CN106951924B - 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** - Google Patents
基于AdaBoost算法的地震相干体图像断层自动识别方法及*** Download PDFInfo
- Publication number
- CN106951924B CN106951924B CN201710186136.XA CN201710186136A CN106951924B CN 106951924 B CN106951924 B CN 106951924B CN 201710186136 A CN201710186136 A CN 201710186136A CN 106951924 B CN106951924 B CN 106951924B
- Authority
- CN
- China
- Prior art keywords
- image
- image blocks
- fault
- classification
- adaboost algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于AdaBoost算法的地震相干体图像断层自动识别方法及***,方法为:获取地震相干体断层图像中的图像块,图像块包括断层体图像块、断层边缘图像块和断层背景图像块;通过预先训练的分类网络,对图像块进行分类,得到分类结果,分类网络由多个分类器构成,分类网络通过AdaBoost算法学习获得;根据分类结果,实现对地震相干体断层图像的自动识别。本发明采用了集成学习的方法训练分类网络,运用分类网络对图像块进行分类,可使断层的自动识别与提取的结果更准确。
Description
技术领域
本发明涉及一种地震相干体断层识别领域,尤其涉及基于AdaBoost算法的地震相干体图像断层自动识别方法及***。
背景技术
地震相干解译是实现地质断层位置及属性分析的最主要技术。然而,由于地震数据野外采集过程中不可避免的会存在由于设备、环境及人为等外在因素,以及这些外在因素对不同地质结构的作用所产生的复杂干扰及噪声等影响,而这些影响造成的数据降质往往是非线性的。为此,地震断层图像中地层背景及断层目标数据往往为不规则分布的复杂数据。面对这种复杂数据,传统的基于图像边缘检测/轮廓提取、图像分割/目标提取等方法很难实现断层的准确识别及定位,往往需要较多的人工编辑工作。另外,地震相干体图像中断层与背景类数据比例不平衡,背景数据稀疏性像对较好,而断层相对较复杂,为自动断层识别带来了一定的困难。
考虑到机器学***衡、属性不均匀的分类任务。显然,有必要从分类的角度开展集成学习方法在地震相干体断层识别中的应用技术。
因此,现有技术中的缺陷是,现有的地震相干体图像中地震断层方法,由于断层分布不规则、断层形状复杂多变、断层与背景数据比例不平衡等造成断层的自动识别与提取的结果不准确。
发明内容
针对上述技术问题,本发明提供一种基于AdaBoost算法的地震相干体图像断层自动识别方法及***,采用了集成学习的方法训练分类网络,运用分类网络对图像块进行分类,可使断层的自动识别与提取的结果更准确。
为解决上述技术问题,本发明提供的技术方案是:
第一方面,本发明提供一种基于AdaBoost算法的地震相干体图像断层自动识别方法,包括:
步骤S1,获取地震相干体断层图像中的图像块,所述图像块包括断层体图像块、断层边缘图像块和断层背景图像块;
步骤S2,通过预先训练的分类网络,对图像块进行分类,得到分类结果,所述分类网络由多个分类器构成,所述分类网络通过AdaBoost算法学习获得;
步骤S3,根据所述分类结果,实现对所述地震相干体断层图像的自动识别。
本发明的基于AdaBoost算法的地震相干体图像断层自动识别方法,其技术方案是:获取地震相干体断层图像中的图像块,所述图像块包括断层体图像块、断层边缘图像块和断层背景图像块;通过预先训练的分类网络,对图像块进行分类,得到分类结果,所述分类网络由多个分类器构成,所述分类网络通过AdaBoost算法学习获得;根据所述分类结果,实现对所述地震相干体断层图像的自动识别。
本发明的基于AdaBoost算法的地震相干体图像断层自动识别方法,采用了集成学习的方法训练分类网络,运用分类网络对图像块进行分类,可使断层的自动识别与提取的结果更准确。
进一步地,所述分类网络的训练过程为:
选取N个离线训练样本形成第一训练样本,对所述第一训练样本的学习得到第一个弱分类器,所述离线训练样本为地震相干体断层图像中的图像块;
将所述第一个弱分类器中分错的样本和其他离线训练样本构成第二个训练样本,通过对所述第二个训练样本的学习得到第二个弱分类器,所述第二个训练样本由N个离线训练样本构成;
将所述第一个弱分类器和第二个弱分类器中都分错的样本和其他离线训练样本构成第三个训练样本,通过对所述第三个训练样本的学习得到第三个弱分类器,形成三个二类分类器构成的分类网络,所述第三个训练样本由N个离线训练样本构成。
进一步地,所述步骤S2,具体为:
通过所述分类网络中的分类器对图像块进行分类,得到经每个分类器处理后的图像块;
计算所述图像块与所述经每个分类器处理后的图像块之间的相似度,得到多个相似度;
根据所述多个相似度,计算每个分类器的投票结果;
根据所述投票结果,得到分类结果,所述分类结果为多次累积投票结果最大的类。
进一步地,所述图像块的尺寸为3*3、5*5、7*7和9*9中的至少一种。
进一步地,所述图像块中的断层体图像块、断层边缘图像块和断层背景图像块的选取比例为3:2:1。
第二方面,本发明提供了一种基于AdaBoost算法的地震相干体图像断层自动识别***,包括:
图像块获取模块,用于获取地震相干体断层图像中的图像块,所述图像块包括断层体图像块、断层边缘图像块和断层背景图像块;
图像块分类模块,用于通过预先训练的分类网络,对图像块进行分类,得到分类结果,所述分类网络由多个分类器构成,所述分类网络通过AdaBoost算法学习获得;
断层图像自动识别模块,用于根据所述分类结果,实现对所述地震相干体断层图像的自动识别。
本发明提供的基于AdaBoost算法的地震相干体图像断层自动识别***,其技术方案为:先通过图像块获取模块,用于获取地震相干体断层图像中的图像块,所述图像块包括断层体图像块、断层边缘图像块和断层背景图像块;
接着通过图像块分类模块,用于通过预先训练的分类网络,对图像块进行分类,得到分类结果,所述分类网络由多个分类器构成,所述分类网络通过AdaBoost算法学习获得;最后通过断层图像自动识别模块,用于根据所述分类结果,实现对所述地震相干体断层图像的自动识别。
本发明的基于AdaBoost算法的地震相干体图像断层自动识别***,采用了集成学习的方法训练分类网络,运用分类网络对图像块进行分类,可使断层的自动识别与提取的结果更准确。
进一步地,所述图像块分类模块,具体用于训练分类网络,具体为:
选取N个离线训练样本形成第一训练样本,对所述第一训练样本的学习得到第一个弱分类器,所述离线训练样本为地震相干体断层图像中的图像块;
将所述第一个弱分类器中分错的样本和其他离线训练样本构成第二个训练样本,通过对所述第二个训练样本的学习得到第二个弱分类器,所述第二个训练样本由N个离线训练样本构成;
将所述第一个弱分类器和第二个弱分类器中都分错的样本和其他离线训练样本构成第三个训练样本,通过对所述第三个训练样本的学习得到第三个弱分类器,形成三个二类分类器构成的分类网络,所述第三个训练样本由N个离线训练样本构成。
进一步地,所述图像块分类模块,具体用于:
通过所述分类网络中的分类器对图像块进行分类,得到经每个分类器处理后的图像块;
计算所述图像块与所述经每个分类器处理后的图像块之间的相似度,得到多个相似度;
根据所述多个相似度,计算每个分类器的投票结果;
根据所述投票结果,得到分类结果,所述分类结果为多次累积投票结果最大的类。
进一步地,所述图像块的尺寸为3*3、5*5、7*7和9*9中的至少一种。
进一步地,所述图像块中的断层体图像块、断层边缘图像块和断层背景图像块的选取比例为3:2:1。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明实施例所提供的一种基于AdaBoost算法的地震相干体图像断层自动识别方法的流程图;
图2示出了本发明实施例所提供的一种基于AdaBoost算法的地震相干体图像断层自动识别方法的多类分类网络示意图;
图3示出了本发明实施例所提供的一种基于AdaBoost算法的地震相干体图像断层自动识别***的示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
实施例一
图1示出了本发明实施例所提供的一种基于AdaBoost算法的地震相干体图像断层自动识别方法的流程图;如图1所示,实施例一提供的一种基于AdaBoost算法的地震相干体图像断层自动识别方法,包括:
步骤S1,获取地震相干体断层图像中的图像块,图像块包括断层体图像块、断层边缘图像块和断层背景图像块;
步骤S2,通过预先训练的分类网络,对图像块进行分类,得到分类结果,分类网络由多个分类器构成,分类网络通过AdaBoost算法学习获得;
步骤S3,根据分类结果,实现对地震相干体断层图像的自动识别。
本发明的基于AdaBoost算法的地震相干体图像断层自动识别方法,其技术方案是:获取地震相干体断层图像中的图像块,图像块包括断层体图像块、断层边缘图像块和断层背景图像块;通过预先训练的分类网络,对图像块进行分类,得到分类结果,分类网络由多个分类器构成,分类网络通过AdaBoost算法学习获得;根据分类结果,实现对地震相干体断层图像的自动识别。
本发明的基于AdaBoost算法的地震相干体图像断层自动识别方法,采用了集成学习的方法训练分类网络,Adaboost是一种迭代算法,其核心思想是针对同一个地震相干体图像形成的训练集,训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个分类网络,分类网络的分类能力更强。
通过分类网络,改变断层分布不规则、断层形状复杂多变、断层与背景数据的分布,根据每次训练集中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用Adaboost分类器可以排除一些不必要的训练数据特征,并放在关键的训练数据上面。通过不断的训练,可以提高对数据的分类能力。本发明运用经Adaboost训练得到的分类网络对图像块进行分类,可使断层的自动识别与提取的结果更准确。
参见图2,分类网络的训练过程为:
选取N个离线训练样本形成第一训练样本,对第一训练样本的学习得到第一个弱分类器,离线训练样本为地震相干体断层图像中的图像块;
将第一个弱分类器中分错的样本和其他离线训练样本构成第二个训练样本,通过对第二个训练样本的学习得到第二个弱分类器,第二个训练样本由N个离线训练样本构成;
将第一个弱分类器和第二个弱分类器中都分错的样本和其他离线训练样本构成第三个训练样本,通过对第三个训练样本的学习得到第三个弱分类器,形成三个二类分类器构成的分类网络,第三个训练样本由N个离线训练样本构成。
通过不断的训练,得到如图2所示的三个二类分类器,构成分类网络,对断层图像块进行分类,得到更准确的分类结果,进而使断层的自动识别与提取的结果更准确。
具体地,步骤S2具体为:
通过分类网络中的分类器对图像块进行分类,得到经每个分类器处理后的图像块;
计算图像块与经每个分类器处理后的图像块之间的相似度,得到多个相似度;
其中,计算图像块与经每个分类器处理后的图像块之间的相似度的具体过程为:
在概率论和统计理论中,Hellinger距离被用来度量两个概率分布的相似度,因此计算图像块到各类样本平均图像块灰度高斯分布拟合的Hellinger距离来表示图像块与经每个分类器处理后的图像块之间的相似度,其Hellinger距离的计算公式为:
根据多个相似度,计算每个分类器的投票结果;
通过以下公式计算得到投票结果:
其中vk={vk(i)}为第k个二类分类器的投票值;
根据投票结果,得到分类结果,分类结果为多次累积投票结果最大的类。
具体地,图像块的尺寸为3*3、5*5、7*7和9*9中的至少一种。
根据相关研究发现地震相干体图像中断层边缘像素的最小描述尺度为3*3,而图像边缘的完整表示往往需要9*9的图像块尺度,为此,本发明中分别选取了3*3、5*5、7*7和9*9几个尺度来选取样本图像块。
优选地,经实验进一步对比结果可知,如果图像块过小,如3*3,则分类结果中会出现连续断层被***开的现象,而如果图像块过大,如9*9,则实验结果中会出现断层边缘及断层体均有膨胀的效果。只有在图像块大小选择适中,如5*5或7*7的情况下,最终的分类结果才能准确识别断层体和断层边缘。因此本发明中优选的图像块的尺寸为5*5或7*7。
优选地,图像块中的断层体图像块、断层边缘图像块和断层背景图像块的选取比例为3:2:1。
考虑样本数据的代表性和对应类别的稀疏度问题,即背景数据稀疏性像对较好,而断层相对较复杂的情况,本发明图像块中的断层体图像块、断层边缘图像块和断层背景图像块的选取比例为3:2:1。这样可解决断层体图像块、断层边缘图像块和断层背景图像块数量不平衡,导致断层的自动识别与提取的结果不准确的问题。
图3示出了本发明实施例所提供的一种基于AdaBoost算法的地震相干体图像断层自动识别***的示意图。如图3所示,本发明提供了一种基于AdaBoost算法的地震相干体图像断层自动识别***10,包括:
图像块获取模块101,用于获取地震相干体断层图像中的图像块,图像块包括断层体图像块、断层边缘图像块和断层背景图像块;
图像块分类模块102,用于通过预先训练的分类网络,对图像块进行分类,得到分类结果,分类网络由多个分类器构成,分类网络通过AdaBoost算法学习获得;
断层图像自动识别模块103,用于根据分类结果,实现对地震相干体断层图像的自动识别。
本发明提供的基于AdaBoost算法的地震相干体图像断层自动识别***10,其技术方案为:先通过图像块获取模块,用于获取地震相干体断层图像中的图像块,图像块包括断层体图像块、断层边缘图像块和断层背景图像块;
接着通过图像块分类模块,用于通过预先训练的分类网络,对图像块进行分类,得到分类结果,分类网络由多个分类器构成,分类网络通过AdaBoost算法学习获得;最后通过断层图像自动识别模块,用于根据分类结果,实现对地震相干体断层图像的自动识别。
本发明的基于AdaBoost算法的地震相干体图像断层自动识别***,采用了集成学习的方法训练分类网络,Adaboost是一种迭代算法,其核心思想是针对同一个地震相干体图像形成的训练集,训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个分类网络,分类网络的分类能力更强。
通过分类网络,改变断层分布不规则、断层形状复杂多变、断层与背景数据的分布,根据每次训练集中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用Adaboost分类器可以排除一些不必要的训练数据特征,并放在关键的训练数据上面。通过不断的训练,可以提高对数据的分类能力。本发明运用经Adaboost训练得到的分类网络对图像块进行分类,可使断层的自动识别与提取的结果更准确。
参见图2,图像块分类模块102,具体用于训练分类网络,具体为:
选取N个离线训练样本形成第一训练样本,对第一训练样本的学习得到第一个弱分类器,离线训练样本为地震相干体断层图像中的图像块;
将第一个弱分类器中分错的样本和其他离线训练样本构成第二个训练样本,通过对第二个训练样本的学习得到第二个弱分类器,第二个训练样本由N个离线训练样本构成;
将第一个弱分类器和第二个弱分类器中都分错的样本和其他离线训练样本构成第三个训练样本,通过对第三个训练样本的学习得到第三个弱分类器,形成三个二类分类器构成的分类网络,第三个训练样本由N个离线训练样本构成。
通过不断的训练,得到如图2所示的三个二类分类器,构成分类网络,对断层图像块进行分类,得到更准确的分类结果,进而使断层的自动识别与提取的结果更准确。
具体地,图像块分类模块102,具体用于:
通过分类网络中的分类器对图像块进行分类,得到经每个分类器处理后的图像块;
计算图像块与经每个分类器处理后的图像块之间的相似度,得到多个相似度;
其中,计算图像块与经每个分类器处理后的图像块之间的相似度的具体过程为:
在概率论和统计理论中,Hellinger距离被用来度量两个概率分布的相似度,因此计算图像块到各类样本平均图像块灰度高斯分布拟合的Hellinger距离来表示图像块与经每个分类器处理后的图像块之间的相似度,其Hellinger距离的计算公式为:
根据多个相似度,计算每个分类器的投票结果;
通过以下公式计算得到投票结果:
其中vk={vk(i)}为第k个二类分类器的投票值;
根据投票结果,得到分类结果,分类结果为多次累积投票结果最大的类。
具体地,图像块的尺寸为3*3、5*5、7*7和9*9中的至少一种。
根据相关研究发现地震相干体图像中断层边缘像素的最小描述尺度为3*3,而图像边缘的完整表示往往需要9*9的图像块尺度,为此,本发明中分别选取了3*3、5*5、7*7和9*9几个尺度来选取样本图像块。
优选地,经实验进一步对比结果可知,如果图像块过小,如3*3,则分类结果中会出现连续断层被***开的现象,而如果图像块过大,如9*9,则实验结果中会出现断层边缘及断层体均有膨胀的效果。只有在图像块大小选择适中,如5*5或7*7的情况下,最终的分类结果才能准确识别断层体和断层边缘。因此本发明中优选的图像块的尺寸为5*5或7*7。
优选地,图像块中的断层体图像块、断层边缘图像块和断层背景图像块的选取比例为3:2:1。
考虑样本数据的代表性和对应类别的稀疏度问题,即背景数据稀疏性像对较好,而断层相对较复杂的情况,本发明图像块中的断层体图像块、断层边缘图像块和断层背景图像块的选取比例为3:2:1。这样可解决断层体图像块、断层边缘图像块和断层背景图像块数量不平衡,导致断层的自动识别与提取的结果不准确的问题。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.基于AdaBoost算法的地震相干体图像断层自动识别方法,其特征在于,包括:
步骤S1,获取地震相干体断层图像中的图像块,所述图像块包括断层体图像块、断层边缘图像块和断层背景图像块;
步骤S2,通过预先训练的分类网络,对图像块进行分类,得到分类结果,所述分类网络由多个分类器构成,所述分类网络通过AdaBoost算法学习获得;
步骤S3,根据所述分类结果,实现对所述地震相干体断层图像的自动识别。
2.根据权利要求1所述的基于AdaBoost算法的地震相干体图像断层自动识别方法,其特征在于,
所述分类网络的训练过程为:
选取N个离线训练样本形成第一训练样本,对所述第一训练样本的学习得到第一个弱分类器,所述离线训练样本为地震相干体断层图像中的图像块;
将所述第一个弱分类器中分错的样本和其他离线训练样本构成第二个训练样本,通过对所述第二个训练样本的学习得到第二个弱分类器,所述第二个训练样本由N个离线训练样本构成;
将所述第一个弱分类器和第二个弱分类器中都分错的样本和其他离线训练样本构成第三个训练样本,通过对所述第三个训练样本的学习得到第三个弱分类器,形成三个二类分类器构成的分类网络,所述第三个训练样本由N个离线训练样本构成。
3.根据权利要求1所述的基于AdaBoost算法的地震相干体图像断层自动识别方法,其特征在于,
所述步骤S2,具体为:
通过所述分类网络中的分类器对图像块进行分类,得到经每个分类器处理后的图像块;
计算所述图像块与所述经每个分类器处理后的图像块之间的相似度,得到多个相似度;
根据所述多个相似度,计算每个分类器的投票结果;
根据所述投票结果,得到分类结果,所述分类结果为多次累积投票结果最大的类。
4.根据权利要求1所述的基于AdaBoost算法的地震相干体图像断层自动识别方法,其特征在于,
所述图像块的尺寸为3*3、5*5、7*7和9*9中的至少一种。
5.根据权利要求1所述的基于AdaBoost算法的地震相干体图像断层自动识别方法,其特征在于,
所述图像块中的断层体图像块、断层边缘图像块和断层背景图像块的选取比例为3:2:1。
6.基于AdaBoost算法的地震相干体图像断层自动识别***,其特征在于,包括:
图像块获取模块,用于获取地震相干体断层图像中的图像块,所述图像块包括断层体图像块、断层边缘图像块和断层背景图像块;
图像块分类模块,用于通过预先训练的分类网络,对图像块进行分类,得到分类结果,所述分类网络由多个分类器构成,所述分类网络通过AdaBoost算法学习获得;
断层图像自动识别模块,用于根据所述分类结果,实现对所述地震相干体断层图像的自动识别。
7.根据权利要求6所述的基于AdaBoost算法的地震相干体图像断层自动识别***,其特征在于,
所述图像块分类模块,具体用于训练分类网络,具体为:
选取N个离线训练样本形成第一训练样本,对所述第一训练样本的学习得到第一个弱分类器,所述离线训练样本为地震相干体断层图像中的图像块;
将所述第一个弱分类器中分错的样本和其他离线训练样本构成第二个训练样本,通过对所述第二个训练样本的学习得到第二个弱分类器,所述第二个训练样本由N个离线训练样本构成;
将所述第一个弱分类器和第二个弱分类器中都分错的样本和其他离线训练样本构成第三个训练样本,通过对所述第三个训练样本的学习得到第三个弱分类器,形成三个二类分类器构成的分类网络,所述第三个训练样本由N个离线训练样本构成。
8.根据权利要求6所述的基于AdaBoost算法的地震相干体图像断层自动识别***,其特征在于,
所述图像块分类模块,具体用于:
通过所述分类网络中的分类器对图像块进行分类,得到经每个分类器处理后的图像块;
计算所述图像块与所述经每个分类器处理后的图像块之间的相似度,得到多个相似度;
根据所述多个相似度,计算每个分类器的投票结果;
根据所述投票结果,得到分类结果,所述分类结果为多次累积投票结果最大的类。
9.根据权利要求6所述的基于AdaBoost算法的地震相干体图像断层自动识别***,其特征在于,
所述图像块的尺寸为3*3、5*5、7*7和9*9中的至少一种。
10.根据权利要求6所述的基于AdaBoost算法的地震相干体图像断层自动识别***,其特征在于,
所述图像块中的断层体图像块、断层边缘图像块和断层背景图像块的选取比例为3:2:1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710186136.XA CN106951924B (zh) | 2017-03-27 | 2017-03-27 | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710186136.XA CN106951924B (zh) | 2017-03-27 | 2017-03-27 | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106951924A CN106951924A (zh) | 2017-07-14 |
CN106951924B true CN106951924B (zh) | 2020-01-07 |
Family
ID=59473783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710186136.XA Active CN106951924B (zh) | 2017-03-27 | 2017-03-27 | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951924B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086773B (zh) * | 2018-08-29 | 2022-03-04 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
CN111582359B (zh) * | 2020-04-28 | 2023-04-07 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
CN113130018B (zh) * | 2021-04-20 | 2023-05-12 | 东北石油大学 | 基于储层元目标不变特征描述的岩性识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018498A (en) * | 1998-09-02 | 2000-01-25 | Phillips Petroleum Company | Automated seismic fault detection and picking |
CN103412331A (zh) * | 2013-08-30 | 2013-11-27 | 电子科技大学 | 一种三维地震断层自动提取方法 |
CN103592681A (zh) * | 2013-09-16 | 2014-02-19 | 电子科技大学 | 一种基于信号分类的地震图像层位追踪方法 |
CN105093289A (zh) * | 2014-05-22 | 2015-11-25 | 中国石油化工股份有限公司 | 一种基于图像处理的地震层位识别方法 |
CN105659292A (zh) * | 2013-11-26 | 2016-06-08 | 界标制图有限公司 | 复杂断层网络拓扑的全局网格建立无断层序列 |
CN106154327A (zh) * | 2016-08-17 | 2016-11-23 | 中国石油化工股份有限公司 | 一种提高隐蔽断层识别精度的方法 |
-
2017
- 2017-03-27 CN CN201710186136.XA patent/CN106951924B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018498A (en) * | 1998-09-02 | 2000-01-25 | Phillips Petroleum Company | Automated seismic fault detection and picking |
CN103412331A (zh) * | 2013-08-30 | 2013-11-27 | 电子科技大学 | 一种三维地震断层自动提取方法 |
CN103592681A (zh) * | 2013-09-16 | 2014-02-19 | 电子科技大学 | 一种基于信号分类的地震图像层位追踪方法 |
CN105659292A (zh) * | 2013-11-26 | 2016-06-08 | 界标制图有限公司 | 复杂断层网络拓扑的全局网格建立无断层序列 |
CN105093289A (zh) * | 2014-05-22 | 2015-11-25 | 中国石油化工股份有限公司 | 一种基于图像处理的地震层位识别方法 |
CN106154327A (zh) * | 2016-08-17 | 2016-11-23 | 中国石油化工股份有限公司 | 一种提高隐蔽断层识别精度的方法 |
Non-Patent Citations (5)
Title |
---|
Adaboost算法分类器设计及其应用;许剑 等;《四川理工学院学报(自然科学版)》;20140228;第27卷(第01期);第208-214页 * |
Automated fault detection without seismic processing;Mauricio Araya-Polo;《THE LEADING EDGE》;20170302;第36卷(第03期);第28-31页 * |
Semi-automatic detection of faults in 3D seismic data;Kristofer M 等;《Geophysical Prospecting》;20051231;第533-542页 * |
基于三维地震数据相干信息的断层识别方法研究;李转;《中国优秀硕士学位论文全文数据库 基础科学辑》;20160715(第07期);第55-63页 * |
藏汉跨语言话题模型构建与对齐方法研究;孙媛 等;《中文信息学报》;20170131;第31卷(第1期);第102-111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106951924A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
Sirmacek et al. | Urban area detection using local feature points and spatial voting | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN103761531A (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
Roy et al. | Script identification from handwritten document | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** | |
CN111275198A (zh) | 一种轴承异常检测方法及*** | |
CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN105894037A (zh) | 一种基于sift训练样本提取的遥感图像全监督分类方法 | |
CN114776304B (zh) | 一种深海矿产异常区识别的方法、装置、设备及介质 | |
CN107247954A (zh) | 一种基于深度神经网络的图像离群点检测方法 | |
CN106529470A (zh) | 一种基于多级深度卷积神经网络的手势识别方法 | |
CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN104537392B (zh) | 一种基于判别性语义部件学习的对象检测方法 | |
CN112348750B (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
CN105825215A (zh) | 一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体 | |
US20200034649A1 (en) | Object tracking system, intelligent imaging device, object feature extraction device, and object feature extraction method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |