处理地震剖面图像的方法和装置制造方法及图纸

本发明专利技术公开了处理地震剖面图像的方法和装置。本发明专利技术中，通过优化的TV去噪技术去除地震剖面图像中的噪声，然后在此基础上采用逐层相似性学习法进一步提高地震剖面图像分辨率，能显著提高地震信号的信噪比，得到高质量的地震剖面图像，有助于解释人员更好的将地震信息转化成地质信息，以精确重现地下地质的情况，对测区作出更合理的油气评价。

Method and device for processing seismic section images

The present invention discloses a method and device for processing seismic section images. In the invention, remove the noise in the seismic image by optimizing TV denoising technology, and then on the basis of the layer similarity learning method to further improve the seismic image resolution, can significantly improve the signal-to-noise ratio of seismic signal, the seismic profile of high quality image, helps to explain the better seismic information into the geological information, to accurately reproduce the underground geological situation, make a more reasonable evaluation of oil and gas in the survey area.

【技术实现步骤摘要】
处理地震剖面图像的方法和装置
本专利技术涉及地震勘探领域，更具体地，涉及一种处理地震剖面图像的方法和一种处理地震剖面图像的装置。
技术介绍
在地震勘探中，由于采集环境、设备等影响，检波器接收到的地震信息中不可避免含有多种干扰波，即为噪声。这些噪声的存在降低了地震资料的信噪比。而在去噪的过程中，可能同时把部分有效波也去除掉了。这些因素导致地震剖面图像质量降低，妨碍了解释人员的分析，最终影响地震剖面解释的准确性。地震噪声一般分为相干噪声和随机噪声，目前相干噪声去除的方法有切除法、f-k滤波法、f-x滤波等，随机噪声的去除方法有f-x域预测滤波、小波变换等。实际上有效波和噪声不能做到“泾渭分明”，上述所有方法也只能大致地去除噪声的主要能量，旨在提高地震资料的信噪比。并且这些方法只注重单方面去除噪声，忽略了去除噪声后恢复被去除的有效波的能量，因此降低了地震剖面图像的分辨率。
技术实现思路
本公开提出了一种能显著提高地震剖面图像质量的去噪技术。根据本公开的一方面，提出了一种处理地震剖面图像的方法，该方法包括：基于下式对地震剖面图像进行TV去噪处理：其中，所述地震剖面图像共有N条线，每条线具有N个cdp点，表示第n次迭代得到的第i条线中第j个cdp点的像素值，表示原始地震资料中第i条线中第j个cdp点的像素值，Δt表示时间步长，λ为预设参数，边界条件满足根据本公开的另一方面，提出了一种处理地震剖面图像的装置，该装置包括：用于基于下式对地震剖面图像进行TV去噪处理：其中，所述地震剖面图像共有N条线，每条线具有N个cdp点，表示第n次迭代得到的第i条线中第j个cdp点的像素值，表示原始地震资料中第i条线中第j个cdp点的像素值，Δt表示时间步长，λ为预设参数，边界条件满足插值单元，用于利用相似性学习法对经TV去噪处理后的地震剖面图像进行插值，得到处理后的地震剖面图像。本公开的各方面通过优化的TV去噪技术去除地震剖面图像中的噪声，然后在此基础上采用逐层相似性学习法进一步提高地震剖面图像分辨率，能显著提高地震信号的信噪比，得到高质量的地震剖面图像，有助于解释人员更好的将地震信息转化成地质信息，以精确重现地下地质的情况，对测区作出更合理的油气评价。附图说明通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。图1示出了根据本专利技术的一个实施例的处理地震剖面图像的方法的流程图。图2示出了某原始地震剖面图像。图3示出了根据本专利技术对图2所示原始地震剖面图像进行优化的TV去噪后得到的地震剖面图像。图4示出了根据本专利技术利用逐层相似性学习法对图3进行插值后得到的地震剖面图像。图5(a)和(b)分别是图3和图4中对应的局部放大图。具体实施方式下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。此处，先对本专利技术涉及的部分技术原理进行简单介绍。优化的TV去噪用表示第n次迭代得到的第i条线中第j个cdp点的值。用差商代替偏导数，可得各方向导数的差分如下：利用公式1～公式5得到离散迭代格式，即上述公式1：其中，所述地震剖面图像共有N条线，每条线具有N个cdp点，表示第n次迭代得到的第i条线中第j个cdp点的像素值，表示原始地震资料中第i条线中第j个cdp点的像素值，Δt表示时间步长，λ为预设参数，边界条件满足相似性学习法相似性学习法可用于进行图像插值。其认为待求区域内的像素点的像素值是其领域窗口内的各个像素点的像素值的加权平均，其数学模型为：Y＝βX，公式7其中，Y是该像素点的像素值，B(ε,i)为其邻域窗口，ε为邻域窗口的半径，i为邻域窗口中的像素点的数目，权值β是1*i的行向量，X∈B(ε,i)，X为i*1的列向量。通常，可通过求取MSE极小确定权值β：实施例1图1示出了根据本专利技术的一个实施例的处理地震剖面图像的方法的流程图。在本实施例中，该方法包括：步骤101，基于下式对地震剖面图像进行TV去噪处理：其中，所述地震剖面图像共有N条线，每条线具有N个cdp点，表示第n次迭代得到的第i条线中第j个cdp点的像素值，表示原始地震资料中第i条线中第j个cdp点的像素值，Δt表示时间步长，λ为预设参数，边界条件满足步骤102，利用相似性学习法对经TV去噪处理后的地震剖面图像进行插值，得到处理后的地震剖面图像。本实施例通过优化的TV去噪技术去除地震剖面图像中的噪声，然后在此基础上采用逐层相似性学习法进一步提高地震剖面图像分辨率，能显著提高地震信号的信噪比，得到高质量的地震剖面图像。可基于下式得到公式1中的其中，L(*)为拉普拉斯算子，公式1中的λ可以是基于下列方法确定的。可以设其中，M表示总的迭代次数，z表示当前的图像函数，K表示降质函数并取归一化的值，表示[KTK+λ_tmpL(x)]-1KT，x表示图像上任一像素点的像素值，trace(*)表示求矩阵的迹，||*||2表示求范数的组合数。可以取是f(λ_tmp)帽，指统计参数的估计量。在本专利技术的优选实施方式中，上述步骤102中所采用的相似性学习法可以是如下的逐层相似性学习法，经验证，其能大大改善处理后的地震剖面图像的质量。第一步，建立数学模型围绕未知像素点选择邻域窗口B(ε,j)，其中，ε为该邻域窗口的半径，j为该邻域窗口中的像素点的数目；针对邻域窗口B(ε,j)中的每一个像素点形成对应于未知像素点的训练窗口,其中针对邻域窗口B(ε,j)中存在的未知像素点，定义对应的训练窗口中包含的像素点与邻域窗口在方向上一一对应，并从训练窗口的各个子模式拷贝学习以得到边缘导向属性；基于下面的公式得到权值β：其中，β_tmp是1*j的行向量，X∈B(ε,j)，X为j*1的列向量，Y为该未知像素点的像素值，Q为n*1阶向量，Q中的第k个元素qk为：其中Ck是未知像素点到已知像素点的距离，Ck为j*1的列向量，Δ是用来避免分母为0的预设参数。相比于公式8，公式9中通过采用Q进行加权，可更好地保持边缘特征。第二步，填补未知点采用逐层递进的分组行进法进行填补，逐层递进的分组行进法是找到满足到达的时间的一组数据B：其中，α是权重因子，表示曲线到达点的时刻，F表示在到达点处的速度，Tm表示第m个的时间，TL表示第L组的时间，ΔTL表示第L组的时间步长，BL表示待填补层；该组数据B对应于修补边界层，对此数据同时进行更新，每层数据的更新只受上层数据或已知数据的影响，和本层已求出的数值无关。通过该逐层递进的分组行进法，能够在取得有用信息和误差传递方面取得良好的平衡点。实施例2本专利技术还公开了一种处理地震剖面图像的装置。该装置包括去噪单元和插值单元。去噪单元用于基于下式对地震剖面图像进行TV去噪处理：其中，所述地震剖面图像共有N条线，每条线具有N个cdp点，表示第n次迭代得到的第i条线中第j个cdp点的像素值，表示原始地震资料中第i条线中第j个cdp点的像素值，Δt表示时间步长，λ为预设参数，边界条件满足插值单元本文档来自技高网...

【技术保护点】
一种处理地震剖面图像的方法，该方法包括：基于下式对地震剖面图像进行TV去噪处理：

【技术特征摘要】
1.一种处理地震剖面图像的方法，该方法包括：基于下式对地震剖面图像进行TV去噪处理：其中，所述地震剖面图像共有N条线，每条线具有N个cdp点，表示第n次迭代得到的第i条线中第j个cdp点的像素值，表示原始地震资料中第i条线中第j个cdp点的像素值，Δt表示时间步长，λ为预设参数，边界条件满足利用相似性学习法对经TV去噪处理后的地震剖面图像进行插值，得到处理后的地震剖面图像。2.根据权利要求1所述的方法，其中，基于下式得到公式1中的其中，L(*)为拉普拉斯算子，3.根据权利要求1所述的方法，其中，公式1中的λ是基于下列方法确定的：设其中，M表示总的迭代次数，z表示当前的图像函数，K表示降质函数并取归一化的值，表示[KTK+λ_tmpL(x)]-1KT，x表示图像上任一像素点的像素值，trace(*)表示求矩阵的迹，||*||2表示求范数的组合数；取是f(λ)帽，指统计参数的估计量。4.根据权利要求1所述的方法，其中，所述相似性学习法为逐层相似性学习法，所述逐层相似性学习法包括：第一步，建立数学模型围绕未知像素点选择邻域窗口B(ε,j)，其中，ε为该邻域窗口的半径，j为该邻域窗口中的像素点的数目；针对邻域窗口B(ε,j)中的每一个像素点形成对应于未知像素点的训练窗口,其中针对邻域窗口B(ε,j)中存在的未知像素点，定义对应的训练窗口中包含的像素点与邻域窗口在方向上一一对应，并从训练窗口的各个子模式拷贝学习以得到边缘导向属性；基于下面的公式得到权值β：其中，β_tmp是1*j的行向量，X∈B(ε,j)，X为j*1的列向量，Y为该未知像素点的像素值，Q为n*1阶向量，Q中的第k个元素qk为：其中Ck是未知像素点到已知像素点的距离，Ck为j*1的列向量，Δ是用来避免分母为0的预设参数；第二步，填补未知点采用逐层递进的分组行进法进行填补，逐层递进的分组行进法是找到满足到达的时间的一组数据B：其中，α是权重因子，表示曲线到达点的时刻，F表示在到达点处的速度，Tm表示第m个的时间，TL表示第L组的时间，ΔTL表示第L组的时间步长，BL表示待填补层；该组数据B对应于修补边界层，对此数据同时进行更新，每层数据的更新只受上层数据...

【专利技术属性】
技术研发人员：刘旭跃，周巍，张兵，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司石油物探技术研究院，
类型：发明
国别省市：北京,11