基于连续平行坐标的多属性地震数据可视分析方法

李佳明, 杨 阳

(1.成都理工大学 环境与土木工程学院， 成都 610059； 2.电子科技大学 通信与信息工程学院，成都 611731)

基于连续平行坐标的多属性地震数据可视分析方法

李佳明1, 杨 阳2

(1.成都理工大学 环境与土木工程学院， 成都 610059； 2.电子科技大学 通信与信息工程学院，成都 611731)

单属性地震数据体绘制具有信噪比低、特征不明显的缺点，传统的基于平行坐标的多属性地震数据融合体绘制的可视分析方法克服了单属性的缺陷，但是参数调节繁琐、并且不一定能凸显目标特征。针对传统平行坐标可视分析所存在的传递函数设计困难且不能精确找到目标特征的缺点，提出了一种基于连续平行坐标的可视分析方法。通过绘制连续平行坐标，更精确地展示多属性数据之间的关联关系，并通过用户采样等交互操作自动设置多维传递函数，更精确刻画目标特征，并省去繁琐的传递函数调节操作。通过实际多属性地震数据测试，该方法能有效寻找到目标特征，并提高绘制效果。

多属性； 体绘制； 传递函数； 可视分析

0 引言

地震属性分析就是将地震数据分解成多种的属性信息，基于此结合地震资料，把这些属性信息进行分析，进而转换成与地下构造、含油气性、岩性等相关储层特征信息，从而提高储层预测的精度。地震属性分析技术最早开始于20世纪60年代末，伴随着数字化地震记录仪的出现和“亮点”直接烃类检测被广泛应用，地震属性分析技术应运而生，并逐步发展起来。

1982年地震属性模式识别和多属性分析技术开始逐步利用，地震属性最早开始用于地质目标的定量描述。Conticini[1]通过地震属性聚类来描述相，从而通过地震属性在空间上刻画地质沉积特征分布的情况；Aminzade等[2]也进行了多地震属性的“聚合”研究，利用多个不同属性联合，来描述地质特征；Russel等[3]明确地提出了地震多属性分析的概念，完善了应用于地震属性分析的有监督的神经网络模式；Addy[4]将地震道振幅划分出10种不同的波形，并且利用神经网络聚类的方法描述，进而刻画目标特征。

21世纪来，纹理和曲率等服务于地震地貌学的形态属性或几何属性，开始逐步用于地震属性分析。Roberts[5]首次利用沿层曲率来表示地下构造信息。曲率属性相比于其他地震属性，对于小断层、裂缝等这类小尺度地质目标更加敏感，但是人工拾取反射层位的误差对这种方式影响很大，对操作人员的要求较高。AL-Dossary等[6]针对上述缺陷提出了解决方案，通过利用三维体数据，求取分波数的曲率属性，通过测试，展现了更好的应用效果；Gao等[7]在SEG年会上提出了弯曲度，它是一种沿着倾角和方位角方向的曲率的梯度，对于断裂形态的地质特点有很好的表达效果。

近年来，多属性颜色融合技术成为了一种广泛采纳的多属性地震数据解释的可视化技术。Liu等[8]从频域出发，将低、中、高三个频段的地震属性映射到RGB颜色通道，提出基于余弦变换的RGB颜色融合技术；Guo等[9]对基于视觉显示的多种颜色融合技术进行总结，将这些方法从原理、流程、效果的角度进行对比；Lu等[10]从体绘制的角度出发，提出了一种多属性地震数据的融合体绘制方法，对于地震解释取得了不错的效果。

1 方法原理

1.1 连续平行坐标基本原理

平行坐标的一个很好的特征是整个图的构造可以分成用于2-D数据的几个独立的平行坐标系的构造，每个数据从2-D散点图中产生，然后通过将平行轴连续地放置在平面上形成最终的绘图。对于m维数据，这导致m-1个独立的平行坐标系的计算。散点图称之为数据域，数据域中的一个点可以映射为平行坐标域中的一条线，而如果将数据域中的一条直线投影到平行坐标域中，会发现这条直线上的各个点投影在平行坐标域中相交于平行坐标域中的一个点，称作点-线二元性。

图1 平行坐标几何模型Fig.1 Geometry of parallel coordinates

根据JulianHeinric[11]，平行坐标域中点η:(η1,η2)的密度可以表示为：

(1)

其中:σ表示数据域中的密度。因此，对于平行坐标域上每一个点的密度，可以通过寻找到它对应在数据域中的直线并对这条直线的密度进行积分求解。我们的重点是如何构建数据域的密度图，数据域的密度图，它可以表征这两种属性之间的关联关系，也是得到连续平行坐标图的前提。我们把数据域分为几类，输入数据都是三维体数据(n=3)，称为空间域；第二个域为数据域，代表多属性在二维空间的投影，所以它的维度为m=2。从第一个域映射到第二个域的映射方式表达为式(2)。

τ:Rn→Rm

(2)

利用σ来定义数据域中点密度，由于体数据是空间上均匀的网格数据。我们用V来描述在空间域的每个最小的小六面体单元的体积，它可以映射到数据域为Φ=τ(V)，Φ有连续的密度，它的密度表达为式(3)。

(3)

如图2所示，我们可以很容易将这种投影方式应用到多属性地震数据中，多属性数据是一种体数据，是由均匀的网格划分，每个网格点有多个属性值。对于两个属性数据体，六面体上的每个顶点都有两个属性值，我们在数据域为这两个属性分别建立一个坐标轴，将这八个点分别按照属性值投影到数据域的坐标系内,投影完成后得到Φ。我们利用Φ的外接矩形的面积来表示Φ的大小(图2)。

图2 空间域投影到数据域Fig.2 Project from data domain to spatial domain

数据域密度图绘制算法需要对体数据中所有小六面体执行上述操作。由于原始数据中有很多均匀的区域，为了减少这些均匀区域的绘制次数，提高算法效率，我们利用八叉树分级的思想来加速处理，利用整个体数据作为根节点，构建八叉树结构。这样，我们不用判断所有的最小的六面体节点，如果当前节点已经满足门限要求，则直接绘制当前节点，不再向下遍历。

我们在预处理阶段构建八叉树，在八叉树的遍历阶段完成整个数据域的绘制。对于有n个属性的数据体，最终生成n-1个二维纹理。数据域的绘制算法流程如图3所示。

图3 密度图绘制流程Fig.3 Density map drawing process

利用GLSL语言在GPU中进行加速绘制连续平行坐标。首先，我们为连续平行坐标生成一个二维纹理，在片元着色器中，判断属于哪两个属性轴之间，并利用这两个坐标轴代表的两个属性的数据域密度图纹理作为输入，根据前面描述的连续平行坐标域密度模型，找到当前纹理坐标对应在数据域密度图纹理上的线，并对这条线进行等间隔采样，将采样点的密度进行叠加，得到密度η。最后根据η的大小在色表中进行映射，得到当前片元的颜色。

1.2 传递函数设置原理

根据多属性数据的属性数目对切片绘制窗口进行均匀划分，在每个属性数据对应的位置进行切片绘制。在切片绘制窗口设置了针对每个属性数据的滑动条，用户可以拖动滑动条，从而改变切片编号，对应编号的切片将实时绘制出来；同时用户可以设置切片方向。这样用户可以根据需求，更改切片方向和切片号，直到在属性切片绘制的图像中找到明显的特征。

在用户预览之后，用户可以对认为是特征的区域进行采样，从而得到这些区域的体素。用户可以在任意属性的切片绘制图像中绘制任意曲线，利用曲线框选用户认为是特征的区域，最后通过这些屏幕坐标到属性数据实际体素的坐标的变换，得到框选的区域所代表的一系列体素坐标。

采样之后，先将这些采样的体素用平行坐标进行可视化，在采样体素的可视化结果中进行框选操作，框选每个属性坐标轴上面我们认为是特征的区域。为了在最终的体绘制结果中凸显特征区域，对于每一维的传递函数，我们根据框选的范围来设定，每个属性轴上被框选中的区域所代表的数据范围的不透明度设置为“1”，没有被框选到的设置为“0”。

2 实现流程

可视分析流程如图4所示。它是一种多视图的方法包括①构建多维传递函数视图；②多属性数据切片绘制视图；③体绘制视图。其中多维传递函数视图通过绘制连续平行坐标展示多属性数据的关联关系以及各自的分布规律，并作为传递函数生成的交互界面；多属性数据切片绘制视图对各个属性的切片进行绘制展示，并提供交互操作，用户可以在这个视图上移动切片并框选感兴趣的区域，从而对代表目标特征的体素进行采样；体绘制视图用于对最终结果进行可视化展示。

图4 可视分析流程Fig.4 Visual analysis process

3 应用实例

仿真实验基于windows7操作系统，4G内存，2.6GHz双核GPU，利用Nvidia的GeForce210显卡。主要编程语言为C++，并利用OpenGL和Qt库进行仿真平台的搭建。

实验数据来自JG河道的实际三维地震勘测数据，我们利用4个属性数据体进行仿真①混沌属性；②相干属性；③倾角属性；④断层属性。这4个属性数据体表示同样的区域，分辨率都是201*301*29。

3.1 连续平行坐标绘制

由于地震数据体规模较大，如果利用离散的平行坐标进行绘制，则坐标轴之间的线太多，用户无法观察各个属性之间的关联关系。如图5所示，连续平行坐标不会因为数据规模而影响绘制效果，用户可以根据它很好地分析各个属性之间的关联关系以及各自的分布情况。

图5 连续平行坐标Fig.5 Continuous parallel coordinates

图6 属性切片绘制视图Fig.6 Attribute slice drawing view

3.2 多属性切片绘制

以往的可视分析方法，在进行平行坐标可视化多属性数据后，用户根据平行坐标的可视化结果进行交互操作，并设计传递函数，完成体绘制。然而，平行坐标可视化结果往往不会形成很好的分类效果，仅仅凭借平行坐标去设计传递函数具有很大的盲目性，需要用户根据最终的体绘制结果迭代地修改传递函数，直到达到自己满意的效果，参考信息过少，效率很低。为了增加提取过程中的参考信息，利用多属性切片绘制视图(图6)来对属性数据进行预览，并设计交互工具来提取用户认为是特征的体素，利用这些体素的信息来设置传递函数。

3.3 传递函数设计

采样之后，我们就可以根据采样得到的体素信息去设置传递函数，利用平行坐标来设置多维传递函数。在3.1节中，我们利用交互的方式，并通过计算得到一系列特征体素的坐标，为了生成传递函数，我们首先将这些体素的坐标利用平行坐标进行可视化(图7)。

在图7中的可视化结果中进行框选操作，框选每个属性坐标轴上面我们认为是特征的区域。每个属性轴上被框选中的区域所代表的数据范围的不透明度设置为“1”，没被框选到的设置为“0”。

3.3 体绘制结果分析

利用混沌属性数据体绘制得到的结果(图8)可以依稀看到一条地下河道，河道构造完整，但是边界很模糊，清晰度不高。利用倾角属性体绘制得到的结果(图9)能够较好地展示河道的边界信息，但是有部分河道断开的情况，而且在局部也出现了粘连的情况，造成结果失真。这也是由于单个地震数据体绘制只是从某一个方面去强化地震构造的特性，无法从整体上宏观表达地质构造，从而造成地震解释资料的浪费、显示内容的区分度低、信噪比低的局限性。利用前面所描述的体绘制方法更好地展示了地下河道的信息，去除了很多噪声，消除了局部粘连的干扰，使得绘制得到的河道边界更加清晰(图10)。

图8 混沌属性体绘制结果Fig.8 Volume rendering results of chaos value

图9 倾角属性体绘制结果Fig.9 Volume rendering results of dip value

图10 本方法体绘制结果Fig.10 Volume rendering results of this paper

4 结论

由于单属性地震数据信噪比低、边界不明显的特点，我们利用多种地震属性数据，通过多属性数据关联分析和属性切片绘制分析，用户采样，从而自动化设计多维传递函数，在实际地震数据测试中，更精确提取了地质目标特征，取得了良好的效果。

[1]CONTICINIF.Seismicfaciesquantitativeanalysis:Newtoolinstratigraphicinterpretation[C]. 54thAnnualInternationalMeeting.SEG.ExpandedAbstracts,1984:680-682.

[2]AMINZADEHF.,S.CHATTERJEE.Applicationsofclusteranalysisinexplorationseismology[J].Geoexploration,1984,23(1):147-159.

[3]RUSSELLB.,D.HAMPSON,J.SCHUELKE,etal.attributeseismicanalysis[J].TheLeadingEdge,1997,16:1439-1443.

[4]ADDYS.K..AttributeanalysisinEdwardslimestoneinLavacacount'.Texas[C]. 67thAnnualInternationalMeeting.SEG.ExpandedAbstracts，1997: 737-740.

[5]ROBERTSA.Curvatureattributesandtheirapplicationto3-Dinterpretedhorizons[J].FirstBreak, 2001,19(2): 85一100.

[6]A1-DOSSARYS.,K.J.MARFURT. 3Dvolumetricmultispectralestimatesofreflectorcurvatureandrotation[J].Geophysics,2006, 71(5): 41-51.

[7]GAOD.,T.WILSON,L.ZHU,K.J.MARFURT.3DseismiccurvatureandflexureforunconventionalfracturedreservoircharacterizationatTeapotDome(Wyoming) [C].81thAnnualInternationalMeeting.SEG.ExpandedAbstracts,2011:1145-1148.

[8]LIUJ.,K.J.MARFURT.Multicolordisplayofspectralattributes[J].TheLeadingEdge,2007,26(3):268-271.

[9]GUOH.,S.LEWIS,K.J.MARFURT.Mappingmultipleattributestothree-andfour-componentcolormodels一Atutorial[J].Geophysics,2008,73(3):7-19.

[10]CAILU,MINGKAIYUAN,QIWANG,etal.Applicationofmulti-attributesfusedvolumerenderingtechniquesin3Dseismicinterpretation[C].SEGDenver2014AnnualMeeting,2014:1609-1613.

[11]HEINRICHJ,WEISKOPFD.Continuousparallelcoordinates[J].IEEETransactionsonVisualizationandComputerGraphics, 2009, 15(6): 1531-1538.

Visual analytics of multi-attribute seismic data based on continuous parallel coordinates

LI Jiaming, YANG Yang

(1.Chengdu University of Technology,School of Environmental and Civil Engineering,Chengdu 610059， China; 2.University of Electronic Science and Technology of China,School of Communication & Information Engineering,Chengdu 611713， China)

The single-attribute seismic data volume has the disadvantages of low signal-to-noise ratio and less obvious features. The traditional visual analysis method of multi-attribute seismic data fusion based on parallel coordinates overcomes the defects of single attribute, but the parameter adjustment is cumbersome and maybe not highlight the target characteristics. In order to solve this problem, we present a multi-attribute seismic data visual analysis method based on continuous parallel coordinates in this paper. By plotting continuous parallel coordinates, we can show the relationship between multi-attribute data more accurately. Besides that, interact with each other through user sampling on attribute data slice view, we can set the multi-dimensional transfer function automatically. We can more accurately and accurately characterize the target, and eliminates the cumbersome transfer function adjustment operation. Through the actual multi-attribute seismic data test, this method can effectively find the target characteristics, and improve the rendering effect.

multi-attribute; volume rendering; transfer function; visual analytics

2017-03-03 改回日期：2017-03-21

国家自然科学基金青年科学基金(41604107)

李佳明(1994-)，男，本科，研究方向为环境工程， E-mail：1141169049@qq.com。

1001-1749(2017)03-0372-06

P 631.4

A

10.3969/j.issn.1001-1749.2017.03.12