【摘要】：本文研究的內(nèi)容與當(dāng)前熱門的圖像處理和人工智能有著緊密的關(guān)系,希望通過對圖像處理領(lǐng)域的灰度共生矩陣紋理分析方法及人工神經(jīng)網(wǎng)絡(luò)中的自組織神經(jīng)網(wǎng)絡(luò)算法的研究,豐富地球物理勘探的研究內(nèi)容,為地震勘探開發(fā)新方法提供一些新的思路。論文首先從紋理的定義出發(fā),介紹了紋理特征及紋理分析方法,然后引入地震紋理屬性,并討論了地震紋理屬性特征及提取方法。其次,本文重點研究了基于灰度共生矩陣(GLCM)的地震紋理屬性特征值的提取方法,詳細(xì)討論了灰度共生矩陣的形成及其影響因素。最后,結(jié)合實際工區(qū)地震資料,在地震紋理屬性特征研究的基礎(chǔ)上,利用地震紋理屬性特征值進(jìn)行儲層預(yù)測與解釋,并將地震紋理屬性特征值與自組織神經(jīng)網(wǎng)絡(luò)算法(SOM)相結(jié)合,探討了利用自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行地震相自動化分的方法。通過與相干、曲率等其它地震屬性的對比,地震紋理屬性在儲層解釋及地震相劃分等方面表現(xiàn)出了更加精細(xì)、準(zhǔn)確的刻畫效果。
【學(xué)位授予單位】：中國石油大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：P631.4
【圖文】：

圖 2.1 紋理圖像Fig. 2.1 Texture image圖像中的紋理有許多可以被觀察到的特性，這些特性在紋理的描述中有著十分關(guān)鍵的作用。然而，只用一種紋理特性描述方法來綜合描述各種各樣的特性是十分困難的，因此，并沒有形成一種有效的方法能夠從各種維度對紋理進(jìn)行全面描述。2.1.3 紋理的研究內(nèi)容紋理的研究內(nèi)容主要包括紋理合成及紋理分析兩個方面。紋理合成是一種構(gòu)造紋理的有效方法，可以將其描述為在樣本圖像有限且已知的條件下生成和樣本圖像相似的紋理圖像，得到的圖像并不是對原樣本圖像的簡單復(fù)制[38]。紋理分析主要有紋理分類、紋理分割、紋理檢索和紋理形狀抽取四個方向[39]：紋理分類是將不同類別的紋理特征進(jìn)行定量描述并區(qū)分，最終得到一系列的紋理集合；紋理分割是通過確定紋理圖像中不同紋理區(qū)域各自的邊界，達(dá)到分離不同

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）代表矩陣的第 i 行 j 列的元素，（i，j）∈G×G，θ 理論上可常取 θ=0°、45°、90°、135°四個方向。通過矩陣形式不難發(fā)現(xiàn)，稱方陣，它通過不同（d，θ）的組合產(chǎn)生不同的灰度共生矩陣析，它是鄰近像素對有關(guān)距離和角度的函數(shù)。具體的：當(dāng)圖像級別相近時，則灰度共生矩陣各元素的值集中在主對角線附近像灰度值分布比較分散時，灰度共生矩陣中各元素的值則相對

圖 3.1 地震紋理圖（引自 Eichkitz，2012）Fig. 3.1 Seismic texture map（Eichkitz，2012）隨著地震解釋技術(shù)的不斷發(fā)展，各種地震屬性在波形及地貌形態(tài)等相關(guān)方面的研究當(dāng)中發(fā)揮著越來越重要的作用。但是，隨著油氣勘探難度的逐漸加大，勘探方向已從構(gòu)造勘探轉(zhuǎn)向巖性勘探，對目標(biāo)體的刻畫要求也不斷地提高，隨之地震解釋工作者對地震屬性的要求也在不斷地提高。基于此種情況，基于簡單地質(zhì)統(tǒng)計的地震紋理屬性在油氣勘探工作中起著越來越重要的作用。利用地震紋理屬
【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉舒;姜琦剛;邵永社;李遠(yuǎn)華;;應(yīng)用灰度共生矩陣的紋理特征描述的研究[J];科學(xué)技術(shù)與工程;2012年33期

2 高士忠;盧易楓;蔡振偉;黨霞;;基于灰度共生矩陣的簾子布疵點檢測研究[J];電子技術(shù)應(yīng)用;2008年01期

3 薄華;馬縛龍;焦李成;;圖像紋理的灰度共生矩陣計算問題的分析[J];電子學(xué)報;2006年01期

4 汪黎明,陳健敏,王銳,姜紅;織物折皺紋理灰度共生矩陣分析[J];青島大學(xué)學(xué)報(工程技術(shù)版);2003年04期

5 鄧遠(yuǎn)立;盧偉;;基于灰度共生矩陣的震后倒塌房屋遙感信息提取——以2014年云南魯?shù)?.5級地震為例[J];華南地震;2019年02期

6 王波;姚宏宇;李弼程;;一種有效的基于灰度共生矩陣的圖像檢索方法[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2006年09期

7 趙暉,鮑莉,梁光明,張耀東;基于綜合灰度共生矩陣的顯微細(xì)胞圖像紋理研究[J];自動化技術(shù)與應(yīng)用;2004年10期

8 葉鵬;王永芳;夏雨蒙;安平;;一種融合深度基于灰度共生矩陣的感知模型[J];計算機(jī)科學(xué);2019年03期

9 朱石磊;段林娣;林暢松;高世臣;姚振興;;基于灰度共生矩陣的地震數(shù)據(jù)空間結(jié)構(gòu)屬性分析技術(shù)[J];石油地球物理勘探;2012年06期

10 姚宏宇,李弼程;基于廣義圖像灰度共生矩陣的圖像檢索方法[J];計算機(jī)工程與應(yīng)用;2004年34期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前8條

1 劉晨彬;基于磁共振圖像分析的神經(jīng)膠質(zhì)瘤分子標(biāo)記物檢測研究[D];浙江大學(xué);2013年

2 叢家慧;引入人類視覺特性的帶鋼表面缺陷檢測與識別方法研究[D];東北大學(xué);2010年

3 王宇旸;基于可重構(gòu)計算技術(shù)的圖像識別與分類系統(tǒng)研究[D];中國科學(xué)技術(shù)大學(xué);2009年

4 鄒修國;基于機(jī)器視覺的稻飛虱現(xiàn)場識別技術(shù)研究[D];南京農(nóng)業(yè)大學(xué);2013年

5 陳明麗;超聲定量分析方法評價肝纖維化的動物實驗和臨床研究[D];復(fù)旦大學(xué);2011年

6 刁智華;大田小麥葉部病害智能診斷系統(tǒng)研究與應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2010年

7 張龍;紅外高背景下的弱目標(biāo)成像與信息處理技術(shù)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院上海技術(shù)物理研究所);2017年

8 桑慶兵;半?yún)⒖己蜔o參考圖像質(zhì)量評價新方法研究[D];江南大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 米強(qiáng);基于機(jī)器視覺的煤與矸石自動識別研究[D];山東科技大學(xué);2018年

2 楊帥;基于灰度共生矩陣的地震紋理屬性分析及其應(yīng)用[D];中國石油大學(xué)(北京);2018年

3 施繼輝;基于圖像法環(huán)拋機(jī)盤面磨損狀態(tài)檢測研究[D];電子科技大學(xué);2019年

4 陳洋;基于地面移動平臺的視覺目標(biāo)檢測技術(shù)[D];長春理工大學(xué);2019年

5 禚江浩;基于聽覺特征的水聲目標(biāo)輻射噪聲識別算法研究[D];國防科學(xué)技術(shù)大學(xué);2016年

6 薛源;基于機(jī)器視覺的玻璃缺陷分類識別的研究[D];合肥工業(yè)大學(xué);2018年

7 胡啟明;基于灰度共生矩陣的地形紋理特征量化研究[D];福州大學(xué);2017年

8 閔信軍;基于灰度共生矩陣和視覺信息的布匹瑕疵檢測方法研究[D];江蘇大學(xué);2018年

9 黃宇翔;基于模式識別的血管內(nèi)光學(xué)相干斷層掃描圖像分割研究[D];東南大學(xué);2018年

10 洪惠超;基于機(jī)器視覺的煤矸石分選算法的研究[D];華僑大學(xué);2018年

本文編號：2835573