[发明专利]地震数据层状特征增强体绘制方法

权利要求书

1.地震数据层状特征增强体绘制方法，其特征在于，包括以下步骤：

S1、判断采样点是否为极值点；

S2、若采样点不是极值点，则放弃该采样点继续判断下一个采样点；若采样点是极值点，则进一步判断该极值点是否为噪声点，如果不是噪声点，则保留该极值点并将该极值点绘制显示出来；若采样点是噪声点，则消除该噪声点，噪声点消除采用基于密度的噪声消除方法或者基于相关系数的噪声消除方法；

所述的基于相关系数的噪声消除方法原理为：地震体数据每道数据之间的具有高度相关的特性，如果存在噪声点，则相关系数值必然下降，所以当采样点(x,y,z)为极值点时，统计该极值点所属的那道数据与周围每道数据的线性相关系数，最终统计线性相关系数高的总道数；所述的基于相关系数的噪声消除方法的具体步骤如下：

S221、选取有极值点的单道数据，提取该单道数据内所有点的体素值；

S222、提取其余单道数据内所有点的体素值，并计算有极值点的单道数据体素值与其他每一个单道数据体素值之间的线性相关系数；

S223、判断S222得到的线性相关系数与预设的阈值系数的大小，如果线性相关系数大于阈值系数，则两个单道数据相关系数高；

S224、统计与有极值点的单道数据相关系数高的单道数据总个数，并判断该总个数是否大于预设的阈值MinPts，如果总个数大于阈值MinPts，则该单道数据上的极值点不是噪声点，否则该极值点为噪声点；

S225、消除该噪声点。

2.根据权利要求1所述的地震数据层状特征增强体绘制方法，其特征在于，所述的基于密度的噪声消除方法具体实现方法为：判断极值点所在的单道数据周围至少1个单道数据内的极值点的个数，如果周围极值点的个数大于预设的阈值，则该极值点就判为噪声点；具体包括以下子步骤：

S211、将需要判断的极值点数据作为原点，在原点所在的单道数据向四周扩展至少1个单道数据范围，提取样本的单道数据；

S212、在每个单道数据中，以原点为中心，提取原点周围的样本点，统计所有样本点中极值点的总个数N，如果N大于预设的阀值MinPts，说明原点不是噪声点，否则是噪声点；

S213、消除噪声点。

3.根据权利要求2所述的地震数据层状特征增强体绘制方法，其特征在于，所述的步骤S213中判断原点是否为噪声点的具体代价函数g(x,y,z,k,N)如下所示：

其中：表示判断原点是否为极值点的函数；MinPts是一个预设的阈值，是一个正整数；k为预设的正整数；

其中，

或者，

的值为1，表示当前取样点为极值点，其中，公式(2)表示极值点为极大值点，公式(3)表示极值点为极小值点，0值表示非极值点；f(x,y,z)表示当前采样点的幅值，k值为取样点在z方向上的间隔，由用户预先设置；

公式(4)为计算当前采样点为极值点的情况下，周围极值点的个数，N表示原点坐标x,y,z方向扩展范围，是一个用户预先设置的整数；

当某原点符合条件(2)或(3)，即为极值点，且该极值点周围极值点的个数大于MinPts时，代价值为g(x,y,z,k,N)＝1，该点不是噪声点，否则消除该点。

4.根据权利要求1所述的地震数据层状特征增强体绘制方法，其特征在于，所述步骤S224中判断该极值点是否为噪声点的代价函数为：

ρ(x,y,z)统计的是当前极值点所述的单道数据与周围相关系数高的单道数据的总个数，具体计算公式如下：

$\mathrm{\ρ}(x,y,z)=\underset{\mathrm{\Δ}x,\mathrm{\Δ}y,\mathrm{\Δ}z=-N}{\overset{N}{\Σ}}\mathrm{\ω}(x,y,x+\mathrm{\Δ}x,y+\mathrm{\Δ}y,z)---\left(6\right)$

其中ω(x,y,z)代表有极值点的单道数据体素值与其他每一个单道数据体素值之间的线性相关系数的函数：

$\mathrm{\ω}(x1,x2,y1,y2,z)=\left\{\begin{array}{cc}1& \left|\mathrm{\γ}(x1,x2,y1,y2,z)\right|\>\mathrm{\α}\\ 0& else\end{array}\right.---\left(7\right)$

α为用户预先设置的阈值系数；

γ为线性相关系数，其计算公式为：

$\mathrm{\γ}=\frac{\underset{i=1}{\overset{2N+1}{\Σ}}(m_i-\stackrel{\‾}{m})(n_i-\stackrel{\‾}{n})}{\sqrt{\underset{i=1}{\overset{2N+1}{\Σ}}{(m_i-\stackrel{\‾}{m})}^2}\sqrt{\underset{i=1}{\overset{2N+1}{\Σ}}{(n_i-\stackrel{\‾}{n})}^2}}=\frac{\underset{i=-N}{\overset{N}{\Σ}}\left(f\right(x1,y1,z+N)-\stackrel{\‾}{m})\left(f\right(x2,y2,z+N)-\stackrel{\‾}{n})}{\sqrt{\underset{i=1}{\overset{N}{\Σ}}{\left(f\right(x1,y1,z+N)-\stackrel{\‾}{m})}^2}\sqrt{\underset{i=1}{\overset{N}{\Σ}}{\left(f\right(x2,y2,z+N)-\stackrel{\‾}{n})}^2}}$

其中m_i表示当前单道数据在z方向某时间窗[z-N,z+N]内，某采样点的体素值f(x,y,z+N)；表示当前单道数据在z方向某时间窗[z-N,z+N]内所有采样点的体素值的平均值；n_i表示相邻单道数据在z方向某时间窗[z-N,z+N]内，某采样点的体素值；表示相邻单道数据在z方向某时间窗[z-N,z+N]内所有采样点的体素值平均值；(x1,y1)表示当前单道数据的x,y坐标，(x2,y2)表示相邻单道数据的x,y坐标；N为用户预先设置的常数。