改進的局部二值法與熵結合的邊緣檢測算法

邱 宇,歐陽敏,胡 斌,楊文博,蓋永浩,鄧 聰,張文祥

(1.中海石油(中國)有限公司 湛江分公司,廣東 湛江524057; 2.成都理工大學 地球物理學院,成都 610059)

0 引 言

特殊地質異常體在地震圖像上存在橫向不連續、同相軸錯斷等特殊現象,為了精確刻畫這些特殊地質體的邊界信息,利用基于圖像處理的邊緣檢測算法是一種重要的方法和研究熱點。邊緣檢測在地震資料解釋、圖像識別以及工業檢測等領域都有廣泛應用,經典的邊緣檢測算子有:Canny算子、Sobel算子、Roberts算子、Laplace算子、Log算子和Prewitt算子等[1]。其中Canny算子在圖像邊緣檢測中的效果相對較好,且有一定的抗干擾能力和實際應用效果[2]。針對邊緣檢測算法,許多學者在傳統的邊緣檢測算子中融入新的方法,如基于小波變換的圖像邊緣檢測[3]、基于蟻群算法的邊緣檢測[4],基于局部二值模式算法的邊緣檢測[5]等。圖像的局部二值模式(LBP:Local Binary Pattern)是由Ojala等[6]提出,并用于描述圖像的紋理特征的一種算法,但該方法受圖像的高頻噪音影響較為嚴重。為改善高頻噪音的影響,Ojala等[7]提出了均勻局部二值模式,在圖像處理中獲得了較好的應用效果。由于LBP方法在圖像紋理分類、邊緣檢測等領域應用獲得了很好的實用效果,因此得到學者們的廣泛關注。并針對在具體應用中存在的不足,發展了一系列LBP的改進算法,進一步優化了LBP的應用效果。其中中心對稱局部模式[8]、橢圓局部二元模式[9]和四元數局部排序二元模式[10]等改進算法在人臉識別、圖像紋理分類、圖像目標檢測和醫學圖像分析等領域應用效果較好[11-12]。雷學等[5]在地震斷層檢測中考慮地震圖像的局部二值法刻畫斷層的邊緣信息,結合LBP和方差(VAR:Variance)算法,為識別斷層提供了新思路,獲得了較好的應用效果。但地震噪聲、斷層橫向不連續等對該方法的影響較大,為克服以上問題,并為針對地質體橫向不連續性提出改進的局部二值模式算法,構建一種旋轉不變統一的局部二值模式; 局部熵(ENT:Entropy)能表征圖像局部信息的離散特征,局部熵大的區域,圖像的灰度離散度小并且比較均勻,而在局部熵小的區域,圖像的灰度離散度大并且不均勻[13]。由于這種特征對圖像噪聲不靈敏,因此,引入局部熵算子以提高算法對地震資料噪聲的魯棒性。筆者提出一種基于LBP/ENT邊緣檢測算法,并應用于復雜的斷層理論模型、天然氣水合物的氣煙囪等特殊地質體的邊緣信息檢測中,為地震資料特殊地質體的邊緣信息檢測提供一種新方法。

1 局部二值模式算子

1.1 局部二值模式

LBP是表征圖像紋理分類的重要特征參數,可用于在圖像識別及邊緣檢測中。LBP可表征圖像的局部紋理特征,特別是對灰度圖像的局部對比效果更為突出[6]。在利用局部二值模式提取圖像的紋理特征時,常將圖像轉為灰度圖,并用在構建的3×3區域內,用中心點與周圍8點的灰度值按照一定的關系轉為二進制位形式,并用二進制位表征圖像局部結構的紋理特征[12]。

LBP的具體計算過程是在3×3區域內,以圖像的中心位置為中心,將周圍8個相鄰位置的圖像灰度值與中心位置的灰度值相對比,將灰度值大于設定的閾值所在位置記為1,而小于設定的閾值所在位置記為0,從而獲得3×3區域內二進制數,并與相應位置的灰度值按照一定的權重進行乘積,然后再累加求和獲得該鄰域的LBP值,最后對每個局部的LBP信息轉為十進制,獲得每個中心位置的LBP特征值,進而類推獲得整幅圖像中每個位置對應的LBP特征值[14],詳細計算過程可以參考文獻[5]。

局部二值模式為

(1)

其中P為定義的領域點個數,R為半徑,gp(i=0,1,2,…,P-1)為每個鄰域所在位置的灰度值。其中s函數為

(2)

1.2 改進的LBP

傳統的LBP一般維數較高,并且不具備旋轉不變性,因此,有必要對傳統的LBP進行改進,克服以上的局限性。這里構建一種旋轉不變統一的局部二值模式。即中心點gc的灰度值設置為閾值,并與周圍P個灰度點gp進行對比,其中gp坐標點為

gp(x,y)=(-Rsin(2πp/P),Rcos(2πp/P))。

(3)

(4)

其中

(5)

利用一個新函數U(x)重新定義局部二值模式為

(6)

2 局部熵算子

Shakoor等[15]提出了一種利用局部熵進行紋理特征提取的方法。在信息論中,熵是表示隨機信號的不確定性,用于描述平均信息量。通常,信號的熵越大,其不確定性就越大。把信息熵引入圖像處理中就形成了圖像處理的局部熵,可用于度量圖像灰度分布隨機性。

對一個M×N矩形區域,f(x,y)為圖像點(x,y)處的灰度值,f(x,y)>0,局部熵EENT(x,y)值為

(7)

其中gr為灰度分布,如下:

(8)

局部熵能刻畫所分析的灰度圖像局部離散程度的特征量,能較好地將圖像的灰度離散性大和灰度發生突變的邊緣檢測出來。

3 邊緣檢測算法

3.1 LBP/VAR算子邊緣檢測

在利用地震圖像上一些特殊地質現象,如斷層、氣煙囪等地質體,邊緣信息表現為橫向不連續性或突變,通常將LBP與局部方差VAR相結合,凸顯差異性的地質圖像之間的對比度。VAR算子為

(9)

其中P,R,gp與式(1)相同,μ為

(10)

其中μ為鄰域采樣點灰度值的期望,VAR可提供圖像豐富的紋理信息,VAR值越大,說明該區域的對比度就越大,因而對應該處的編碼權重就越大。將VAR融入到LBPriu2中,則兼具兩者的優點,能將復雜圖像橫向不連續性更好的表征出來,更能凸顯圖像局部紋理之間的差異[14]。結合式(6)和式(9),獲得LBP/VAR的表達式為

(11)

通過對地震圖像的斷層模型、實際斷層圖片的邊緣檢測進行應用,驗證了LBP/VAR方法對地震圖像的斷層邊緣檢測效果較好[5]。筆者將利用LBP/VAR與提出的LBP/ENT進行對比研究。

3.2 LBP/ENT算子邊緣檢測

(12)

LBP/ENT算子的邊緣檢測的具體實現步驟如下。

1) 數據歸一化。筆者采用統計最大、最小值歸一化的方法對原始地震數據進行歸一化處理,轉為灰度圖像。

2) 分段線性增強。對原始地震數據利用分段線性增強,主要目的是加強各部分的反差,使斷層邊緣更加突出,地震剖面信息更加全面。

3) 局部二值化。將線性增強后的地震數據首先進行LBP處理,根據式(4)進行計算,獲得局部二值化結果。

4) 圖像閾值優化。地震資料處理時,為進一步降低噪聲對圖像的影響,將灰度值小于50視為0,這種處理對原圖的輪廓不會造成明顯的失真又能排除一定的干擾。在實際地震圖像處理中,可以針對LBP直方圖確定LBP數值的分布范圍,繼而設置合適的閾值,進行閾值優化處理。

5) 計算LBP/ENT特征值。在第4)步處理的基礎上,根據式(12)提取LBP/ENT相關特征值。

6) 參數優化。整個計算程序中設置為自適應的參數,對參數進行自適應優化,獲得更清晰圖像邊緣特征。在實際圖像處理中,針對不同檢測對象選擇的閾值有所不同。

4 應用實例

4.1 理論模型分析

為了測試LBP/ENT算子地震剖面邊緣檢測方法的計算效果,選擇目前通用的Marmousi模型(如圖1a)進行測試。利用分裂步傅立葉正演和偏移得到Marmousi模型偏移剖面,此模型道間距為12.5 m,共736道[16]?？紤]到LBP算子的結構代表性,僅對如圖1a中矩形框里位置進行計算,該部分斷層發育,斷層地址響應主要特征有:地震波同相軸的數目突然增多或消失、地震波同相軸發生錯斷、分叉、合并等重要標志,同時該理論模型下方還存在同相軸拐彎等現象,構成了復雜的斷塊系統。

圖1 Marmousi模型試驗

4.1.1 幾種方法對比

利用Canny、LBP、VAR、LBP/VAR和LBP/ENT算子對該理論模型進行檢測,得到的檢測結果如圖1所示。各算子均能較好地刻畫出同相軸的數目突然增多或消失以及同相軸發生錯斷等標志,檢測結果與理論模型結果一致。

其中圖1b為LBP算子檢測的結果,能較好地刻畫出地層邊緣信息,但對同相軸的判斷還不夠清楚。圖1c為VAR算子檢測結果,能較好地刻畫斷層、地層的邊緣信息。圖1d為Canny算子對圖像的檢測結果,其中灰度值變化緩慢的局部邊緣信息丟失,出現空白區,導致邊緣輪廓不連續,使斷層的刻畫結果受到影響。圖1e、圖1f分別為LBP/VAR、LBP/ENT算子的檢測結果,均能檢測到斷層標志,如同相軸的數目突然增多或消失以及同相軸發生錯斷、分叉和合并等重要現象,對斷層的邊緣刻畫較為清晰。

其中圖1f對原始地震數據采用統計最大、最小值歸一化的方法進行歸一化處理。對歸一化后的地震數據進行分段線性增強處理,主要目的是加強各部分的反差,使斷層邊緣更加突出,讓地震剖面斷層信息更易識別,斷層邊緣對比更加明顯,更加清晰豐富,更易識別出斷層位置以及走向,并能清楚看出斷距大小。綜上,LBP/VAR和LBP/ENT算子對Marmousi模型的檢測都是行之有效的,檢測結果均能很好地刻畫出斷層位置以及走向等信息,利于斷層邊緣的刻畫。

4.1.2 噪聲測試

為使理論斷層模型盡可能與實際的地震解釋剖面質量相一致,進一步驗證LBP/ENT算子的抗噪性能。添加隨機、高斯、椒鹽以及speckle噪聲并進行測試。每個算法計算時各步驟的閾值均與不加噪聲時保持一致。

將圖1a添加有效振幅最大值10%的隨機噪聲。再次利用LBP/ENT、LBP/VAR算子進行分析,結果如圖2所示。從檢測結果看出,LBP/ENT算子對地震數據中的紋理信息刻畫較為精細,LBP/VAR檢測結果的斷層受噪聲影響較大,甚至很難判斷出邊緣信息和識別出斷點位置?？梢?LBP/ENT算子對隨機噪聲的抗噪性能優于LBP/VAR算子。

將圖1a添加均值為0、方差為0.001的高斯噪聲。再利用每個算子識別含噪聲的Marmousi模型并分析試驗結果。通過分析得到,LBP/VAR算子檢測的結果如圖3a所示,檢測效果稍優于圖3b的Canny算子和圖3c的LBP算子,與圖3d的LBP/ENT算子檢測結果較為相似。LBP/VAR算子與LBP/ENT算子對斷層紋理的刻畫效果基本一致,相對于另外兩種方法更容易辨識斷層邊緣位置以及走勢。LBP/VAR算子和LBP/ENT算子對高斯噪聲的抗噪性能基本一致。

將圖1a添加強度為0.01的椒鹽噪聲。再利用每個算子識別含噪聲的Marmousi模型并分析試驗結果。LBP/ENT算子檢測的結果為圖4a優于圖4b的Canny算子、圖4c的LBP算子以及圖4d的LBP/VAR算子檢測結果?？梢?LBP/ENT算子對斷層走勢、斷點位置均易于判斷,對椒鹽噪聲的抗噪性能優于LBP/VAR算子。

將圖1a添加均值為0、方差為0.005的speckle噪聲。再利用每個算子識別斷層并分析試驗結果,LBP/ENT算子檢測結果圖5a,其檢測結果稍優于圖5b的Canny算子、圖5c的LBP算子以及圖5d的LBP/VAR算子?？梢?LBP/ENT算子對斷層位置以及走勢刻畫結果更優,對speckle噪聲的抗噪性能稍優于LBP/VAR算子。

圖5 含speckle噪聲的檢測結果

綜上分析可知,LBP/ENT算子對隨機、椒鹽和speckle噪聲的抗噪性能較強; LBP/VAR和LBP/ENT算子對高斯噪聲的抗噪性能基本一致。但LBP及其拓展算子在斷層邊緣刻畫精度以及抗噪性方面都優于傳統的邊緣檢測Canny算子。這說明改進LBP/ENT對各類噪音具有更好的魯棒性和抗干擾能力。

4.2 含氣煙囪的邊緣檢測分析

天然氣水合物被認為是21世紀最可能替代石油、天然氣和煤等化石能源的潔凈能源,是目前研究的前沿和熱點。其中,地震勘探作為一種高效、經濟的天然氣水合物儲層識別技術方法,在全球海域天然氣水合物勘探開發中發揮重要作用并具有巨大的應用潛力。從地震資料上識別海底反射、氣煙囪、麻坑等是天然氣水合物的重要標志。在海上油氣勘探中,氣煙囪這種特殊的地質現象是天然氣運移路徑的主要通道,也是指示泄漏性型天然氣水合物存在的特殊標志。但由于受地震分辨率、噪聲等因素影響,氣煙囪在地震剖面上具有垂向柱狀的外形特征且橫向不連續,并且在氣煙囪內部存在反射雜亂、振幅較弱等現象(如圖6a),為后續的構造解釋及成圖帶來很大困難,甚至造成地質構造假象,從而使真實的氣藏位置難以準確識別[17]。廖晉等[18]研究了瓊東南盆地氣煙囪發育特征、成因類型及對水合物成藏的控制作用,認為該地區氣煙囪形成對水合物既能起到通道與指示作用,也有一定的破壞作用。Amir等[19]利用地震屬性(如瞬時振幅、混沌等)提高了氣煙囪識別的準確性,但氣煙囪邊緣信息仍然比較模糊,同時地震屬性的提取也受到算法、地震資料本身質量的影響,關注氣煙囪邊緣信息的識別問題報道很少。如何從地震剖面上準確識別氣煙囪的邊界,從而準確刻畫氣煙囪的位置,為后續天然氣水合物成藏、運移特征和分布規律的解釋提供可靠的基礎資料就尤為重要。筆者利用LBP、VAR、Canny、LBP/VAR和LBP/ENT方法對瓊東南盆地某測線的地震圖像為例,對比研究幾種方法對氣煙囪識別的效果,從而總結并指出可靠的氣煙囪邊緣信息識別技術方法。

圖6 含氣煙囪地震剖面檢測

各種邊緣檢測方法所得結果如圖6所示。圖6b和圖6c分別為基于LBP和VAR算子檢測到的實際地震數據信息,可以看出他們都能刻畫出基本的氣煙囪邊界信息,能很好地判斷斷層位置,但在局部對比信息上效果不明顯。圖6d為基于Canny算子檢測到的實際地震圖像,可以看出其中某些邊緣偏離了原本位置,同時圖像的灰度值變化緩慢局部信息缺失,出現空白區,導致邊緣輪廓不連續,使檢測效果受到影響。結果表明,該Canny算子用于該實際地震圖像的檢測效果不太理想。

圖6e為基于導LBP/VAR算子檢測結果,可以看出在邊緣對比度上有效信息更多,能精確地判斷出邊緣位置,但地層等邊緣在一定程度上影響了氣煙囪的主體特征?；贚BP/ENT算子檢測結果經過細化分析后的邊界位置均能判斷,對氣煙囪邊緣刻畫精度和分辨率都較高,具有相對較好的識別效果。這表明所提出LBP/ENT算子對隨機噪聲有一定的抗噪性,有利于氣煙囪的判斷。在瓊東南盆地實際地震圖像處理中,進一步驗證了該方法能更好地識別出氣煙囪等特殊地質體的邊緣信息,為進一步精細刻畫瓊東南盆地的氣煙囪邊緣位置提供了一種新思路。后期將根據識別的氣煙囪的特征,結合地質、測井和鉆井等資料對天然氣水合物儲層分布、成藏特征、水合物類型等做進一步深入研究。

5 結 論

針對地震圖像的斷層、氣煙囪等特殊地質體的邊緣檢測需求,筆者提出了改進的LBP/ENT算子融合的邊緣檢測方法,并與LBP、VAR、LBP/VAR和Canny邊緣檢測算子進行對比,以及添加隨機、椒鹽、高斯和speckle噪聲等進行分析,利用理論和含氣煙囪的地震圖像驗證了所提出的LBP/VAR方法能很好地抑制噪聲,提高斷層、氣煙囪等邊緣檢測的精度,并得到以下結論。

1) LBP/ENT算子檢測通用的Marmousi斷層模型,結果表明經過細化能增強斷層的邊緣特征信息,能凸顯出斷層兩側同相軸的差異,并且對小斷層的邊緣刻畫也更加清晰。

2) 對Marmousi模型添加4種不同類型噪聲并進行測試,結果表明LBP/ENT算子對椒鹽和speckle噪聲的抗噪性能較強; LBP/VAR算子和LBP/ENT算子對高斯噪聲的抗噪性能基本一致?？梢?LBP/ENT斷層邊緣刻畫精度以及抗噪性方面都優于傳統的邊緣檢測Canny算子和單一的LBP或VAR算子。

3) 對含氣煙囪的地震圖像進行氣煙囪邊緣信息檢測,結果表明LBP/ENT算子進行優化使其檢測結果更佳,檢測結果經過細化均能得到較強的氣煙囪邊緣特征信息。