شناسایی مرزهای کانال ها در داده های لرزه نگاری با استفاده از تبدیل کرولت و فیلترهای مورفولوژی
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر
2استاد بازنشسته موسسه ژئوفیزیک دانشگاه تهران و استاد دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر
3دانشکده مهندسی برق دانشگاه امیرکبیر
چکیده
کانال‌ها پدیده‌های مهم زمین‌شناسی در اکتشاف نفت و گاز هستند از آن جهت که می‌توانند ماهیت مخزنی یا مخرب داشته باشند. در این تحقیق از تبدیل کرولت برای بهبود کیفیت کانال‌ها در داده‌های لرزه‌نگاری استفاده شده است. بدین منظور توسط عملگر top-hat مورفولوژی، بیشینه محلی ضرایب کرولت در هر زیرباند استخراج شده است. در مرحله‌ی بعد با اعمال گرادیان مورفولوژی با استفاده از اجزاء ساختاری به طول‌ها و جهت‌های مختلف، مزرهای کانال‌ها شناسایی شده‌اند. ترکیب تبدیل کرولت و گرادیان مورفولوژی، بسیاری از لبه‌های دروغین حاصل از گرادیان مورفولوژی را حذف می‌کند. در نهایت روش پیشنهادی در این تحقیق بر یک داده‌ی واقعی حاوی کانال اعمال و نتایج آن با نتایج حاصل از الگوریتم‌های لبه‌یابی معروف مانند سوبل و Laplacian of Gaussian مقایسه شده است. روش کرولت و گرادیان مورفولوژی توانسته به خوبی لبه‌های کانال‌ها را استخراج نماید ضمن اینکه در مقایسه با روش‌های متداول نوفه‌های بسیاری را تضعیف نموده است.
کلیدواژه ها
 
Title
Channel edge detection in seismic section using curvelet transform and morphological gradient
Authors
Bahareh Boustani, Abdolrahim Javaherian, Hamidreza Amindavar
Abstract
Channels are important geological phenomena in the exploration of oil and gas because they can have a reservoir or destructive nature. In this research, the curvelet transform has been used to improve the quality of the channels in seismic data. For this purpose, by the top-hat morphological operator, the local maxima of the curvelet coefficients in each subband were extracted. In the next step, using the morphological gradient algorithm with the multi-lengths and multi-directions structuring elements, the channel boundaries were extracted. The combination of the curvelet transform with the morphological gradient eliminates many of the false edges generated by the morphological gradient from data. Finally, the proposed method in this study is applied on a real data containing channels and its results were compared with the results of known edge detection algorithms such as Sobel and Laplacian of Gaussian.
Keywords
channels, curvelet transform, top-hat operator, morphological gradient, multi-direction structuring elements