本發(fā)明涉及一種地震相干體斷層識(shí)別領(lǐng)域，尤其涉及基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法及系統(tǒng)。

背景技術(shù)：

地震相干解譯是實(shí)現(xiàn)地質(zhì)斷層位置及屬性分析的最主要技術(shù)。然而，由于地震數(shù)據(jù)野外采集過(guò)程中不可避免的會(huì)存在由于設(shè)備、環(huán)境及人為等外在因素，以及這些外在因素對(duì)不同地質(zhì)結(jié)構(gòu)的作用所產(chǎn)生的復(fù)雜干擾及噪聲等影響，而這些影響造成的數(shù)據(jù)降質(zhì)往往是非線性的。為此，地震斷層圖像中地層背景及斷層目標(biāo)數(shù)據(jù)往往為不規(guī)則分布的復(fù)雜數(shù)據(jù)。面對(duì)這種復(fù)雜數(shù)據(jù)，傳統(tǒng)的基于圖像邊緣檢測(cè)/輪廓提取、圖像分割/目標(biāo)提取等方法很難實(shí)現(xiàn)斷層的準(zhǔn)確識(shí)別及定位，往往需要較多的人工編輯工作。另外,地震相干體圖像中斷層與背景類數(shù)據(jù)比例不平衡,背景數(shù)據(jù)稀疏性像對(duì)較好,而斷層相對(duì)較復(fù)雜,為自動(dòng)斷層識(shí)別帶來(lái)了一定的困難。

考慮到機(jī)器學(xué)習(xí)等人工智能方法已經(jīng)在信號(hào)與信息處理相關(guān)的各個(gè)學(xué)科及領(lǐng)域中都得到了較好的應(yīng)用。特別是，集成學(xué)習(xí)方法對(duì)訓(xùn)練數(shù)據(jù)的先驗(yàn)分布沒(méi)有進(jìn)行任何假設(shè)，對(duì)數(shù)據(jù)分布情況具有很強(qiáng)的魯棒性。該類方法通過(guò)直接工作于輸入數(shù)據(jù)的概率空間，能夠有效解決類別不平衡、屬性不均勻的分類任務(wù)。顯然，有必要從分類的角度開(kāi)展集成學(xué)習(xí)方法在地震相干體斷層識(shí)別中的應(yīng)用技術(shù)。

因此，現(xiàn)有技術(shù)中的缺陷是，現(xiàn)有的地震相干體圖像中地震斷層方法，由于斷層分布不規(guī)則、斷層形狀復(fù)雜多變、斷層與背景數(shù)據(jù)比例不平衡等造成斷層的自動(dòng)識(shí)別與提取的結(jié)果不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述技術(shù)問(wèn)題，本發(fā)明提供一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法及系統(tǒng)，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，運(yùn)用分類網(wǎng)絡(luò)對(duì)圖像塊進(jìn)行分類，可使斷層的自動(dòng)識(shí)別與提取的結(jié)果更準(zhǔn)確。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供的技術(shù)方案是：

第一方面，本發(fā)明提供一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法，包括：

步驟s1，獲取地震相干體斷層圖像中的圖像塊，所述圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

步驟s2，通過(guò)預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對(duì)圖像塊進(jìn)行分類，得到分類結(jié)果，所述分類網(wǎng)絡(luò)由多個(gè)分類器構(gòu)成，所述分類網(wǎng)絡(luò)通過(guò)adaboost算法學(xué)習(xí)獲得；

步驟s3，根據(jù)所述分類結(jié)果，實(shí)現(xiàn)對(duì)所述地震相干體斷層圖像的自動(dòng)識(shí)別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法，其技術(shù)方案是：獲取地震相干體斷層圖像中的圖像塊，所述圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；通過(guò)預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對(duì)圖像塊進(jìn)行分類，得到分類結(jié)果，所述分類網(wǎng)絡(luò)由多個(gè)分類器構(gòu)成，所述分類網(wǎng)絡(luò)通過(guò)adaboost算法學(xué)習(xí)獲得；根據(jù)所述分類結(jié)果，實(shí)現(xiàn)對(duì)所述地震相干體斷層圖像的自動(dòng)識(shí)別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，運(yùn)用分類網(wǎng)絡(luò)對(duì)圖像塊進(jìn)行分類，可使斷層的自動(dòng)識(shí)別與提取的結(jié)果更準(zhǔn)確。

進(jìn)一步地，所述分類網(wǎng)絡(luò)的訓(xùn)練過(guò)程為：

選取n個(gè)離線訓(xùn)練樣本形成第一訓(xùn)練樣本，對(duì)所述第一訓(xùn)練樣本的學(xué)習(xí)得到第一個(gè)弱分類器，所述離線訓(xùn)練樣本為地震相干體斷層圖像中的圖像塊；

將所述第一個(gè)弱分類器中分錯(cuò)的樣本和其他離線訓(xùn)練樣本構(gòu)成第二個(gè)訓(xùn)練樣本，通過(guò)對(duì)所述第二個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第二個(gè)弱分類器，所述第二個(gè)訓(xùn)練樣本由n個(gè)離線訓(xùn)練樣本構(gòu)成；

將所述第一個(gè)弱分類器和第二個(gè)弱分類器中都分錯(cuò)的樣本和其他離線訓(xùn)練樣本構(gòu)成第三個(gè)訓(xùn)練樣本，通過(guò)對(duì)所述第三個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第三個(gè)弱分類器，形成三個(gè)二類分類器構(gòu)成的分類網(wǎng)絡(luò)，所述第三個(gè)訓(xùn)練樣本由n個(gè)離線訓(xùn)練樣本構(gòu)成。

進(jìn)一步地，所述步驟s2，具體為：

通過(guò)所述分類網(wǎng)絡(luò)中的分類器對(duì)圖像塊進(jìn)行分類，得到經(jīng)每個(gè)分類器處理后的圖像塊；

計(jì)算所述圖像塊與所述經(jīng)每個(gè)分類器處理后的圖像塊之間的相似度，得到多個(gè)相似度；

根據(jù)所述多個(gè)相似度，計(jì)算每個(gè)分類器的投票結(jié)果；

根據(jù)所述投票結(jié)果，得到分類結(jié)果，所述分類結(jié)果為多次累積投票結(jié)果最大的類。

進(jìn)一步地，所述圖像塊的尺寸為3*3、5*5、7*7和9*9中的至少一種。

進(jìn)一步地，所述圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。

第二方面，本發(fā)明提供了一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別系統(tǒng)，包括：

圖像塊獲取模塊，用于獲取地震相干體斷層圖像中的圖像塊，所述圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

圖像塊分類模塊，用于通過(guò)預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對(duì)圖像塊進(jìn)行分類，得到分類結(jié)果，所述分類網(wǎng)絡(luò)由多個(gè)分類器構(gòu)成，所述分類網(wǎng)絡(luò)通過(guò)adaboost算法學(xué)習(xí)獲得；

斷層圖像自動(dòng)識(shí)別模塊，用于根據(jù)所述分類結(jié)果，實(shí)現(xiàn)對(duì)所述地震相干體斷層圖像的自動(dòng)識(shí)別。

本發(fā)明提供的基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別系統(tǒng)，其技術(shù)方案為：先通過(guò)圖像塊獲取模塊，用于獲取地震相干體斷層圖像中的圖像塊，所述圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

接著通過(guò)圖像塊分類模塊，用于通過(guò)預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對(duì)圖像塊進(jìn)行分類，得到分類結(jié)果，所述分類網(wǎng)絡(luò)由多個(gè)分類器構(gòu)成，所述分類網(wǎng)絡(luò)通過(guò)adaboost算法學(xué)習(xí)獲得；最后通過(guò)斷層圖像自動(dòng)識(shí)別模塊，用于根據(jù)所述分類結(jié)果，實(shí)現(xiàn)對(duì)所述地震相干體斷層圖像的自動(dòng)識(shí)別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別系統(tǒng)，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，運(yùn)用分類網(wǎng)絡(luò)對(duì)圖像塊進(jìn)行分類，可使斷層的自動(dòng)識(shí)別與提取的結(jié)果更準(zhǔn)確。

進(jìn)一步地，所述圖像塊分類模塊，具體用于訓(xùn)練分類網(wǎng)絡(luò)，具體為：

選取n個(gè)離線訓(xùn)練樣本形成第一訓(xùn)練樣本，對(duì)所述第一訓(xùn)練樣本的學(xué)習(xí)得到第一個(gè)弱分類器，所述離線訓(xùn)練樣本為地震相干體斷層圖像中的圖像塊；

將所述第一個(gè)弱分類器中分錯(cuò)的樣本和其他離線訓(xùn)練樣本構(gòu)成第二個(gè)訓(xùn)練樣本，通過(guò)對(duì)所述第二個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第二個(gè)弱分類器，所述第二個(gè)訓(xùn)練樣本由n個(gè)離線訓(xùn)練樣本構(gòu)成；

將所述第一個(gè)弱分類器和第二個(gè)弱分類器中都分錯(cuò)的樣本和其他離線訓(xùn)練樣本構(gòu)成第三個(gè)訓(xùn)練樣本，通過(guò)對(duì)所述第三個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第三個(gè)弱分類器，形成三個(gè)二類分類器構(gòu)成的分類網(wǎng)絡(luò)，所述第三個(gè)訓(xùn)練樣本由n個(gè)離線訓(xùn)練樣本構(gòu)成。

進(jìn)一步地，所述圖像塊分類模塊，具體用于：

通過(guò)所述分類網(wǎng)絡(luò)中的分類器對(duì)圖像塊進(jìn)行分類，得到經(jīng)每個(gè)分類器處理后的圖像塊；

計(jì)算所述圖像塊與所述經(jīng)每個(gè)分類器處理后的圖像塊之間的相似度，得到多個(gè)相似度；

根據(jù)所述多個(gè)相似度，計(jì)算每個(gè)分類器的投票結(jié)果；

根據(jù)所述投票結(jié)果，得到分類結(jié)果，所述分類結(jié)果為多次累積投票結(jié)果最大的類。

進(jìn)一步地，所述圖像塊的尺寸為3*3、5*5、7*7和9*9中的至少一種。

進(jìn)一步地，所述圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明具體實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)具體實(shí)施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹。

圖1示出了本發(fā)明實(shí)施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法的流程圖；

圖2示出了本發(fā)明實(shí)施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法的多類分類網(wǎng)絡(luò)示意圖；

圖3示出了本發(fā)明實(shí)施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別系統(tǒng)的示意圖。

具體實(shí)施方式

下面將結(jié)合附圖對(duì)本發(fā)明技術(shù)方案的實(shí)施例進(jìn)行詳細(xì)的描述。以下實(shí)施例僅用于更加清楚地說(shuō)明本發(fā)明的技術(shù)方案，因此只是作為示例，而不能以此來(lái)限制本發(fā)明的保護(hù)范圍。

實(shí)施例一

圖1示出了本發(fā)明實(shí)施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法的流程圖；如圖1所示，實(shí)施例一提供的一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法，包括：

步驟s1，獲取地震相干體斷層圖像中的圖像塊，圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

步驟s2，通過(guò)預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對(duì)圖像塊進(jìn)行分類，得到分類結(jié)果，分類網(wǎng)絡(luò)由多個(gè)分類器構(gòu)成，分類網(wǎng)絡(luò)通過(guò)adaboost算法學(xué)習(xí)獲得；

步驟s3，根據(jù)分類結(jié)果，實(shí)現(xiàn)對(duì)地震相干體斷層圖像的自動(dòng)識(shí)別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法，其技術(shù)方案是：獲取地震相干體斷層圖像中的圖像塊，圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；通過(guò)預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對(duì)圖像塊進(jìn)行分類，得到分類結(jié)果，分類網(wǎng)絡(luò)由多個(gè)分類器構(gòu)成，分類網(wǎng)絡(luò)通過(guò)adaboost算法學(xué)習(xí)獲得；根據(jù)分類結(jié)果，實(shí)現(xiàn)對(duì)地震相干體斷層圖像的自動(dòng)識(shí)別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別方法，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)地震相干體圖像形成的訓(xùn)練集，訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)分類網(wǎng)絡(luò)，分類網(wǎng)絡(luò)的分類能力更強(qiáng)。

通過(guò)分類網(wǎng)絡(luò)，改變斷層分布不規(guī)則、斷層形狀復(fù)雜多變、斷層與背景數(shù)據(jù)的分布，根據(jù)每次訓(xùn)練集中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改過(guò)權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來(lái)，作為最后的決策分類器。使用adaboost分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特征，并放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。通過(guò)不斷的訓(xùn)練，可以提高對(duì)數(shù)據(jù)的分類能力。本發(fā)明運(yùn)用經(jīng)adaboost訓(xùn)練得到的分類網(wǎng)絡(luò)對(duì)圖像塊進(jìn)行分類，可使斷層的自動(dòng)識(shí)別與提取的結(jié)果更準(zhǔn)確。

參見(jiàn)圖2，分類網(wǎng)絡(luò)的訓(xùn)練過(guò)程為：

選取n個(gè)離線訓(xùn)練樣本形成第一訓(xùn)練樣本，對(duì)第一訓(xùn)練樣本的學(xué)習(xí)得到第一個(gè)弱分類器，離線訓(xùn)練樣本為地震相干體斷層圖像中的圖像塊；

將第一個(gè)弱分類器中分錯(cuò)的樣本和其他離線訓(xùn)練樣本構(gòu)成第二個(gè)訓(xùn)練樣本，通過(guò)對(duì)第二個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第二個(gè)弱分類器，第二個(gè)訓(xùn)練樣本由n個(gè)離線訓(xùn)練樣本構(gòu)成；

將第一個(gè)弱分類器和第二個(gè)弱分類器中都分錯(cuò)的樣本和其他離線訓(xùn)練樣本構(gòu)成第三個(gè)訓(xùn)練樣本，通過(guò)對(duì)第三個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第三個(gè)弱分類器，形成三個(gè)二類分類器構(gòu)成的分類網(wǎng)絡(luò)，第三個(gè)訓(xùn)練樣本由n個(gè)離線訓(xùn)練樣本構(gòu)成。

通過(guò)不斷的訓(xùn)練，得到如圖2所示的三個(gè)二類分類器，構(gòu)成分類網(wǎng)絡(luò)，對(duì)斷層圖像塊進(jìn)行分類，得到更準(zhǔn)確的分類結(jié)果，進(jìn)而使斷層的自動(dòng)識(shí)別與提取的結(jié)果更準(zhǔn)確。

具體地，步驟s2具體為：

通過(guò)分類網(wǎng)絡(luò)中的分類器對(duì)圖像塊進(jìn)行分類，得到經(jīng)每個(gè)分類器處理后的圖像塊；

計(jì)算圖像塊與經(jīng)每個(gè)分類器處理后的圖像塊之間的相似度，得到多個(gè)相似度；

其中，計(jì)算圖像塊與經(jīng)每個(gè)分類器處理后的圖像塊之間的相似度的具體過(guò)程為：

在概率論和統(tǒng)計(jì)理論中，hellinger距離被用來(lái)度量?jī)蓚€(gè)概率分布的相似度，因此計(jì)算圖像塊到各類樣本平均圖像塊灰度高斯分布擬合的hellinger距離來(lái)表示圖像塊與經(jīng)每個(gè)分類器處理后的圖像塊之間的相似度，其hellinger距離的計(jì)算公式為：

其中為當(dāng)前圖像塊灰度高斯分布擬合參數(shù)；為第i類樣本平均圖像塊灰度高斯分布擬合參數(shù)。

根據(jù)多個(gè)相似度，計(jì)算每個(gè)分類器的投票結(jié)果；

通過(guò)以下公式計(jì)算得到投票結(jié)果：

其中vk＝{vk(i)}為第k個(gè)二類分類器的投票值；

根據(jù)投票結(jié)果，得到分類結(jié)果，分類結(jié)果為多次累積投票結(jié)果最大的類。

具體地，圖像塊的尺寸為3*3、5*5、7*7和9*9中的至少一種。

根據(jù)相關(guān)研究發(fā)現(xiàn)地震相干體圖像中斷層邊緣像素的最小描述尺度為3*3，而圖像邊緣的完整表示往往需要9*9的圖像塊尺度，為此，本發(fā)明中分別選取了3*3、5*5、7*7和9*9幾個(gè)尺度來(lái)選取樣本圖像塊。

優(yōu)選地，經(jīng)實(shí)驗(yàn)進(jìn)一步對(duì)比結(jié)果可知，如果圖像塊過(guò)小，如3*3，則分類結(jié)果中會(huì)出現(xiàn)連續(xù)斷層被分裂開(kāi)的現(xiàn)象，而如果圖像塊過(guò)大，如9*9，則實(shí)驗(yàn)結(jié)果中會(huì)出現(xiàn)斷層邊緣及斷層體均有膨脹的效果。只有在圖像塊大小選擇適中，如5*5或7*7的情況下，最終的分類結(jié)果才能準(zhǔn)確識(shí)別斷層體和斷層邊緣。因此本發(fā)明中優(yōu)選的圖像塊的尺寸為5*5或7*7。

優(yōu)選地，圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。

考慮樣本數(shù)據(jù)的代表性和對(duì)應(yīng)類別的稀疏度問(wèn)題，即背景數(shù)據(jù)稀疏性像對(duì)較好,而斷層相對(duì)較復(fù)雜的情況，本發(fā)明圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。這樣可解決斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊數(shù)量不平衡，導(dǎo)致斷層的自動(dòng)識(shí)別與提取的結(jié)果不準(zhǔn)確的問(wèn)題。

圖3示出了本發(fā)明實(shí)施例所提供的一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別系統(tǒng)的示意圖。如圖3所示，本發(fā)明提供了一種基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別系統(tǒng)10，包括：

圖像塊獲取模塊101，用于獲取地震相干體斷層圖像中的圖像塊，圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

圖像塊分類模塊102，用于通過(guò)預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對(duì)圖像塊進(jìn)行分類，得到分類結(jié)果，分類網(wǎng)絡(luò)由多個(gè)分類器構(gòu)成，分類網(wǎng)絡(luò)通過(guò)adaboost算法學(xué)習(xí)獲得；

斷層圖像自動(dòng)識(shí)別模塊103，用于根據(jù)分類結(jié)果，實(shí)現(xiàn)對(duì)地震相干體斷層圖像的自動(dòng)識(shí)別。

本發(fā)明提供的基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別系統(tǒng)10，其技術(shù)方案為：先通過(guò)圖像塊獲取模塊，用于獲取地震相干體斷層圖像中的圖像塊，圖像塊包括斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊；

接著通過(guò)圖像塊分類模塊，用于通過(guò)預(yù)先訓(xùn)練的分類網(wǎng)絡(luò)，對(duì)圖像塊進(jìn)行分類，得到分類結(jié)果，分類網(wǎng)絡(luò)由多個(gè)分類器構(gòu)成，分類網(wǎng)絡(luò)通過(guò)adaboost算法學(xué)習(xí)獲得；最后通過(guò)斷層圖像自動(dòng)識(shí)別模塊，用于根據(jù)分類結(jié)果，實(shí)現(xiàn)對(duì)地震相干體斷層圖像的自動(dòng)識(shí)別。

本發(fā)明的基于adaboost算法的地震相干體圖像斷層自動(dòng)識(shí)別系統(tǒng)，采用了集成學(xué)習(xí)的方法訓(xùn)練分類網(wǎng)絡(luò)，adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)地震相干體圖像形成的訓(xùn)練集，訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)分類網(wǎng)絡(luò)，分類網(wǎng)絡(luò)的分類能力更強(qiáng)。

通過(guò)分類網(wǎng)絡(luò)，改變斷層分布不規(guī)則、斷層形狀復(fù)雜多變、斷層與背景數(shù)據(jù)的分布，根據(jù)每次訓(xùn)練集中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改過(guò)權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來(lái)，作為最后的決策分類器。使用adaboost分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特征，并放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。通過(guò)不斷的訓(xùn)練，可以提高對(duì)數(shù)據(jù)的分類能力。本發(fā)明運(yùn)用經(jīng)adaboost訓(xùn)練得到的分類網(wǎng)絡(luò)對(duì)圖像塊進(jìn)行分類，可使斷層的自動(dòng)識(shí)別與提取的結(jié)果更準(zhǔn)確。

參見(jiàn)圖2，圖像塊分類模塊102，具體用于訓(xùn)練分類網(wǎng)絡(luò)，具體為：

選取n個(gè)離線訓(xùn)練樣本形成第一訓(xùn)練樣本，對(duì)第一訓(xùn)練樣本的學(xué)習(xí)得到第一個(gè)弱分類器，離線訓(xùn)練樣本為地震相干體斷層圖像中的圖像塊；

將第一個(gè)弱分類器中分錯(cuò)的樣本和其他離線訓(xùn)練樣本構(gòu)成第二個(gè)訓(xùn)練樣本，通過(guò)對(duì)第二個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第二個(gè)弱分類器，第二個(gè)訓(xùn)練樣本由n個(gè)離線訓(xùn)練樣本構(gòu)成；

將第一個(gè)弱分類器和第二個(gè)弱分類器中都分錯(cuò)的樣本和其他離線訓(xùn)練樣本構(gòu)成第三個(gè)訓(xùn)練樣本，通過(guò)對(duì)第三個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第三個(gè)弱分類器，形成三個(gè)二類分類器構(gòu)成的分類網(wǎng)絡(luò)，第三個(gè)訓(xùn)練樣本由n個(gè)離線訓(xùn)練樣本構(gòu)成。

通過(guò)不斷的訓(xùn)練，得到如圖2所示的三個(gè)二類分類器，構(gòu)成分類網(wǎng)絡(luò)，對(duì)斷層圖像塊進(jìn)行分類，得到更準(zhǔn)確的分類結(jié)果，進(jìn)而使斷層的自動(dòng)識(shí)別與提取的結(jié)果更準(zhǔn)確。

具體地，圖像塊分類模塊102，具體用于：

通過(guò)分類網(wǎng)絡(luò)中的分類器對(duì)圖像塊進(jìn)行分類，得到經(jīng)每個(gè)分類器處理后的圖像塊；

計(jì)算圖像塊與經(jīng)每個(gè)分類器處理后的圖像塊之間的相似度，得到多個(gè)相似度；

其中，計(jì)算圖像塊與經(jīng)每個(gè)分類器處理后的圖像塊之間的相似度的具體過(guò)程為：

在概率論和統(tǒng)計(jì)理論中，hellinger距離被用來(lái)度量?jī)蓚€(gè)概率分布的相似度，因此計(jì)算圖像塊到各類樣本平均圖像塊灰度高斯分布擬合的hellinger距離來(lái)表示圖像塊與經(jīng)每個(gè)分類器處理后的圖像塊之間的相似度，其hellinger距離的計(jì)算公式為：

其中為當(dāng)前圖像塊灰度高斯分布擬合參數(shù)；為第i類樣本平均圖像塊灰度高斯分布擬合參數(shù)。

根據(jù)多個(gè)相似度，計(jì)算每個(gè)分類器的投票結(jié)果；

通過(guò)以下公式計(jì)算得到投票結(jié)果：

其中vk＝{vk(i)}為第k個(gè)二類分類器的投票值；

根據(jù)投票結(jié)果，得到分類結(jié)果，分類結(jié)果為多次累積投票結(jié)果最大的類。

具體地，圖像塊的尺寸為3*3、5*5、7*7和9*9中的至少一種。

根據(jù)相關(guān)研究發(fā)現(xiàn)地震相干體圖像中斷層邊緣像素的最小描述尺度為3*3，而圖像邊緣的完整表示往往需要9*9的圖像塊尺度，為此，本發(fā)明中分別選取了3*3、5*5、7*7和9*9幾個(gè)尺度來(lái)選取樣本圖像塊。

優(yōu)選地，經(jīng)實(shí)驗(yàn)進(jìn)一步對(duì)比結(jié)果可知，如果圖像塊過(guò)小，如3*3，則分類結(jié)果中會(huì)出現(xiàn)連續(xù)斷層被分裂開(kāi)的現(xiàn)象，而如果圖像塊過(guò)大，如9*9，則實(shí)驗(yàn)結(jié)果中會(huì)出現(xiàn)斷層邊緣及斷層體均有膨脹的效果。只有在圖像塊大小選擇適中，如5*5或7*7的情況下，最終的分類結(jié)果才能準(zhǔn)確識(shí)別斷層體和斷層邊緣。因此本發(fā)明中優(yōu)選的圖像塊的尺寸為5*5或7*7。

優(yōu)選地，圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。

考慮樣本數(shù)據(jù)的代表性和對(duì)應(yīng)類別的稀疏度問(wèn)題，即背景數(shù)據(jù)稀疏性像對(duì)較好,而斷層相對(duì)較復(fù)雜的情況，本發(fā)明圖像塊中的斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊的選取比例為3：2：1。這樣可解決斷層體圖像塊、斷層邊緣圖像塊和斷層背景圖像塊數(shù)量不平衡，導(dǎo)致斷層的自動(dòng)識(shí)別與提取的結(jié)果不準(zhǔn)確的問(wèn)題。

最后應(yīng)說(shuō)明的是：以上各實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求和說(shuō)明書的范圍當(dāng)中。