一种多点地质统计学模拟中的自适应策略边缘概率评价方法

1.本发明涉及一种多点地质统计学模拟中的自适应策略边缘概率评价方法。


背景技术：

2.在油气勘探中，多点地质统计学模拟在弹性参数或者地质体的模拟预测中具有较高的精度。但是由于多点地质统计学模拟方法是基于对局部区域整体特征估计和分类，因此，其准确性和精度主要取决于已知区域所包含特征的完整性，以及其和模拟区域的相似程度。在上述客观具备的训练图像数据条件不变的情况下，由于随机建模具备一定的不确定性，而数据梯度较大或者数据属性变化快的边缘区块更容易受到影响，建模方法中的边缘检测和评价方法在极大程度上决定了建模结果的准确程度。因此，开发一种针对建模中边缘的概率评价方法，对降低地质统计学建模的不稳定性和提高准确度都具有重要意义。


技术实现要素：

3.本发明是为了解决上述现有技术存在的问题而提供一种多点地质统计学模拟中的自适应策略边缘概率评价方法。
4.本发明所采用的技术方案有：
5.一种多点地质统计学模拟中的自适应策略边缘概率评价方法，包括以下步骤：
6.1)根据多点地质统计学原理确定训练图像中的数据模板和滤波器集；
7.2)根据滤波器集将待建模区域中的数据事件与训练图像进行对比评价，选取相关系数高的100个数据模板；
8.3)对所选100个数据模板的多个属性进行边缘检测，其中包括：
9.31)计算每个数据模板的梯度向量；
10.32)在梯度方向上，对每个数据模板进行线性插值并做非极大值抑制；
11.33)对每个数据模板边缘梯度阈值计算，判断数据模板的图像边缘；
12.4)最后进行边缘概率评价。
13.进一步地，步骤31)中，利用sobel算子计算每个数据模板的梯度向量包括：
14.用sobel算子计算出数据模板中每个像素点在水平和垂直方向上的梯度值，然后计算每个像素点的梯度幅值和梯度方向。
15.进一步地，计算每个像素点梯度幅值g和梯度方向θ时，对应的计算公式为：
[0016][0017]
其中，gx和gy分别表示该像素点在水平和垂直方向上的梯度值。
[0018]
进一步地，步骤32)中，在梯度方向上对每个数据模板进行线性插值并做非极大值抑制，具体步骤包括：
[0019]
321)将每个数据模板对应的梯度图像长宽方向各扩大一倍，对于新增的每个像素点m(x，y)，通过插值计算每个新增像素点m(x，y)在梯度方向上的梯度幅值、梯度方向，以及通过插值计算原始像素点中两个相邻像素点的位置坐标；
[0020]
322)梯度方向上两个新增像素点的梯度幅值m(x0，y0)、m(x1，y1)与原始任一像素点的梯度幅值i(x，y)进行比较，如果插值幅值大于或等于原始任一像素点的梯度幅值，则保留该新增的像素点，否则将其设置为0；
[0021]
323)重复以上操作，对梯度图像中每个新增像素点进行处理，直到所有新增像素点都被处理完毕。
[0022]
进一步地，在每个数据模板进行线性插值并做非极大值抑制后，通过对每个数据模板对应梯度图像的阈值计算，初步判断梯度图像的边缘，步骤为：
[0023]
331)最优化初始阈值设定
[0024]
a)首先将每个数据模板对应梯度图像划分子区域，每个子区域大小为原始梯度图像1/25；
[0025]
b)基于局部方差的sauvola算法计算出梯度图像的局部阈值，计算公式为：
[0026][0027]
其中，μ(x，y)表示以像素点(x，y)为中心的局部均值，σ(x，y)表示以像素点(x，y)为中心的局部方差，k为校正系数，r为灰度级范围；
[0028]
局部均值和局部方差的计算公式分别对应为：
[0029][0030][0031]
其中，w为每个子区域大小，i(i，j)为(i，j)位置像素的梯度幅值；332)迭代计算最优阈值
[0032]
a)设定初始的阈值t＝t0和收敛条件ε；
[0033]
b)将梯度幅值i(x，y)根据阈值t划分为边缘和非边缘点；
[0034]
c)通过方差计算出梯度图像的新阈值。
[0035]
进一步地，通过方差计算出梯度图像的新阈值的具体步骤为：
[0036]
c1)计算边缘点和非边缘点的方差，分别记为v1和v2，
[0037]
v1＝s12/n1-m12[0038]
v2＝s22/n2-m22[0039]
其中，边缘点和非边缘点的像素数量，分别记为n1和n2；
[0040]
边缘点和非边缘点的灰度值总和，分别记为s1和s2；
[0041]
边缘点和非边缘点的平均灰度值，分别记为m1和m2；
[0042]
c2)计算新的阈值ti，
[0043]
ti＝(n1*v1+n2*v2)/n
[0044]
其中，像素数量n＝n1+n2；
[0045]
c3)判断阈值是否收敛，收敛输出，否则设置t＝ti继续迭代：
[0046][0047]
c4)最后根据输出的ti设置最终的高低阈值：
[0048]
th_low＝k1×
ti[0049]
th_high＝k2×
th_low
[0050]
其中，k1为低阈值比例因子；k2为低阈值比例因子；
[0051]
最后将高于高阈值的点标记为边缘，而低于低阈值的点标记为非边缘。
[0052]
进一步地，步骤4)中，边缘概率评价的过程为：
[0053]
41)绘制每个属性的边缘概率分布图
[0054]
假设有n个属于边缘的像素点，其梯度幅值分别为{g1,g2,...,gn}，使用高斯核密度估计方法来计算所有边缘像素点的合梯度幅值，构建出概率密度函数p(g)，p(g)表示梯度幅值为g的像素点属于边缘的概率；
[0055]
42)目标参数的边缘综合概率评价
[0056]
通过多个属性的边缘概率分布图，根据属性权重和给出综合概率图，
[0057][0058]
其中，ci是属性i的权重，不随位置变化，ri为属性i在对应位置的权重，pi为对应位置该属性的边缘概率值；
[0059][0060]
其中，corr(pi,pj)是以当前属性pi与其他属性概率pj在以此中心的3
×
3区域的相关系数，通过计算得到的边缘综合概率图。
[0061]
进一步地，利用高斯核密度估计某个梯度幅值是否为边缘点的概率如下：
[0062][0063][0064]
其中，k(
·
)为高斯核函数，h为带宽参数，用以控制核函数对估计结果的影响。
[0065]
本发明具有如下有益效果：
[0066]
本发明应用于多点地质统计学建模中模板抽样阶段，利用算法综合优势，适用于属性数值变化快、不均匀或具有复杂地学特征的建模区域。通过对数据模板的多个属性进行边缘检测，给出不同属性的边缘概率，能够综合给出目标参数的边缘概率分布，从而优化建模中模板抽样概率，提高建模准确性。
附图说明
[0067]
图1为本发明流程图。
[0068]
图2为边缘概率分布示意图。
[0069]
图3为边缘概率综合评价结果示意图。
[0070]
图4为概率约束的沉积相建模结果示意图。
具体实施方式
[0071]
下面结合附图对本发明作进一步的说明。
[0072]
如图1至图4，本发明一种多点地质统计学模拟中的自适应策略边缘概率评价方法，包括以下步骤：
[0073]
1)根据多点地质统计学原理确定训练图像中的数据模板和滤波器集；
[0074]
2)根据滤波器集将待建模区域中的数据事件与训练图像进行对比评价，选取相关系数高的100个数据模板；
[0075]
3)对所选100个数据模板的多个属性进行边缘检测，其中包括：
[0076]
31)计算每个数据模板的梯度向量；
[0077]
32)在梯度方向上，对每个数据模板进行线性插值并做非极大值抑制；
[0078]
33)对每个数据模板边缘梯度阈值计算，判断数据模板的图像边缘；
[0079]
4)最后进行边缘概率评价。
[0080]
步骤31)中，利用sobel算子计算每个数据模板的梯度向量包括：
[0081]
用sobel算子计算出数据模板中每个像素点在水平和垂直方向上的梯度值，然后计算每个像素点的梯度幅值和梯度方向。
[0082]
在计算每个像素点梯度幅值g和梯度方向θ时，对应的计算公式为：
[0083][0084][0085]
其中，gx和gy分别表示该像素点在水平和垂直方向上的梯度值。
[0086]
步骤32)中，在梯度方向上对每个数据模板进行线性插值并做非极大值抑制。
[0087]
为了使检测到的边缘线条变得更细，同时减少噪声和假阳性的影响进行线性插值并做非极大值抑制，具体步骤包括：
[0088]
321)将每个数据模板对应的梯度图像长宽方向各扩大一倍，对于新增的每个像素点m(x，y)，通过插值计算每个新增像素点m(x，y)在梯度方向上的梯度幅值、梯度方向，以及通过插值计算原始像素点中两个相邻像素点的位置坐标；
[0089]
322)梯度方向上两个新增像素点的梯度幅值m(x0，y0)、m(x1，y1)与原始任一像素点的梯度幅值i(x，y)进行比较，如果插值幅值大于或等于原始任一像素点的梯度幅值，则保留该新增的像素点，否则将其设置为0；
[0090][0091]
323)重复以上操作，对梯度图像中每个新增像素点进行处理，直到所有新增像素
点都被处理完毕。
[0092]
边缘梯度阈值计算
[0093]
在每个数据模板进行线性插值并做非极大值抑制后，通过对每个数据模板对应梯度图像的阈值计算，初步判断梯度图像的边缘，步骤为：
[0094]
331)最优化初始阈值设定
[0095]
由于初始阈值对于后面的均值迭代的影响非常大，所以需要设定一个十分合理的初始阈值来保证最后结果的正确性。这里采用基于局部方差的sauvola算法，并在此基础上利用大津法对其进行优化。
[0096]
a)首先将每个数据模板对应梯度图像划分子区域，每个子区域大小为原始梯度图像1/25；
[0097]
b)基于局部方差的sauvola算法计算出梯度图像的局部阈值，计算公式为：
[0098][0099]
其中，μ(x，y)表示以像素点(x，y)为中心的局部均值，σ(x，y)表示以像素点(x，y)为中心的局部方差，k为校正系数，r为灰度级范围；这里的灰度级范围就是图像中包含的所有可能灰度值的数量，通常表示为2的n次方，其中n为图像的位深度。比如，8位灰度图像的灰度级范围为256，即r＝256。
[0100]
局部均值和局部方差的计算公式分别对应为：
[0101][0102][0103]
其中，w为每个子区域大小，i(i，j)为(i，j)位置像素的梯度幅值；332)迭代计算最优阈值
[0104]
a)设定初始的阈值t＝t0和收敛条件ε；
[0105]
b)将梯度幅值i(x，y)根据阈值t划分为边缘和非边缘点；
[0106]
c)通过方差计算出梯度图像的新阈值，具体步骤为：
[0107]
c1)计算边缘点和非边缘点的方差，分别记为v1和v2，
[0108]
v1＝s12/n1-m12[0109]
v2＝s22/n2-m22[0110]
其中，边缘点和非边缘点的像素数量，分别记为n1和n2；
[0111]
边缘点和非边缘点的灰度值总和，分别记为s1和s2；
[0112]
边缘点和非边缘点的平均灰度值，分别记为m1和m2；
[0113]
c2)计算新的阈值ti，
[0114]
ti＝(n1*v1+n2*v2)/n
[0115]
其中，像素数量n＝n1+n2；
[0116]
c3)判断阈值是否收敛，收敛输出，否则设置t＝ti继续迭代：
[0117][0118]
c4)最后根据输出的ti设置最终的高低阈值：
[0119]
th_low＝k1×
ti[0120]
th_high＝k2×
th_low
[0121]
其中，k1为低阈值比例因子，针对油气参数建模取0.4较为合适；k2为低阈值比例因子，取1.4较为合适。
[0122]
最后将高于高阈值的点标记为边缘，而低于低阈值的点标记为非边缘。
[0123]
边缘概率评价
[0124]
41)绘制每个属性的边缘概率分布图
[0125]
假设有n个属于边缘的像素点，其梯度幅值分别为{g1,g2,...,gn}，使用高斯核密度估计方法来计算所有边缘像素点的合梯度幅值，构建出概率密度函数p(g)，p(g)表示梯度幅值为g的像素点属于边缘的概率，具体来说，利用高斯核密度估计某个梯度幅值是否为边缘点的概率如下：
[0126][0127][0128]
其中，k(
·
)为高斯核函数，h为带宽参数，用以控制核函数对估计结果的影响。
[0129]
一般来说，较小的带宽参数会使得估计结果更加精细，但容易受到噪声的影响；较大的带宽参数则能够平滑估计结果，但可能会导致过度平滑和信息丢失。在勘探参数建模中，带宽一般取最大幅值的1/100。
[0130]
据此，逐点进行计算，可以得到每个属性对应梯度幅值图的边缘概率分布图。
[0131]
42)目标参数的边缘综合概率评价
[0132]
通过多个属性的边缘概率分布图，根据属性权重和给出综合概率图，
[0133][0134]
其中，ci是属性i的权重，不随位置变化，ri为属性i在对应位置的权重，pi为对应位置该属性的边缘概率值；
[0135][0136]
其中，corr(pi,pj)是以当前属性pi与其他属性概率pj在以此中心的3
×
3区域的相关系数，通过计算得到的边缘综合概率图。根据实际工程，对建模抽样过程进行约束，实现建模抽样过程的概率控制，达到高精度建模的水平。如图4所示，建模结果具有清晰的边界，且分布均匀。
[0137]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。

技术特征：
1.一种多点地质统计学模拟中的自适应策略边缘概率评价方法，其特征在于：包括以下步骤：1)根据多点地质统计学原理确定训练图像中的数据模板和滤波器集；2)根据滤波器集将待建模区域中的数据事件与训练图像进行对比评价，选取相关系数高的100个数据模板；3)对所选100个数据模板的多个属性进行边缘检测，其中包括：31)计算每个数据模板的梯度向量；32)在梯度方向上，对每个数据模板进行线性插值并做非极大值抑制；33)对每个数据模板边缘梯度阈值计算，判断数据模板的图像边缘；4)最后进行边缘概率评价。2.如权利要求1所述的多点地质统计学模拟中的自适应策略边缘概率评价方法，其特征在于：步骤31)中，利用sobel算子计算每个数据模板的梯度向量包括：用sobel算子计算出数据模板中每个像素点在水平和垂直方向上的梯度值，然后计算每个像素点的梯度幅值和梯度方向。3.如权利要求2所述的多点地质统计学模拟中的自适应策略边缘概率评价方法，其特征在于：计算每个像素点梯度幅值g和梯度方向θ时，对应的计算公式为：征在于：计算每个像素点梯度幅值g和梯度方向θ时，对应的计算公式为：其中，gx和gy分别表示该像素点在水平和垂直方向上的梯度值。4.如权利要求2所述的多点地质统计学模拟中的自适应策略边缘概率评价方法，其特征在于：步骤32)中，在梯度方向上对每个数据模板进行线性插值并做非极大值抑制，具体步骤包括：321)将每个数据模板对应的梯度图像长宽方向各扩大一倍，对于新增的每个像素点m(x，y)，通过插值计算每个新增像素点m(x，y)在梯度方向上的梯度幅值、梯度方向，以及通过插值计算原始像素点中两个相邻像素点的位置坐标；322)梯度方向上两个新增像素点的梯度幅值m(x0，y0)、m(x1，y1)与原始任一像素点的梯度幅值i(x，y)进行比较，如果插值幅值大于或等于原始任一像素点的梯度幅值，则保留该新增的像素点，否则将其设置为0；323)重复以上操作，对梯度图像中每个新增像素点进行处理，直到所有新增像素点都被处理完毕。5.如权利要求2所述的多点地质统计学模拟中的自适应策略边缘概率评价方法，其特征在于：在每个数据模板进行线性插值并做非极大值抑制后，通过对每个数据模板对应梯度图像的阈值计算，初步判断梯度图像的边缘，步骤为：331)最优化初始阈值设定a)首先将每个数据模板对应梯度图像划分子区域，每个子区域大小为原始梯度图像1/25；b)基于局部方差的sauvola算法计算出梯度图像的局部阈值，计算公式为：
其中，μ(x，y)表示以像素点(x，y)为中心的局部均值，σ(x，y)表示以像素点(x，y)为中心的局部方差，k为校正系数，r为灰度级范围；局部均值和局部方差的计算公式分别对应为：局部均值和局部方差的计算公式分别对应为：其中，w为每个子区域大小，i(i，j)为(i，j)位置像素的梯度幅值；332)迭代计算最优阈值a)设定初始的阈值t＝t0和收敛条件ε；b)将梯度幅值i(x，y)根据阈值t划分为边缘和非边缘点；c)通过方差计算出梯度图像的新阈值。6.如权利要求5所述的多点地质统计学模拟中的自适应策略边缘概率评价方法，其特征在于：通过方差计算出梯度图像的新阈值的具体步骤为：c1)计算边缘点和非边缘点的方差，分别记为v1和v2，v1＝s12/n1-m12v2＝s22/n2-m22其中，边缘点和非边缘点的像素数量，分别记为n1和n2；边缘点和非边缘点的灰度值总和，分别记为s1和s2；边缘点和非边缘点的平均灰度值，分别记为m1和m2；c2)计算新的阈值t
i
，t
i
＝(n1*v1+n2*v2)/n其中，像素数量n＝n1+n2；c3)判断阈值是否收敛，收敛输出，否则设置t＝t
i
继续迭代：c4)最后根据输出的t
i
设置最终的高低阈值：th_low＝k1×
t
i
th_high＝k2×
th_low其中，k1为低阈值比例因子；k2为低阈值比例因子；最后将高于高阈值的点标记为边缘，而低于低阈值的点标记为非边缘。7.如权利要求5所述的多点地质统计学模拟中的自适应策略边缘概率评价方法，其特征在于：步骤4)中，边缘概率评价的过程为：
41)绘制每个属性的边缘概率分布图假设有n个属于边缘的像素点，其梯度幅值分别为{g1,g2,...,gn}，使用高斯核密度估计方法来计算所有边缘像素点的合梯度幅值，构建出概率密度函数p(g)，p(g)表示梯度幅值为g的像素点属于边缘的概率；42)目标参数的边缘综合概率评价通过多个属性的边缘概率分布图，根据属性权重和给出综合概率图，其中，ci是属性i的权重，不随位置变化，ri为属性i在对应位置的权重，pi为对应位置该属性的边缘概率值；其中，corr(p
i
,p
j
)是以当前属性pi与其他属性概率pj在以此中心的3
×
3区域的相关系数，通过计算得到的边缘综合概率图。8.如权利要求7所述的多点地质统计学模拟中的自适应策略边缘概率评价方法，其特征在于：利用高斯核密度估计某个梯度幅值是否为边缘点的概率如下：征在于：利用高斯核密度估计某个梯度幅值是否为边缘点的概率如下：其中，k(
·
)为高斯核函数，h为带宽参数，用以控制核函数对估计结果的影响。

技术总结
本发明公开了一种多点地质统计学模拟中的自适应策略边缘概率评价方法，根据多点地质统计学原理确定训练图像中的数据模板和滤波器集，根据滤波器集将待建模区域中的数据事件与训练图像进行对比评价，选取相关系数高的100个数据模板，对所选100个数据模板的多个属性进行边缘检测，最后进行边缘概率评价。本发明应用于多点地质统计学建模中模板抽样阶段，利用算法综合优势，适用于属性数值变化快、不均匀或具有复杂地学特征的建模区域。通过对数据模板的多个属性进行边缘检测，给出不同属性的边缘概率，能够综合给出目标参数的边缘概率分布，从而优化建模中模板抽样概率，提高建模准确性。准确性。准确性。


技术研发人员：韩飞龙 朱坤 景征骏 黄永锋 许佩全
受保护的技术使用者：江苏理工学院
技术研发日：2023.07.17
技术公布日：2023/10/8