[发明专利]基于Hessian矩阵的三维地震相干属性调节方法

说明书

本发明公开一种基于Hessian矩阵的三维地震相干属性调节方法，应用于地震数据处理领域，针对现有的属性调节方法无法从含噪音的相干图像中提取所有有价值的解释特征的问题，本发明采用片状结构作为解释从断层到通道和管道等特征的建模工具，将属性的调节看作一个片状增强问题；在类片状结构的建模中，本发明提出了一种AMHSF滤波方法，从相干噪声图像中分离出类片状结构；作为AMHSF的关键和最核心的部分，本发明还提出了一种新的增强函数，作为对片状结构进行更大程度增强的基础，它完全不同于目前与血管增强相关的增强函数；实验结果表明，本发明的方法能有效地滤除相干图像中受强背景噪声和地层不连续性污染的所有有价值特征。

技术领域

本发明属于地震数据处理领域，特别涉及一种地震属性提取技术。

背景技术

地震属性这个词最早出现在二十世纪六十年代，在地球物理界发展了近30年之后，才基本统一称为地震属性，在之前国内的译名是比较混乱的。从地球物理学角度来定义地震属性：地震属性是地震数据中用来刻画和描述地层结构，说明岩性和物性等地质信息，反应不同地质信息的子集的地震特征量。

从地震属性的提取过程中来定义地震属性：地震属性是原始地震资料中包含的全部信息的子集，是一种描述和量化地震资料的特性。从数学意义上来定义地震属性：地震属性是地震资料中的几何学、运动学、动力学特征的量度。

地震属性技术一直是地震特殊处理和解释的重要的组成部分，其发展过程在波折中发展，并且伴随着数学和信息科学的不断发展走向成熟，同时新的属性也在不断出现，地震属性的种类也变的越来越丰富。

地震相干性属性是对地震道间线性间断的定量度量，它可以帮助我们快速地进行构造解释(如断层)和地层解释(如河道边缘)。然而，这些相干性属性容易受到数据噪声和地层干扰，或受到三维地震图像中的不连续性的影响。因此，需要有效的属性调节来提高输入相干图像的信噪比，以描述构造和地层特征，特别是消除背景噪声和地层中断的影响。对于我们的属性调节任务来说，最基本的执行挑战是在真正的解释特征中找到定义良好的结构，而不是背景相干噪声和地层中断。

地震相干属性有望帮助快速识别构造和地层特征，但已知这种方法存在严重的背景噪声和与特征无关的地层不连续性。因此，有必要对相干图像进行属性调节以阐明这些解释特征。在地震属性调节的研究中，需要提前从3-D地震数据中揭示相干属性图像。利用属性对地震信号的原始振幅、一阶梯度(即边界)、二阶梯度(即形状)和三阶梯度(即形状变化)变化进行加权来计算相干性图像的研究已经取得了相当大的进展。第一个子类别(地震信号的原始振幅)通过不同的方法测量原始地震道之间的横向相似性，包括互相关、相似性、特征结构和方差。第二子类别(地震信号的一阶梯度)通过梯度结构张量(gradient-structure-tensor，简称GST)为地震图像中的每个像素寻找第一阶梯度方向，而不是上述轨迹相似度；此类方法的示例包括常规GST、定向GST和稳健GST。第三个子类(地震信号的二阶梯度)别通过特定点的二阶梯度变化来校准表面变形，将其称为曲率。第四个子类(地震信号的三阶梯度)沿表面横向变化或曲率梯度(称为畸变)进行测量，因此本质上是三阶表面行为。然而，由于包含背景噪声和残余地层，仅靠地震信号的原始振幅、一阶梯度、二阶梯度和三阶梯度，不足以检测构造和地层特征。

最接近属性调节工作的是使用面向断层的平滑、优化算法和深度学习在3-D地震相干图像中自动检测断层的方法。面向断层的平滑建议沿着断层走向和倾角进行平滑，通过扫描断层走向和倾角的所有可能组合来增强断层特征。优化算法使用模型或算法策略，通过各种逆向方法来逼近断层表面，包括蚂蚁跟踪、动态规划和移动最小二乘逼近。深度学习将断层检测表述为具有布尔标签的像素分类问题，然后由经过训练的分类神经网络解决，例如卷积神经网络(Convolutional Neural Networks，简称CNNs)，简单U-Net和嵌套残余U-Net。然而，当前的属性调节方法是专门为特定的断层检测应用而设计的，现有的属性调节方法无法从含噪音的相干图像中提取所有有价值的解释特征。

发明内容