Research on the Edge Feature Enhancement of Fluvial Reservoirs Based on Image Processing
-
摘要: 河道边缘的识别是河流相储层精细描述的重点。受河道叠置、交叉，砂体厚度薄，地震信噪比、分辨率低等因素影响，传统的切片解释、相干技术难以满足精细勘探的需求，新发展的基于算子处理的边缘检测仍存在应用误区。本文以分析河道边缘的几何特征为切入点，明确一阶导数、模值及二阶导数的物理含义；建立具有不同速度特征的三维河道模型，并通过模型与实际资料相干属性的提取，指出该项技术在河道精细描述中存在的问题。针对该问题以Sobel算子为例，图解说明使用此项技术处理后河道边缘的标志性特征，提出采用直方图均衡化与模糊集理论的河道边缘相干增强技术，并取得较好的应用效果。该方法技术对深化河道边缘特征的认识，提高河流相储层识别能力，有一定的借鉴作用。Abstract: The identification of channel edge is the key aspect of fine description of fluvial reservoirs. Affected by the factors such as channel overlaying and crossing, thin sand body thickness, low seismic signal-to-noise ratio, and low resolution, the traditional slice interpretation and coherence technology can barely meet the requirements of fine exploration, and the newly developed edge detection based on operator processing still has application misconceptions. In this study, the geometric characteristics of river edges are analyzed as the entry point, and the physical meanings of first derivatives, module values, and second derivatives are clarified. Three-dimensional channel models with different velocity characteristics are established by extracting the coherence attributes of the model and real data; the existing problems of this technique in the fine description of channels are identified. To solve this problem, considering the Sobel operator as an example, the symbolic characteristics of the channel edge after using this technology are illustrated. The coherent enhancement technique for channel edge identification using histogram equalization and the fuzzy set theory is proposed, and good application results are obtained. This method can be used as reference to deepen the understanding of channel edge characteristics and improve the ability to identify fluvial reservoirs.
-
Keywords:
- fluvial reservoir /
- edge features /
- Sobel operator /
- histogram equalization /
- fuzzy enhancement
-
窗技术的合理应用在CT诊断中非常重要，特别在胸部CT。由于肺内大部分病变，如肿块、炎症、间质病变等病变及周围结构的复杂性，对临床放射医师来说，除了常规选择肺窗、纵隔窗，应用更多的窗口设置能更好的观察、诊断病变。
人工智能当前在胸部CT的应用越来越多，包括图像分割、病变检测、病变分类等领域[1]，如肺结节的检测、良性和恶性肺结节的分类、肺癌分期等。卷积神经网络（convolutional neural networks，CNN）是深度学习的一种代表性算法，它能很好的提取和组合空间特征以形成高级特征[2-5]。
目前文献中报道的人工智能对CT数据的处理一般是运用CT机扫描时的原始数据或选择其中一种窗宽窗位（常为肺窗），较少考虑到窗口设置对人工智能结果的影响。因此本研究与中国科学院计算技术研究所合作，选择了3种不同的3D CNN的算法：ResNet、ResNext以及DenseNet，并在每1种3D CNN算法中应用不同的CT窗口设置，探讨CT窗技术对3D CNN分类肺部病变结果的影响。
1. 资料与方法
1.1 一般资料
回顾性分析2013年3月至2018年3月在首都医科大学附属北京友谊医院诊断为周围型肺癌的172例患者及诊断为局灶性肺炎的185例的患者胸部CT薄层影像，分为两组：周围型肺癌组和局灶性肺炎组。其中周围型肺癌组（94名男性和78名女性，年龄范围为32～82岁；平均年龄为63岁）均经手术后病理证实（病理类型包括腺癌、鳞状细胞癌和小细胞癌）；局灶性肺炎组（85名男性和100名女性，年龄范围为8～96岁；平均年龄为44岁）均经抗炎治疗后复查实变病变吸收。
所有患者选择胸部CT平扫图像（非增强检查），CT扫描参数：CT扫描仪为GE Discovery CT 750 HD，扫描仪参数为120 kVp，5 mm准直采集，螺距为0.984～1，重建厚度为1.25 mm，或飞利浦iCT，扫描仪参数为120 kVp，5 mm准直采集，螺距为0.915，重建厚度为1.25 mm。每幅图像的像素分辨率为512×512。
5种窗口设置（窗宽，窗位）：肺窗（1500，-600）；纵隔窗（350，40）；自定义窗口1（SW1）（1000，40）；自定义窗口2（SW2）（1000，-100）；全窗（4096，1024）。自定义窗口1（SW1）是选择和纵隔窗相同的窗位，然后扩大窗宽为1000；自定义窗口2（SW2）是选择和SWI相同的窗宽1000，窗位定为 -100；全窗是将CT扫描及DICOM图像存储的原始数据CT值范围为-1024～3071 HU换算成的窗宽窗位（4096，1024）。5种窗口设置下的病变显示见图1。
![]()
图 1 不同窗口设置时对病灶的显示不同：（a）～（e）左肺上叶周围型肺癌（腺癌）；（f）～（j）右肺下叶局灶性肺炎（a）和（f）肺窗；（b）和（g）纵隔窗；（c）和（h）SW1；（d）和（i）SW2；（e）和（j）全窗Figure 1. Different display of lesions in different windows: (a)~(e) is the same patient, diagnosed as peripheral lung cancer in the upper lobe of the left lung (pathological examination shows adenocarcinoma); (f)~(j) is the same patient, diagnosed as focal pneumonia in the lower lobe of the right lung1.2 3D CNN的设置
本研究与中国科学院计算技术研究所合作，对图像进行预处理，并选择3种不同的3D CNN的算法：ResNet、ResNext以及DenseNet。
本研究的图像预处理是在三维图像空间中进行，步骤包括：①高斯去噪，应用sigma为0.5的高斯滤波器，将图像的背景噪声去除；②肺分割，使用基于阈值的方法进行粗略肺分割；③对齐及缩放，根据肺实质区域的分割结果得到肺实质区域的边界框，将输入大小统一设置为（96，64，96）。
ResNet网络的超参数：使用Adam优化器，初始学习率为0.0001，β1=0.9，β2=0.999，权值衰减为0.001。所有实验都经过200个epochs的训练。计算机配备Intel Core i7-8700 CPU和NVIDIA GTX1080 ti GPU，深度学习平台为PyTorch。网络构建：主干使用18层的3D ResNet网络（图2），最后，利用一个全局池化层和一个具有两个输出的全连接层，将病例分为两类：周围型肺癌与局灶性肺炎。为了避免训练数据的过度拟合，在最后一个全连接层之前使用一个比率为0.5的dropout层[6]。
![]()
图 2 3D ResNet网络构建主干使用18层的3D ResNet网络，在每个卷积块中，有1个卷积层（其参数在图中列出）、1个批标准化（Batch Normalization）层和1个ReLu激活层，图中的第1个参数“3×3×3”表示3D内核大小，第3个参数“64、128、256、512”表示通道数，最后1个参数“/2”表示步长为2的池层。Figure 2. 3D ResNet network designResNext网络及DenseNet分别为50层的主干及121层的主干，并保持其他训练参数与ResNet的参数相同。
ResNext对于ResNet中的每一个模块（Block）进行多次重复之后再对结果求和，该构建块的不同重复单元具有相同的网络拓扑结构以减轻网络结构设计负担。与ResNet相比，它增加了重复次数这一新维度，即基数（Cardinality），作为深度和宽度维度之外的重要因素[7]（图3）。
![]()
相比ResNet，DenseNet引入密集连接机制。每个层都会将前面所有层作为其输入。图4表示DenseNet的密集连接机制。网络的每一层都会与前面所有层在通道维度连接在一起，并作为下一层的输入[8]。
1.3 统计分析
使用IBM SPSS 19进行数据分析，进行5倍交叉验证，计算分类准确率，绘制受试者工作特征曲线（receiver operating characteristic curve，ROC），统计曲线下面积（area under curve，AUC）。使用medcalc 19.1版本Delong测试进行ROC曲线的两两对比，统计Z值及P值，并以P＜0.05为差异具有统计学意义。
2. 结果
本研究将整个数据集随机分成5个部分，进行5倍交叉验证，结果表明3种神经网络之间的分类诊断效能没有太大差异，总体来说ResNext的性能稍差，DenseNet的性能稍好。在窗口设置方面，ResNet的平均分类准确率最低为纵隔窗；平均分类准确率最高为全窗。ResNext的平均分类准确率最低为纵隔窗；平均分类准确率最高为全窗。DenseNet的平均分类准确率最低为纵隔窗；平均分类准确率最高为自定义窗口2（表1～表3）ROC曲线图见图5～图7。
表 1 ResNet 5个窗口设置的5倍交叉验证的分类准确率（％）及AUC结果Table 1. Classification accuracy (%) and AUC results of 5-fold cross validation of 5 window settings in ResNet窗口 （WW，WL） Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 平均分类准确率/％ AUC 肺窗 （1500，−600） 87.50 88.73 91.55 91.55 93.06 90.478 0.929 纵隔窗 （350，40） 80.56 87.32 90.14 85.92 84.72 85.732 0.871 SW1 （1000，40） 86.11 92.96 88.73 91.55 90.28 89.926 0.918 SW2 （1000，−100） 87.50 92.96 90.14 91.55 90.28 90.486 0.923 Full （4096，1024） 87.50 90.14 90.14 94.37 95.83 91.596 0.946 表 2 ResNext 5个窗口设置的5倍交叉验证的分类准确率（％）及AUC结果Table 2. Classification accuracy (%) and AUC results of 5-fold cross validation of 5 window settings in ResNext窗口 （WW，WL） Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 平均分类准确率/％ AUC 肺窗 （1500，−600） 84.72 80.14 87.32 88.73 87.50 85.682 0.896 纵隔窗 （350，40） 77.78 83.10 81.69 84.51 80.56 81.528 0.814 SW1 （1000，40） 86.11 85.92 88.73 85.92 84.72 86.280 0.881 SW2 （1000，−100） 84.72 88.73 83.10 85.92 87.50 85.994 0.878 Full （4096，1024） 83.33 91.55 85.92 87.32 84.72 86.568 0.882 表 3 DenseNet 5个窗口设置的5倍交叉验证的分类准确率（％）及AUC结果Table 3. Classification accuracy (%) and AUC results of 5-fold cross validation of 5 window settings in DenseNet窗口 （WW，WL） Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 平均分类准确率/％ AUC 肺窗 （1500，−600） 87.50 91.55 92.96 94.37 93.06 91.888 0.944 纵隔窗 （350，40） 88.89 87.32 91.55 84.51 87.50 87.954 0.906 SW1 （1000，40） 94.44 94.37 90.14 90.14 93.06 92.430 0.932 SW2 （1000，−100） 93.06 95.77 91.55 91.55 94.44 93.274 0.951 Full （4096，1024） 91.67 92.96 90.14 94.37 94.44 92.716 0.941 将ResNet网络的5种窗口下的ROC曲线进行了两两对比，结果如下：肺窗与纵隔窗AUC的值比较有统计意义（Z=3.099，P=0.002）；肺窗与SW1之间（Z=0.800，P=0.424）、肺窗与SW2之间（Z=0.478，P=0.633）、肺窗与全窗之间（Z=1.811，P=0.072）的AUC值比较均无统计学意义。纵隔窗与SW1（Z=2.884，P=0.004）、纵隔窗与SW2（Z=2.869，P=0.004）、纵隔窗与全窗（Z=4.115，P=0.000）之间的AUC值比较均有统计学意义。SW1与SW2之间无统计学意义（Z=0.376，P=0.707）。SW1与全窗之间有统计学意义（Z=2.043，P=0.041），SW2与全窗之间无统计学意义（Z=1.705，P=0.088）。
将ResNext网络的5种窗口下的ROC曲线进行了两两对比，结果如下：肺窗与纵隔窗AUC的值比较有统计意义（Z=4.161，P=0.000）；肺窗与SW1之间（Z=0.918，P=0.358）、肺窗与SW2之间（Z=1.210，P=0.226）、肺窗与全窗之间（Z=1.079，P=0.2806）的AUC值比较均无统计学意义。纵隔窗与SW1（Z=3.652，P=0.000）、纵隔窗与SW2（Z=3.265，P=0.000）、纵隔窗与全窗（Z=3.336，P=0.001）之间的AUC值比较均有统计学意义。SW1与SW2之间无统计学意义（Z=0.177，P=0.860）。SW1与全窗之间有统计学意义（Z=0.0338，P=0.969，SW2与全窗之间无统计学意义（Z=0.210，P=0.834）。
将DensNet网络的5种窗口下的ROC曲线进行了两两对比，结果如下：肺窗与纵隔窗AUC的值比较有统计意义（Z=2.332，P=0.020）；肺窗与SW1之间（Z=0.962，P=0.336）、肺窗与SW2之间（Z=0.659，P=0.510）、肺窗与全窗之间（Z=294，P=0.769）的AUC值比较均无统计学意义。纵隔窗与SW1（Z=2.193，P=>0.028）、纵隔窗与SW2（Z=2.854，P=0.004）之间的AUC值比较均有统计学意义。纵隔窗与全窗（Z=1.951，P=0.051）的AUC值比较无统计学意义。SW1与SW2之间无统计学意义（Z=1.583，P=0.116）。SW1与全窗之间有统计学意义（Z=0.617，P=0.537），SW2与全窗之间无统计学意义（Z=0.866，P=0.389）。
3. 讨论
本研究应用了3种不同的3D CNN的算法及5种CT窗口设置，初步探讨CT窗技术对人工智能分类肺部病变结果的影响。
由于人体不同组织间CT值有差异，而人眼仅能识别16灰阶，因此合理应用窗技术在CT检查中非常重要。特别在胸部CT，既要观察低密度的含气肺组织（CT值约 -700至 -1000 HU），又要观察中等密度的软组织（CT值约30～80 HU），以及高密度的骨组织（CT值约150～1000 HU以上）。在临床胸部影像读片过程中，至少要采用肺窗、纵隔窗来分别观察肺野和纵隔。其中肺窗能清楚显示病变边缘及周围肺组织，但对病变内部结构显示不佳，纵隔窗对病变内部结构及纵隔结构显示清晰，但对病变的边缘及周围肺组织显示不佳。如图1所示，不同的窗口设置对病变的显示范围不同，在肺窗下病变的边缘、毛刺、磨玻璃等结构显示比纵隔窗要清晰，但对病变内部结构显示不如纵隔窗[9-11]。
本研究选用了5种不同的窗宽窗位：考虑到CT机扫描时及DICOM图像存储的CT值范围为-1024～3071 HU，换算成窗宽窗位为（4096，1024）（本研究称之为全窗），除了选择全窗和常规的肺窗（1500，-600）、纵隔窗（350，40）以外，还自定义了两个窗宽窗位：自定义窗口1（SW1）和自定义窗口2（SW2）。其中SW1由纵隔窗转换而来，本研究选择和纵隔窗相同的窗位（40），然后扩大窗宽为1000（在临床影像读片过程中，我们发现SW1在一定程度上可以兼顾观察到病灶的边缘和病变密度的差异）。SW2是SW1的类似转变，窗宽仍为1000，然后将窗位定为 -100（在临床影像读片过程中，我们发现肺内实性病变的CT值比软组织密度要低，因此将SW2的窗位定为 -100 HU，本研究认为SW2与SW1一样，可以在一定程度上兼顾观察到病灶的边缘和病变密度的差异）。
卷积神经网络是深度学习技术的一种模型，卷积神经网络的关键思想在于多层堆叠、局部连接、权值共享和池化，将单层的卷积神经网络进行多次堆叠，前一层的输出作为后一层的输入，便构成卷积神经网络；CNN中的层与层之间不再是全连接的，而是局部连接的，这样可以大大简化模型的复杂度，减少参数的数量[12-13]。CNN目前可以应用于胸部CT多个方面，包括肺组织分割、肺结节检测、肺部病变的分类等,网络结构也趋于3D化。本研究选择了3种3D CNN网络模型：ResNet、ResNext以及DenseNet，这3种网络均为深度学习常用网络结构。
本研究选择的3种神经网络之间的分类准确率及诊断效能没有太大差异，总体来说ResNext的性能稍差，DenseNet的性能稍好。在窗口设置方面，ResNet的平均分类准确率最低为纵隔窗85.732％，AUC值为0.871；平均分类准确率最高为全窗，达91.596％，AUC值为0.946。ResNext的平均分类准确率最低为纵隔窗81.528％，AUC值为0.814；平均分类准确率最高为全窗，达86.568％，AUC值为0.882。DenseNet的平均分类准确率最低为纵隔窗87.954％，AUC值为0.906；平均分类准确率最高为自定义窗口2，达93.274％，AUC值为0.951。本研究还将3种3D CNN的5种窗口下的ROC曲线进行了两两对比发现，纵隔窗与肺窗、纵隔窗与SW1、纵隔窗与SW2之间的AUC值比较均有统计学意义，而其余4种窗口设置之间结果大多没有显著差异，也就是说纵隔窗设置下的AUC值结果最差。根据公式，CT图像显示的强度范围为“窗位+1/2窗宽～窗位 -1/2窗宽”，可以计算出5个窗口设置下对应的的图像强度：肺窗[-1350，150]；纵隔窗[-135，215]；自定义窗口1（SW1）[-460，540]；自定义窗口2（SW2）[-600，400]；全窗图像的强度将保持原始范围[-1024，3071]。由于肺实性病变CT值约 -300～50 HU，磨玻璃病变CT值约 -700～-300 HU[14-15]，由此可以发现全窗、肺窗及SW2这3种窗口设置能比较好的覆盖住肺实质以及病变的CT值范围，而纵隔窗和SW1这2种窗口设置并没有完全覆盖住如磨玻璃病变的CT值范围。而本研究结果也表明在纵隔窗下3D CNN的分类效果最差，我们认为其原因可能是在纵隔窗设置下，所覆盖的CT图像显示的强度范围窄，可能会去除一部分有价值的信息，而其他4种窗口下所覆盖的CT图像显示的强度范围相对来说能提供足够的信息。
然而由于本研究的样本量不大，窗口设置的选择以参考文献和临床经验为主，并且数据采集选用了不同机器，参数设置会有一定差异，此外还有待多中心的研究，进一步提高结果的可靠性。
总之，CT窗口设置对人工智能分类肺部病变结果有影响，不同的窗口设置下人工智能对肺部病变的分类准确率及诊断效能有差异，本研究认为在未来人工智能研究中应该适当加入CT窗技术的研究。
-
![]()
图 1 河道边缘几何特征与数学含义
Figure 1. Geometric characteristics and mathematical implication of the channel edge
![]()
图 3 模型相干切片与原始振幅切片比较
Figure 3. Comparison between model coherence and original amplitude slices
![]()
图 4 实际资料相干切片与原始振幅切片比较
Figure 4. Comparison between coherence and original amplitude slices of the actual data
![]()
图 5 Sobel算子及核函数解析图
Figure 5. Analytical diagram of the Sobel operator and kernel function
![]()
图 6 理论模型Sobel算子处理及效果比较
Figure 6. Sobel operator processing and effect comparison of the theoretical model
![]()
图 7 实际资料Sobel算子处理及效果比较
Figure 7. Sobel operator processing and effect comparison of the actual data
![]()
图 8 理论模型灰度均衡化处理前后切片及直方图对比
Figure 8. Comparison of slices and histograms before and after grayscale equalization of the theoretical model
![]()
图 9 理论模型图像模糊增强处理及效果对比
Figure 9. Image fuzzy enhancement processing and effect comparison of the theoretical model
![]()
图 10 实际资料图像处理前后相干切片对比
Figure 10. Comparison of coherent slices before and after image processing of the actual data
表 1 特征值相干不同表征公式
Table 1 Different characterization formulas of eigenvalue coherence
时间 作者 表征公式 物理含义 1999 Gersztenkorn
和Marfurt${C_{31}} = \displaystyle \dfrac{{{\lambda _1}}}{{\sum\limits_{j = 1}^J {{\lambda _j}} }}$ 用最大特征值在所有特征值中的占比来表示相干 2000 Randen等 ${C_{32} } = \displaystyle \dfrac{ {2{\lambda _2} } }{ { {\lambda _1} + {\lambda _3} } } - 1 = \dfrac{ { {\lambda _2} - {\lambda _3} - ( { {\lambda _1} - {\lambda _2} } )} }{ { {\lambda _1} + {\lambda _3} } }$ 被称为“chaos”的相干属性 2002 Bakker ${C_{33} } = \displaystyle \dfrac{ {2{\lambda _2}( { {\lambda _2} - {\lambda _3} })} }{ {( { {\lambda _1} + {\lambda _2} } )( { {\lambda _2} + {\lambda _3} } )} }$ 重点考虑第2特征值和第3特征值的差异 2007 Donias等 ${C_{34} } = 1 - \displaystyle \dfrac{3}{2}\dfrac{ { {\lambda _2} + {\lambda _3} } }{ { {\lambda _1} + {\lambda _2} + {\lambda _3} } } = \dfrac{ { {\lambda _1} - {\lambda _2} + {\lambda _1} - {\lambda _3} } }{ {2( { {\lambda _1} + {\lambda _2} + {\lambda _3} } )} }$ “disorder”相干属性 2017 Wu ${C_{35}} = \displaystyle \dfrac{{{\lambda _1}{{ - }}{\lambda _2}}}{{{\lambda _1}}}$ 利用第1特征值和第2特征值的差异 
下载: 导出CSV
-
[1] 于建国, 林春明, 王金铎, 等. 曲流河沉积亚相的地震识别方法[J]. 石油地球物理勘探, 2003,38(5): 547−551. doi: 10.3321/j.issn:1000-7210.2003.05.017 YU J G, LIN C M, WANG J D, et al. Seismic identification of meandering channel sedimentary subfacies[J]. Oil Geophysical Prospecting, 2003, 38(5): 547−551. (in Chinese). doi: 10.3321/j.issn:1000-7210.2003.05.017
[2] 张军华, 李琴, 王延光, 等. 用相干体识别古河道及实际应用[J]. 科学技术与工程, 2020,20(35): 14431−14439. doi: 10.3969/j.issn.1671-1815.2020.35.013 ZHANG J H, LI Q, WANG Y G, et al. Recognition of paleo-river channels by coherence cube and the application[J]. Science Technology and Engineering, 2020, 20(35): 14431−14439. (in Chinese). doi: 10.3969/j.issn.1671-1815.2020.35.013
[3] 张运龙, 丁峰, 尹成, 等. 基于地震波形结构属性识别河流相砂体叠置区[J]. 石油学报, 2018,39(7): 792−801. ZHANG Y L, DING F, YIN C, et al. The identification of sand-body superimposed area based on seismic waveform structure attributes[J]. Acta Petrolei Sinica, 2018, 39(7): 792−801. (in Chinese).
[4] 张军华, 刘杨, 林承焰, 等. 甜点地震属性理论诠释及应用[J]. 石油地球物理勘探, 2018,53(2): 355−360. doi: 10.13810/j.cnki.issn.1000-7210.2018.02.017 ZHANG J H, LIU Y, LIN C Y, et al. Theoretical annotation and application of sweetness[J]. Oil Geophysical Prospecting, 2018, 53(2): 355−360. (in Chinese). doi: 10.13810/j.cnki.issn.1000-7210.2018.02.017
[5] 马跃华, 吴蜀燕, 白玉花, 等. 利用谱分解技术预测河流相储层[J]. 石油地球物理勘探, 2015,50(3): 502−509. MA Y H, WU S Y, BAI Y H, et al. River sedimentary microfacies prediction based on spectral decomposition[J]. Oil Geophysical Prospecting, 2015, 50(3): 502−509. (in Chinese).
[6] 丁峰, 胡光义, 尹成, 等. 基于地质信息约束的概率神经网络地震反射模式预测方法[J]. 中国海上油气, 2018,30(1): 127−131. DING F, HU G Y, YIN C, et al. A method under the constraint of geological information for prediction of seismic reflection patterns with probabilistic neural network[J]. China Offshore Oil and Gas, 2018, 30(1): 127−131. (in Chinese).
[7] 束宁凯, 苏朝光, 石晓光, 等. 胜利埕岛极浅海油田薄储集层地震描述及流体识别[J]. 石油勘探与开发, 2021,48(4): 768−776. doi: 10.11698/PED.2021.04.09 SHU N K, SU C G, SHI X G, et al. Seismic description and fluid identification of thin reservoirs in Shengli Chengdao extra-shallow sea oil field[J]. Petroleum Exploration and Development, 2021, 48(4): 768−776. (in Chinese). doi: 10.11698/PED.2021.04.09
[8] 李俊山, 李旭辉. 数字图像处理[M]. 北京: 清华大学出版社, 2013. LI J S, LI X H. Digital image Processing[M]. Beijinag: Tsinghua University Press, 2013. (in Chinese).
[9] 马承杰. 多尺度边缘检测技术在断层识别及裂缝发育带预测中的应用−以车排子地区排 691井区为例[J]. 油气地质与采收率, 2021,28(2): 85−90. MA C J. Application of multi-scale edge detection technology to fault recognition and fracture zone prediction: A case study of Block Well P691, Chepaizi area[J]. Petroleum Geology and Recovery Efficiency, 2021, 28(2): 85−90. (in Chinese).
[10] CHOPRA S, MARFURT K J. Volumetric fault image enhancement-some applications[J]. Interpretation, 2017, 5(2): T151−T161. doi: 10.1190/INT-2016-0129.1
[11] 宋建国, 孙永壮, 任登振. 基于结构导向的梯度属性边缘检测技术[J]. 地球物理学报, 2013,56(10): 3561−3571. doi: 10.6038/cjg20131031 SONG J G, SUN Y Z, REN D Z. Edge detection technique based on structure-directed gradient attribute[J]. Chinese Journal Geophys, 2013, 56(10): 3561−3571. (in Chinese). doi: 10.6038/cjg20131031
[12] 许辉群, 桂志先, 孙赞东. 边缘检测技术在地震属性中的应用[J]. 石油地球物理勘探, 2011,46(1): 126−128. XU H Q, GUI Z X, SUN Z D. Application of edge detection technique in seismic attribute analysis[J]. Oil Geophysical Prospecting, 2011, 46(1): 126−128. (in Chinese).
[13] 刘传奇, 宋俊亭, 薛明星. 边缘检测技术在砂体连通研究中的应用[J]. 地球物理学进展, 2021,21(2): 1−8. LIU C Q, SONG J T, XUE M X. Application of edge detection technology in sand connectivity research[J]. Progress in Geophysics, 2021, 21(2): 1−8. (in Chinese).
[14] 周连敏, 何书梅, 赵郁文, 等. 复合曲流河道内的单河道识别[J]. 石油地球物理勘探, 2019,54(1): 175−181. doi: 10.13810/j.cnki.issn.1000-7210.2019.01.020 ZHOU L M, HE S M, ZHAO Y W, et al. Single channel identification in a meandering river with compound channels[J]. Oil Geophysical Prospecting, 2019, 54(1): 175−181. (in Chinese). doi: 10.13810/j.cnki.issn.1000-7210.2019.01.020
[15] 张军华. 储层地震精细描述方法及应用研究[M]. 青岛: 中国石油大学出版社, 2022. ZHANG J H. Research on reservoir seismic fine description methods and their applications[M]. Qingdao: China University of Petroleum Press, 2022. (in Chinese).
[16] PAL S K, KING R A. Image enhancement using fuzzy sets[J]. Electronics Letters, 1980, 16(10): 376−378. doi: 10.1049/el:19800267
-
期刊类型引用(1)
1. 李梦雨，段诗苗，张雷，周咏春. 提高肺SBRT精度的多窗位动态组合诊疗手段. 中国CT和MRI杂志. 2024(04): 63-65 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 1223
- HTML全文浏览量: 169
- PDF下载量: 63
- 被引次数: 2
