地震剖面图像纹理分割方法研究

论文摘要

地震剖面图像具有明显的纹理特征，不同的纹理区域代表着不同的地质体。在纹理方向或结构发生突变的地方意味着地质结构的突变。这些信息对于寻找石油或天然气是很重要的。因此发展一种用于地震剖面图像的分割方法既有理论意义，又有潜在的应用价值。本文的主要研究内容如下：(1)纹理图像分割和识别的关键步骤是图像的特征提取，它的重要性在于纹理特征提供了纹理图像中区分不同区域的必要的结构信息，本文首先对纹理特征提取常用的方法做了介绍，在研究这些方法优缺点的基础上，结合地震剖面图像特征通过构造分形模型来提取图像特征。(2)分形维数(FD)的准确估算是分形模型提取纹理特征的关键，本文主要讨论了分形维数估算的一般方法，并在此基础上做了一些改进。然后又把数学形态学引入分形维数的估算中，和前面的估算方法做了对比，实验结果表明基于数学形态学的分形维数可以有效地作为纹理图像的特征。(3)为了减少分割中边界的估计错误，本文把传统的4邻域边缘保护噪声平滑象限滤波技术(EPNSQ)改进为8邻域，并对每一个分形维数特征在用于分割之前进行了平滑。在分割中使用了自组织特征映射神经网络(SOFM)算法，实验中分别用三种方法对实际的人工地震剖面图进行了特征提取和分割，分割结果表明了本文采取的方法是有效的。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 课题研究背景及意义
• 1.2 纹理分割的研究现状
• 1.3 本文的工作及结构安排
• 2 纹理特征提取方法
• 2.1 基于统计的特征提取
• 2.1.1 灰度共生矩阵法
• 2.1.2 灰度游程长度方法
• 2.1.3 灰度差分统计法
• 2.2 基于结构的特征提取
• 2.3 基于小波变换的特征提取
• 2.4 基于模型的特征提取
• 2.4.1 自相关模型
• 2.4.2 随机场模型
• 2.4.3 分形模型
• 2.5 本章小结
• 3 分形维数的估算方法
• 3.1 分形的定义
• 3.2 分形维数
• 3.3 分形维数的一般估算方法
• 3.3.1 离散分形布朗随机场模型（DFBR）及参数估算
• 3.3.2 微分计盒方法（DBC）估算分形维数
• 3.3.3 相关微分计盒方法（RDBC）估算分形维数
• 3.3.4 一种改进的微分计盒维数方法（IDBC）
• 3.4 基于数学形态学的分形维数估计
• 3.4.1 计算依据
• 3.4.2 灰值形态学的两种操作
• 3.4.3 基于固定结构元的数学形态学分形维数估计方法（FSEM）
• 3.4.4 基于可变结构元数学形态学分形维数估计（VSEM）
• 4 用神经网络进行纹理特征分类
• 4.1 概述
• 4.2 改进的特征值平滑技术
• 4.3 自组织特征映射神经网络（SOFM）
• 4.3.1 SOFM神经网络结构
• 4.3.2 SOFM神经网络的学习及工作规则
• 4.3.3 本文使用的SOFM神经网络分类器结构
• 5 地震剖面图像的纹理分割
• 5.1 概述
• 5.2 地震剖面图像的纹理特征提取
• 5.2.1 主纹理特征
• 5.2.2 辅助纹理特征
• 5.3 分形维数实验分析
• 5.3.1 分形维数的计算
• 5.3.2 主纹理特征值分析
• 5.4 纹理分割实验分析
• 总结与展望
• 致谢
• 参考文献