114612677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011420638.2A CN114612677A (zh) 2020-12-07 2020-12-07 一种基于图形图像处理的低序级断层自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011420638.2A CN114612677A (zh) 2020-12-07 2020-12-07 一种基于图形图像处理的低序级断层自动识别方法

Publications (1)

Publication Number Publication Date
CN114612677A true CN114612677A (zh) 2022-06-10

Family

ID=81856450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011420638.2A Pending CN114612677A (zh) 2020-12-07 2020-12-07 一种基于图形图像处理的低序级断层自动识别方法

Country Status (1)

Country Link
CN (1) CN114612677A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109934A (zh) * 2023-04-13 2023-05-12 东华理工大学南昌校区 一种基于图像识别技术的地质断层识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109934A (zh) * 2023-04-13 2023-05-12 东华理工大学南昌校区 一种基于图像识别技术的地质断层识别方法及系统
CN116109934B (zh) * 2023-04-13 2023-07-07 东华理工大学南昌校区 一种基于图像识别技术的地质断层识别方法及系统

Similar Documents

Publication Publication Date Title
Chen et al. Probabilistic robust hyperbola mixture model for interpreting ground penetrating radar data
CN109544612B (zh) 基于特征点几何表面描述的点云配准方法
CN102520401B (zh) 一种基于LiDAR数据的建筑物区域提取方法
CN110866545A (zh) 一种探地雷达资料中管线目标的自动识别方法及系统
CN114543666B (zh) 一种基于矿场环境感知的堆料面预测方法
CN107507170A (zh) 一种基于多尺度图像信息融合的机场跑道裂缝检测方法
CN110309858B (zh) 基于判别学习的细粒度图像分类方法
CN107329137A (zh) 基于box样条小波框架的探地雷达地下目标定位方法及系统
CN115205690B (zh) 基于mls点云数据的行道树单体化提取方法及装置
Chen et al. Probabilistic conic mixture model and its applications to mining spatial ground penetrating radar data
CN106500594B (zh) 融合反射强度和几何特征的铁路轨道半自动检测方法
CN115620263B (zh) 基于摄像机和激光雷达图像融合的智能车障碍物检测方法
CN110780276A (zh) 一种基于激光雷达的托盘识别方法、系统和电子设备
CN114612677A (zh) 一种基于图形图像处理的低序级断层自动识别方法
CN106815851B (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
CN102708367A (zh) 基于目标轮廓特征的图像识别方法
CN110335282B (zh) 一种基于栅格的轮廓线段特征提取方法
Tabb et al. Fast and robust curve skeletonization for real-world elongated objects
WO2024125434A1 (zh) 基于区域一致性的建筑物主角度修正方法
CN114066752A (zh) 面向焊缝跟踪的线结构光骨架提取及毛刺去除方法
CN111507341B (zh) 一种目标边界框的调整方法、装置、设备及存储介质
CN114488297A (zh) 一种断层识别方法及装置
CN117253205A (zh) 一种基于移动测量系统的道路面点云快速提取方法
CN116452826A (zh) 基于机器视觉的遮挡情况下煤矸石轮廓估计方法
CN114565629B (zh) 一种基于多尺度邻域的大型蒙皮边缘缺陷检测方法

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