[发明专利]基于AdaBoost算法的地震相干体图像断层自动识别方法及系统

说明书

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系统，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。

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系统。

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。

考虑到机器学习等人工智能方法已经在信号与信息处理相关的各个学科及领域中都得到了较好的应用。特别是，集成学习方法对训练数据的先验分布没有进行任何假设，对数据分布情况具有很强的鲁棒性。该类方法通过直接工作于输入数据的概率空间，能够有效解决类别不平衡、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系统，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；