基于灰度共生矩阵的地震纹理属性分析及其应用

发布时间：2020-10-10 20:53

【摘要】：本文研究的内容与当前热门的图像处理和人工智能有着紧密的关系,希望通过对图像处理领域的灰度共生矩阵纹理分析方法及人工神经网络中的自组织神经网络算法的研究,丰富地球物理勘探的研究内容,为地震勘探开发新方法提供一些新的思路。论文首先从纹理的定义出发,介绍了纹理特征及纹理分析方法,然后引入地震纹理属性,并讨论了地震纹理属性特征及提取方法。其次,本文重点研究了基于灰度共生矩阵(GLCM)的地震纹理属性特征值的提取方法,详细讨论了灰度共生矩阵的形成及其影响因素。最后,结合实际工区地震资料,在地震纹理属性特征研究的基础上,利用地震纹理属性特征值进行储层预测与解释,并将地震纹理属性特征值与自组织神经网络算法(SOM)相结合,探讨了利用自组织神经网络进行地震相自动化分的方法。通过与相干、曲率等其它地震属性的对比,地震纹理属性在储层解释及地震相划分等方面表现出了更加精细、准确的刻画效果。
【学位授予单位】：中国石油大学(北京)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P631.4
【图文】：

图 2.1 纹理图像Fig. 2.1 Texture image图像中的纹理有许多可以被观察到的特性，这些特性在纹理的描述中有着十分关键的作用。然而，只用一种纹理特性描述方法来综合描述各种各样的特性是十分困难的，因此，并没有形成一种有效的方法能够从各种维度对纹理进行全面描述。2.1.3 纹理的研究内容纹理的研究内容主要包括纹理合成及纹理分析两个方面。纹理合成是一种构造纹理的有效方法，可以将其描述为在样本图像有限且已知的条件下生成和样本图像相似的纹理图像，得到的图像并不是对原样本图像的简单复制[38]。纹理分析主要有纹理分类、纹理分割、纹理检索和纹理形状抽取四个方向[39]：纹理分类是将不同类别的纹理特征进行定量描述并区分，最终得到一系列的纹理集合；纹理分割是通过确定纹理图像中不同纹理区域各自的边界，达到分离不同

0, 0 0,1 0, 0, 11, 0, 0 , , 11, 0 1, 1, 1ggg g g gP P P j P NPP i P i j P i NP NP N j P N N j）代表矩阵的第 i 行 j 列的元素，（i，j）∈G×G，θ 理论上可常取 θ=0°、45°、90°、135°四个方向。通过矩阵形式不难发现，称方阵，它通过不同（d，θ）的组合产生不同的灰度共生矩阵析，它是邻近像素对有关距离和角度的函数。具体的：当图像级别相近时，则灰度共生矩阵各元素的值集中在主对角线附近像灰度值分布比较分散时，灰度共生矩阵中各元素的值则相对

图 3.1 地震纹理图（引自 Eichkitz，2012）Fig. 3.1 Seismic texture map（Eichkitz，2012）随着地震解释技术的不断发展，各种地震属性在波形及地貌形态等相关方面的研究当中发挥着越来越重要的作用。但是，随着油气勘探难度的逐渐加大，勘探方向已从构造勘探转向岩性勘探，对目标体的刻画要求也不断地提高，随之地震解释工作者对地震属性的要求也在不断地提高。基于此种情况，基于简单地质统计的地震纹理属性在油气勘探工作中起着越来越重要的作用。利用地震纹理属
【相似文献】

中国期刊全文数据库 前10条

1 刘舒;姜琦刚;邵永社;李远华;;应用灰度共生矩阵的纹理特征描述的研究[J];科学技术与工程;2012年33期

2 高士忠;卢易枫;蔡振伟;党霞;;基于灰度共生矩阵的帘子布疵点检测研究[J];电子技术应用;2008年01期

3 薄华;马缚龙;焦李成;;图像纹理的灰度共生矩阵计算问题的分析[J];电子学报;2006年01期

4 汪黎明,陈健敏,王锐,姜红;织物折皱纹理灰度共生矩阵分析[J];青岛大学学报(工程技术版);2003年04期

5 邓远立;卢伟;;基于灰度共生矩阵的震后倒塌房屋遥感信息提取——以2014年云南鲁甸6.5级地震为例[J];华南地震;2019年02期

6 王波;姚宏宇;李弼程;;一种有效的基于灰度共生矩阵的图像检索方法[J];武汉大学学报(信息科学版);2006年09期

7 赵晖,鲍莉,梁光明,张耀东;基于综合灰度共生矩阵的显微细胞图像纹理研究[J];自动化技术与应用;2004年10期

8 叶鹏;王永芳;夏雨蒙;安平;;一种融合深度基于灰度共生矩阵的感知模型[J];计算机科学;2019年03期

9 朱石磊;段林娣;林畅松;高世臣;姚振兴;;基于灰度共生矩阵的地震数据空间结构属性分析技术[J];石油地球物理勘探;2012年06期

10 姚宏宇,李弼程;基于广义图像灰度共生矩阵的图像检索方法[J];计算机工程与应用;2004年34期

中国博士学位论文全文数据库 前8条

1 刘晨彬;基于磁共振图像分析的神经胶质瘤分子标记物检测研究[D];浙江大学;2013年

2 丛家慧;引入人类视觉特性的带钢表面缺陷检测与识别方法研究[D];东北大学;2010年

3 王宇旸;基于可重构计算技术的图像识别与分类系统研究[D];中国科学技术大学;2009年

4 邹修国;基于机器视觉的稻飞虱现场识别技术研究[D];南京农业大学;2013年

5 陈明丽;超声定量分析方法评价肝纤维化的动物实验和临床研究[D];复旦大学;2011年

6 刁智华;大田小麦叶部病害智能诊断系统研究与应用[D];中国科学技术大学;2010年

7 张龙;红外高背景下的弱目标成像与信息处理技术研究[D];中国科学院大学(中国科学院上海技术物理研究所);2017年

8 桑庆兵;半参考和无参考图像质量评价新方法研究[D];江南大学;2013年

中国硕士学位论文全文数据库 前10条

1 米强;基于机器视觉的煤与矸石自动识别研究[D];山东科技大学;2018年

2 杨帅;基于灰度共生矩阵的地震纹理属性分析及其应用[D];中国石油大学(北京);2018年

3 施继辉;基于图像法环抛机盘面磨损状态检测研究[D];电子科技大学;2019年

4 陈洋;基于地面移动平台的视觉目标检测技术[D];长春理工大学;2019年

5 禚江浩;基于听觉特征的水声目标辐射噪声识别算法研究[D];国防科学技术大学;2016年

6 薛源;基于机器视觉的玻璃缺陷分类识别的研究[D];合肥工业大学;2018年

7 胡启明;基于灰度共生矩阵的地形纹理特征量化研究[D];福州大学;2017年

8 闵信军;基于灰度共生矩阵和视觉信息的布匹瑕疵检测方法研究[D];江苏大学;2018年

9 黄宇翔;基于模式识别的血管内光学相干断层扫描图像分割研究[D];东南大学;2018年

10 洪惠超;基于机器视觉的煤矸石分选算法的研究[D];华侨大学;2018年

本文编号：2835573