改进的局部二值法与熵结合的边缘检测算法

邱 宇,欧阳敏,胡 斌,杨文博,盖永浩,邓 聪,张文祥

(1.中海石油(中国)有限公司 湛江分公司,广东 湛江524057; 2.成都理工大学 地球物理学院,成都 610059)

0 引 言

特殊地质异常体在地震图像上存在横向不连续、同相轴错断等特殊现象,为了精确刻画这些特殊地质体的边界信息,利用基于图像处理的边缘检测算法是一种重要的方法和研究热点。边缘检测在地震资料解释、图像识别以及工业检测等领域都有广泛应用,经典的边缘检测算子有:Canny算子、Sobel算子、Roberts算子、Laplace算子、Log算子和Prewitt算子等[1]。其中Canny算子在图像边缘检测中的效果相对较好,且有一定的抗干扰能力和实际应用效果[2]。针对边缘检测算法,许多学者在传统的边缘检测算子中融入新的方法,如基于小波变换的图像边缘检测[3]、基于蚁群算法的边缘检测[4],基于局部二值模式算法的边缘检测[5]等。图像的局部二值模式(LBP:Local Binary Pattern)是由Ojala等[6]提出,并用于描述图像的纹理特征的一种算法,但该方法受图像的高频噪音影响较为严重。为改善高频噪音的影响,Ojala等[7]提出了均匀局部二值模式,在图像处理中获得了较好的应用效果。由于LBP方法在图像纹理分类、边缘检测等领域应用获得了很好的实用效果,因此得到学者们的广泛关注。并针对在具体应用中存在的不足,发展了一系列LBP的改进算法,进一步优化了LBP的应用效果。其中中心对称局部模式[8]、椭圆局部二元模式[9]和四元数局部排序二元模式[10]等改进算法在人脸识别、图像纹理分类、图像目标检测和医学图像分析等领域应用效果较好[11-12]。雷学等[5]在地震断层检测中考虑地震图像的局部二值法刻画断层的边缘信息,结合LBP和方差(VAR:Variance)算法,为识别断层提供了新思路,获得了较好的应用效果。但地震噪声、断层横向不连续等对该方法的影响较大,为克服以上问题,并为针对地质体横向不连续性提出改进的局部二值模式算法,构建一种旋转不变统一的局部二值模式; 局部熵(ENT:Entropy)能表征图像局部信息的离散特征,局部熵大的区域,图像的灰度离散度小并且比较均匀,而在局部熵小的区域,图像的灰度离散度大并且不均匀[13]。由于这种特征对图像噪声不灵敏,因此,引入局部熵算子以提高算法对地震资料噪声的鲁棒性。笔者提出一种基于LBP/ENT边缘检测算法,并应用于复杂的断层理论模型、天然气水合物的气烟囱等特殊地质体的边缘信息检测中,为地震资料特殊地质体的边缘信息检测提供一种新方法。

1 局部二值模式算子

1.1 局部二值模式

LBP是表征图像纹理分类的重要特征参数,可用于在图像识别及边缘检测中。LBP可表征图像的局部纹理特征,特别是对灰度图像的局部对比效果更为突出[6]。在利用局部二值模式提取图像的纹理特征时,常将图像转为灰度图,并用在构建的3×3区域内,用中心点与周围8点的灰度值按照一定的关系转为二进制位形式,并用二进制位表征图像局部结构的纹理特征[12]。

LBP的具体计算过程是在3×3区域内,以图像的中心位置为中心,将周围8个相邻位置的图像灰度值与中心位置的灰度值相对比,将灰度值大于设定的阈值所在位置记为1,而小于设定的阈值所在位置记为0,从而获得3×3区域内二进制数,并与相应位置的灰度值按照一定的权重进行乘积,然后再累加求和获得该邻域的LBP值,最后对每个局部的LBP信息转为十进制,获得每个中心位置的LBP特征值,进而类推获得整幅图像中每个位置对应的LBP特征值[14],详细计算过程可以参考文献[5]。

局部二值模式为

(1)

其中P为定义的领域点个数,R为半径,gp(i=0,1,2,…,P-1)为每个邻域所在位置的灰度值。其中s函数为

(2)

1.2 改进的LBP

传统的LBP一般维数较高,并且不具备旋转不变性,因此,有必要对传统的LBP进行改进,克服以上的局限性。这里构建一种旋转不变统一的局部二值模式。即中心点gc的灰度值设置为阈值,并与周围P个灰度点gp进行对比,其中gp坐标点为

gp(x,y)=(-Rsin(2πp/P),Rcos(2πp/P))。

(3)

(4)

其中

(5)

利用一个新函数U(x)重新定义局部二值模式为

(6)

2 局部熵算子

Shakoor等[15]提出了一种利用局部熵进行纹理特征提取的方法。在信息论中,熵是表示随机信号的不确定性,用于描述平均信息量。通常,信号的熵越大,其不确定性就越大。把信息熵引入图像处理中就形成了图像处理的局部熵,可用于度量图像灰度分布随机性。

对一个M×N矩形区域,f(x,y)为图像点(x,y)处的灰度值,f(x,y)>0,局部熵EENT(x,y)值为

(7)

其中gr为灰度分布,如下:

(8)

局部熵能刻画所分析的灰度图像局部离散程度的特征量,能较好地将图像的灰度离散性大和灰度发生突变的边缘检测出来。

3 边缘检测算法

3.1 LBP/VAR算子边缘检测

在利用地震图像上一些特殊地质现象,如断层、气烟囱等地质体,边缘信息表现为横向不连续性或突变,通常将LBP与局部方差VAR相结合,凸显差异性的地质图像之间的对比度。VAR算子为

(9)

其中P,R,gp与式(1)相同,μ为

(10)

其中μ为邻域采样点灰度值的期望,VAR可提供图像丰富的纹理信息,VAR值越大,说明该区域的对比度就越大,因而对应该处的编码权重就越大。将VAR融入到LBPriu2中,则兼具两者的优点,能将复杂图像横向不连续性更好的表征出来,更能凸显图像局部纹理之间的差异[14]。结合式(6)和式(9),获得LBP/VAR的表达式为

(11)

通过对地震图像的断层模型、实际断层图片的边缘检测进行应用,验证了LBP/VAR方法对地震图像的断层边缘检测效果较好[5]。笔者将利用LBP/VAR与提出的LBP/ENT进行对比研究。

3.2 LBP/ENT算子边缘检测

(12)

LBP/ENT算子的边缘检测的具体实现步骤如下。

1) 数据归一化。笔者采用统计最大、最小值归一化的方法对原始地震数据进行归一化处理,转为灰度图像。

2) 分段线性增强。对原始地震数据利用分段线性增强,主要目的是加强各部分的反差,使断层边缘更加突出,地震剖面信息更加全面。

3) 局部二值化。将线性增强后的地震数据首先进行LBP处理,根据式(4)进行计算,获得局部二值化结果。

4) 图像阈值优化。地震资料处理时,为进一步降低噪声对图像的影响,将灰度值小于50视为0,这种处理对原图的轮廓不会造成明显的失真又能排除一定的干扰。在实际地震图像处理中,可以针对LBP直方图确定LBP数值的分布范围,继而设置合适的阈值,进行阈值优化处理。

5) 计算LBP/ENT特征值。在第4)步处理的基础上,根据式(12)提取LBP/ENT相关特征值。

6) 参数优化。整个计算程序中设置为自适应的参数,对参数进行自适应优化,获得更清晰图像边缘特征。在实际图像处理中,针对不同检测对象选择的阈值有所不同。

4 应用实例

4.1 理论模型分析

为了测试LBP/ENT算子地震剖面边缘检测方法的计算效果,选择目前通用的Marmousi模型(如图1a)进行测试。利用分裂步傅立叶正演和偏移得到Marmousi模型偏移剖面,此模型道间距为12.5 m,共736道[16]。考虑到LBP算子的结构代表性,仅对如图1a中矩形框里位置进行计算,该部分断层发育,断层地址响应主要特征有:地震波同相轴的数目突然增多或消失、地震波同相轴发生错断、分叉、合并等重要标志,同时该理论模型下方还存在同相轴拐弯等现象,构成了复杂的断块系统。

图1 Marmousi模型试验

4.1.1 几种方法对比

利用Canny、LBP、VAR、LBP/VAR和LBP/ENT算子对该理论模型进行检测,得到的检测结果如图1所示。各算子均能较好地刻画出同相轴的数目突然增多或消失以及同相轴发生错断等标志,检测结果与理论模型结果一致。

其中图1b为LBP算子检测的结果,能较好地刻画出地层边缘信息,但对同相轴的判断还不够清楚。图1c为VAR算子检测结果,能较好地刻画断层、地层的边缘信息。图1d为Canny算子对图像的检测结果,其中灰度值变化缓慢的局部边缘信息丢失,出现空白区,导致边缘轮廓不连续,使断层的刻画结果受到影响。图1e、图1f分别为LBP/VAR、LBP/ENT算子的检测结果,均能检测到断层标志,如同相轴的数目突然增多或消失以及同相轴发生错断、分叉和合并等重要现象,对断层的边缘刻画较为清晰。

其中图1f对原始地震数据采用统计最大、最小值归一化的方法进行归一化处理。对归一化后的地震数据进行分段线性增强处理,主要目的是加强各部分的反差,使断层边缘更加突出,让地震剖面断层信息更易识别,断层边缘对比更加明显,更加清晰丰富,更易识别出断层位置以及走向,并能清楚看出断距大小。综上,LBP/VAR和LBP/ENT算子对Marmousi模型的检测都是行之有效的,检测结果均能很好地刻画出断层位置以及走向等信息,利于断层边缘的刻画。

4.1.2 噪声测试

为使理论断层模型尽可能与实际的地震解释剖面质量相一致,进一步验证LBP/ENT算子的抗噪性能。添加随机、高斯、椒盐以及speckle噪声并进行测试。每个算法计算时各步骤的阈值均与不加噪声时保持一致。

将图1a添加有效振幅最大值10%的随机噪声。再次利用LBP/ENT、LBP/VAR算子进行分析,结果如图2所示。从检测结果看出,LBP/ENT算子对地震数据中的纹理信息刻画较为精细,LBP/VAR检测结果的断层受噪声影响较大,甚至很难判断出边缘信息和识别出断点位置。可见,LBP/ENT算子对随机噪声的抗噪性能优于LBP/VAR算子。

将图1a添加均值为0、方差为0.001的高斯噪声。再利用每个算子识别含噪声的Marmousi模型并分析试验结果。通过分析得到,LBP/VAR算子检测的结果如图3a所示,检测效果稍优于图3b的Canny算子和图3c的LBP算子,与图3d的LBP/ENT算子检测结果较为相似。LBP/VAR算子与LBP/ENT算子对断层纹理的刻画效果基本一致,相对于另外两种方法更容易辨识断层边缘位置以及走势。LBP/VAR算子和LBP/ENT算子对高斯噪声的抗噪性能基本一致。

将图1a添加强度为0.01的椒盐噪声。再利用每个算子识别含噪声的Marmousi模型并分析试验结果。LBP/ENT算子检测的结果为图4a优于图4b的Canny算子、图4c的LBP算子以及图4d的LBP/VAR算子检测结果。可见,LBP/ENT算子对断层走势、断点位置均易于判断,对椒盐噪声的抗噪性能优于LBP/VAR算子。

将图1a添加均值为0、方差为0.005的speckle噪声。再利用每个算子识别断层并分析试验结果,LBP/ENT算子检测结果图5a,其检测结果稍优于图5b的Canny算子、图5c的LBP算子以及图5d的LBP/VAR算子。可见,LBP/ENT算子对断层位置以及走势刻画结果更优,对speckle噪声的抗噪性能稍优于LBP/VAR算子。

图5 含speckle噪声的检测结果

综上分析可知,LBP/ENT算子对随机、椒盐和speckle噪声的抗噪性能较强; LBP/VAR和LBP/ENT算子对高斯噪声的抗噪性能基本一致。但LBP及其拓展算子在断层边缘刻画精度以及抗噪性方面都优于传统的边缘检测Canny算子。这说明改进LBP/ENT对各类噪音具有更好的鲁棒性和抗干扰能力。

4.2 含气烟囱的边缘检测分析

天然气水合物被认为是21世纪最可能替代石油、天然气和煤等化石能源的洁净能源,是目前研究的前沿和热点。其中,地震勘探作为一种高效、经济的天然气水合物储层识别技术方法,在全球海域天然气水合物勘探开发中发挥重要作用并具有巨大的应用潜力。从地震资料上识别海底反射、气烟囱、麻坑等是天然气水合物的重要标志。在海上油气勘探中,气烟囱这种特殊的地质现象是天然气运移路径的主要通道,也是指示泄漏性型天然气水合物存在的特殊标志。但由于受地震分辨率、噪声等因素影响,气烟囱在地震剖面上具有垂向柱状的外形特征且横向不连续,并且在气烟囱内部存在反射杂乱、振幅较弱等现象(如图6a),为后续的构造解释及成图带来很大困难,甚至造成地质构造假象,从而使真实的气藏位置难以准确识别[17]。廖晋等[18]研究了琼东南盆地气烟囱发育特征、成因类型及对水合物成藏的控制作用,认为该地区气烟囱形成对水合物既能起到通道与指示作用,也有一定的破坏作用。Amir等[19]利用地震属性(如瞬时振幅、混沌等)提高了气烟囱识别的准确性,但气烟囱边缘信息仍然比较模糊,同时地震属性的提取也受到算法、地震资料本身质量的影响,关注气烟囱边缘信息的识别问题报道很少。如何从地震剖面上准确识别气烟囱的边界,从而准确刻画气烟囱的位置,为后续天然气水合物成藏、运移特征和分布规律的解释提供可靠的基础资料就尤为重要。笔者利用LBP、VAR、Canny、LBP/VAR和LBP/ENT方法对琼东南盆地某测线的地震图像为例,对比研究几种方法对气烟囱识别的效果,从而总结并指出可靠的气烟囱边缘信息识别技术方法。

图6 含气烟囱地震剖面检测

各种边缘检测方法所得结果如图6所示。图6b和图6c分别为基于LBP和VAR算子检测到的实际地震数据信息,可以看出他们都能刻画出基本的气烟囱边界信息,能很好地判断断层位置,但在局部对比信息上效果不明显。图6d为基于Canny算子检测到的实际地震图像,可以看出其中某些边缘偏离了原本位置,同时图像的灰度值变化缓慢局部信息缺失,出现空白区,导致边缘轮廓不连续,使检测效果受到影响。结果表明,该Canny算子用于该实际地震图像的检测效果不太理想。

图6e为基于导LBP/VAR算子检测结果,可以看出在边缘对比度上有效信息更多,能精确地判断出边缘位置,但地层等边缘在一定程度上影响了气烟囱的主体特征。基于LBP/ENT算子检测结果经过细化分析后的边界位置均能判断,对气烟囱边缘刻画精度和分辨率都较高,具有相对较好的识别效果。这表明所提出LBP/ENT算子对随机噪声有一定的抗噪性,有利于气烟囱的判断。在琼东南盆地实际地震图像处理中,进一步验证了该方法能更好地识别出气烟囱等特殊地质体的边缘信息,为进一步精细刻画琼东南盆地的气烟囱边缘位置提供了一种新思路。后期将根据识别的气烟囱的特征,结合地质、测井和钻井等资料对天然气水合物储层分布、成藏特征、水合物类型等做进一步深入研究。

5 结 论

针对地震图像的断层、气烟囱等特殊地质体的边缘检测需求,笔者提出了改进的LBP/ENT算子融合的边缘检测方法,并与LBP、VAR、LBP/VAR和Canny边缘检测算子进行对比,以及添加随机、椒盐、高斯和speckle噪声等进行分析,利用理论和含气烟囱的地震图像验证了所提出的LBP/VAR方法能很好地抑制噪声,提高断层、气烟囱等边缘检测的精度,并得到以下结论。

1) LBP/ENT算子检测通用的Marmousi断层模型,结果表明经过细化能增强断层的边缘特征信息,能凸显出断层两侧同相轴的差异,并且对小断层的边缘刻画也更加清晰。

2) 对Marmousi模型添加4种不同类型噪声并进行测试,结果表明LBP/ENT算子对椒盐和speckle噪声的抗噪性能较强; LBP/VAR算子和LBP/ENT算子对高斯噪声的抗噪性能基本一致。可见,LBP/ENT断层边缘刻画精度以及抗噪性方面都优于传统的边缘检测Canny算子和单一的LBP或VAR算子。

3) 对含气烟囱的地震图像进行气烟囱边缘信息检测,结果表明LBP/ENT算子进行优化使其检测结果更佳,检测结果经过细化均能得到较强的气烟囱边缘特征信息。