《基于图像纹理分析的海域磁异常分区-王明明.pdf》由会员分享，可在线阅读，更多相关《基于图像纹理分析的海域磁异常分区-王明明.pdf（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第45卷第5期2017年5月同济大学学报(自然科学版)J0l瓜NAIOF卫)N研I IJNERSITY(NA矾J王iAISCID4CE)V0145 No5May 2017文章编号：0253374X(2017)05一0776一06 DOI：1011908ji豁n0253374x201705021基于图像纹理分析的海域磁异常分区王明明，耿德祥，吴健生(同济大学海洋地质国家重点实验室，上海200092)摘要：将图像纹理分析技术应用于海洋磁异常资料的分区，采用Gabor滤波器和灰度共生矩阵相结合的图像纹理分析方法，提取海洋磁异常的纹理特征信息，通过0KMs聚类算法实现不同纹理特征区域磁异常场的分区模型
2、试验结果表明，利用Gabor滤波器和灰度共生矩阵相结合的图像纹理分析方法可有效提取磁异常的纹理特征信息，对磁异常纹理特征信息的聚类分区取得较好效果实际应用于加罗林海域磁异常的分区结果显示，加罗林海域可分为11个磁异常区块，分区结果与条带磁异常区和岩浆活动区对应较好，该方法为海洋磁异常的分区解释提供了参考依据关键词：海洋；磁异常分区；图像纹理分析；Gabor滤波器；灰度共生矩阵(GLCM)中图分类号：P7383 文献标志码：AMarine MagIIetic Anomly Partition Based onIHIa|黔T旺ture Analysis燃腼彬锄，锄嬲忱砌叼，删耽粥慨(S诅te Ke
3、y Laboratory of Marine Geology，T0n酥Univers耐，Sha咖i 200092，ch妇)Abstract：An image te薯ture analysis me删inte毋麓ted(hborfilter and胁、卜le、伦l cooccurrence matri)【、as used to extractthe texture features of marine magnetic anomalies Using()KMS cluStering algorithm realized magneic anorrKlly fieldDartition of di
4、fferent texture featuresThe model test andactual application resultS show that ifnage texture analysismetllod integrated Gabor filter and Gray_level co-occurrencematrix can eff色ctivelv extIact the textllre characteristicsinfon】fIation of瑚agnetic anomaliesThe partition resuItS ofCarolirle Marine magn
5、etic anomaly show mat Caroline platemagnetic anomaly can be divided illto 11 areas，partitionresultsincide well with strip m喇Fletic arlomaly areas andmagrTlatic activity areas，and tllis memod pr0讲des a refererlcefor proceSSing and interpretation 0f magnetic ano蚴lyKr wmds： marine；magnetic anomaly part
6、ition； imagetexture analysis；Gabor filter；gray level cmoccurrence matr改(GLCM)对海洋磁测资料的分析、处理和解释，通常需要根据磁异常特征对不同区域的异常进行分区，再结合地质情况作进一步的处理分析对磁异常特征进行异常分区有助于了解洋壳基底属性、揭示岩浆活动的影响范围、划分构造单元、了解海底扩张过程等海洋条带磁异常反映了海底扩张的过程，记录了海底扩张的时代及构造信息海盆内的条带磁异常常因断裂、海山及后期岩浆活动的改造而形成不同的磁异常纹理特征，给条带磁异常的追踪和识别带来困难磁异常分区是依据磁异常平面图中磁异常的走向、形态、
7、分布范围、幅值、梯度、极值等纹理特征进行分区，通常是由经验丰富的专家进行，但人工分区过程较为繁琐，对区块边界的划分时常受主观影响近年来，随着计算机技术的发展，图像的纹理分析识别技术发展迅速，可利用图像的纹理分析识别技术对海洋磁异常资料的纹理特征进行提取、识别和分区，为海洋磁异常的分区解释提供定量可供参考的依据，从而减轻磁异常分区工作的负担在磁异常资料解释中，通常基于异常的极值点和零点信息，用边界检测和边缘强化技术来推断确定异常的平面边界，如利用垂向导数、水平导数、解析信号振幅或者它们的组合来实现异常边界的提取和增强Wijin等1提出Theta图法，以提高对深部弱异常的增强识别能力Ferreir
8、a等2利用水平导数求tilt梯度的方法，增强了异常边界的横向分辨率严良俊等3将小子域滤波方法用于磁异常边界的识别Cooper等4提出归一化标准差方法，利用极大值位置确定异常边界马国庆等5利用不同阶水平导收稿日期：2016一03一09基金项目：中国海及邻域地质地球物理系列图项目(GZH200900504)；国家自然科学基金(41541027)；国家“八六三”高技术研究发展计划(2010AA092302)第一作者：王明明(1987一)，男，博士生，主要研究方向为综合地球物理E-mail：10843wmmton画ieducn通讯作者：吴健生(1961一)，男，教授，博士生导师，理学博士，主要研究方向
9、为综合地球物理Email：wujianshtorl西ieducn万方数据第5期 王明明，等：基于图像纹理分析的海域磁异常分区数线性组合算法进行位场边界的识别王彦国等6基于迭代差分的视导数进行边界识别，提高了边界识别的抗干扰能力王万银等7对常用的边界识别方法建立模型进行对比分析，对不同方法的效果进行了对比总结这些方法均是通过提取识别孤立场源体的边界来对异常进行边界识别而对于较大区域的海洋磁异常资料的处理解释，通常需要对具有相同形态、走向、幅值等特征的区域进行分块处理，对可能具有相同起源和构造特征的异常区域划分为一个区块，以便作进一步的处理解释在区域磁异常的分区中，要求解释人员具有丰富的经验，而且
10、因个人标准不同，可能造成不同的分区结果因此，许多学者对异常的分区开展了定量化的自动识别技术，如姜效典8探索应用人工神经网络方法来对南海磁异常进行分区；Zhang等9利用改进的Randon变换和梯度实现对重磁图像线性特征的检测陈永良等10将图像方法用于重磁极值位置的自动提取，也取得较好的效果本文采用Gabor滤波器和灰度共生矩阵相结合的图像纹理特征分析方法，提取海洋磁异常的纹理特征信息，然后通过聚类实现不同纹理特征磁异常场的分区，给磁异常的分区解释提供定量参考1 方法原理Gabor滤波器和灰度共生矩阵在图像纹理特征信息提取分析中具有较好的效果，Gabor滤波器通过不同尺度和方向的Gabor小波提
11、取磁异常局部到区域不同尺度的时间域一频率域信息，对具有方向性的线性纹理信息的提取灵敏度较高，而灰度共生矩阵可以提取异常的空间依赖性，刻画异常的空间展布和结构特征因此，本文采用Gabor滤波器和灰度共生矩阵相结合的图像纹理分析方法提取海洋磁异常的纹理特征信息，然后利用OKMS聚类算法对提取的纹理特征信息进行聚类分区，从而实现对不同纹理特征磁异常的分区11 Gabor滤波器磁异常图像可以看成是一个二维离散序列，Gabor滤波器可由二维Gabor函数构成二维Gabor函数是复正弦调制高斯函数，其表达式为， 、 ， 1 、 r 1 rz2g(z，y)一。西磊expLiLi十窆+2而眦 (1)o式中：a
12、rx，口，分别为g(z，岁)沿z和y方向的标准方差；一2兀A为高斯函数的复调制频率，；I为波长以g(z，y)为母小波函数，进行适当的尺度变换和旋转变换就可以得到一组不同频率、不同方向的多通道滤波器，即为Gabor小波，其表达式如下：g。一ng(z 7，y7)，口1 (2)热泞口一翌耋挑舻耐K，咒为方向数，zo，K一1，K代表Gabor总的方向数；口一为尺度因子，优为尺度数Gabor滤波器的位置由n方向数和高斯函数的复调制频率2个参数决定一般取咒一4，即4个方向分别为：o。，45。，90。，135。，基本可以搜索到磁异常全方位的纹理特征信息高斯函数的复调制频率的选择即波长A的选择，采用Jain等
13、11给出的算法：对于异常数据，大小为N。N。，则A取N。22z，N。厄2。，N。抠21。一”，其中N。，N。分别为数据的行数和列数根据以上设置，可得到4个不同方向上log。(N。4)1个不同尺度的Gabor滤波器组设磁异常值I(z，y)，利用不同尺度和方向的Gabor滤波器g。(i，歹)对图像j(z，y)进行特征提取，其中(i，歹)为滤波器元素，则旦旦w。(z，y)一工(i，歹)g。(i，歹) (3)通过一组m个不同尺度、咒个不同方向的多通道Gabor滤波器对图像进行特征提取，得到纹理特征在每个像素点都有一个m雄维的特征向量w12灰度共生矩阵灰度共生矩阵(GLCM)是图像中2个像素灰度级联合分
14、布的统计形式，是统计2个像素点在一定距离和一定方向上的联合概率分布，能较好地反映纹理灰度级空间相关性的规律灰度共生矩阵定义为12：设图像某一区域有N个灰度值，则对应区域的灰度共生矩阵为NN阶的矩阵PNN，在矩阵位置P(i，歹)(i，歹一1，N)处元素是从灰度为i的像元离开某个固定位置关系艿一(及，D，)处像元灰度歹的概率，见和D，称为偏移距离，艿称为位移量，在实际的图像纹理特征提取中艿通常选取o。，45。，90。，135。四个方向本文利用灰度共生矩阵提取纹理特征，在该过程中，采用滑动窗口技术，将磁异常平面图分成大小相等、互不重叠的小块，然后计算每块的灰度共生矩阵在实际图像纹理特征提取中，通常不
15、直接使用灰度共生矩阵进行纹理分析，而是利用灰度共生矩阵万方数据同济大学学报(自然科学版) 第45卷计算得到的纹理特征统计量Haralick等131提出14种由灰度共生矩阵计算出的纹理特征统计量，本文选用最常用的4个：能量(En)、相关性(C0，)、对比度(Co。)、逆差矩(k)，其表达式如下：Nl N一1E一尸(幻)2 (4)zO J=ON一1 Nl巧P(i，歹)一p；P，Co，一立业苎r广一 (5)2P(i，歹) (6)21+(i一歹)2 (7)一1 N一1式中：肚，胁是均值，肚一伊(i，J)，膨i=O j=0N一1一F 厶i=O距离(5)如果D值满足收敛条件，则将聚类结果输出并终止计算，否
16、则转至步骤(2)继续计算其中聚类数忌事先无法确定，这里采用0KMS算法来确定最佳的聚类数，其算法如下：(1)选择聚类数的搜索范围忌曲，忌一，其中愚耐。=2，忌一一int(元)(2)对于不同的聚类数尼从忌向。到忌。；，按照上述K一均值聚类算法，得到聚类结果，并计算聚类结果的Silhouette指标(3)比较silhouette指标，指标值达到最大时所对应的忌即为最佳聚类数忌础(4)将最佳的聚类数愚。作为上述K一均值聚类算法的聚类数点善(i一2模型试验肚)2P(i，)，o=(歹一卢，)2P(i，歹)1=0 jO13纹理特征聚类分区利用Gabor滤波器和灰度共生矩阵提取磁异常的纹理特征信息后，则可对
17、提取的纹理特征数据进行聚类分区本文采用算法成熟且对大型数据处理效率较高的k均值聚类方法，聚类数的选择则采用OKMS算法14。161，该算法自动搜索最佳的聚类数，对初始的聚类中心，使提取的特征信息矩阵到其所属类别的中心的距离平方和最小以达到最佳聚类Gabor滤波器提取的不同方向和尺度的综合纹理信息可表示为特征向量G1p G2一，Gf)，灰度共生矩阵提取的能量、相关性、对比度和逆差距可表示为特征向量(T1f，T2，”，瓦，)，其中z为纹理特征向量数据集的长度，歹一1，2，m。为每个数据集中纹理特征量的个数聚类过程对Gabor滤波器和灰度共生矩阵提取的纹理特征向量数据集GG2，-，瓯；瓦f，疋，孔)
18、进行，其计算步骤如下：(1)对Gabor滤波器和灰度共生矩阵提取的纹理特征向量Glf，G2f，Gf一正f，死j，正f)，选是个样本作为初始聚类中心(Z。，Z2，乙)(2)对每个样本找到离它最近的聚类中心乙(秽一1，2，忌)，并将其分配到乙所标明的类玑(u一1，2，愚)(3)采取平均的方法重新计算分类后的各聚类中心(4)计算样本到聚类中心的距离Dnmin：瞄(Ti，乙)2+矗(Gi，乙)2。-12，d为欧式海洋磁条带异常记录了海底扩张的时代及构造信息海盆内的条带磁异常常会受到断裂、海山及后期岩浆活动的改造，形成不同的磁异常纹理特征，给磁异常的追踪和识别带来困难采用纹理特征提取方法可将磁条带异常区
19、和受岩浆活动干扰的区域圈定出来，以便对磁异常进行进一步的处理分析为了检验该方法对不同磁异常区的识别圈定能力，设置的模型如图1a，模型包含走向存在差异的磁条带异常区、受海山污染的磁条带异常区及火山岩分布异常区模型参数为：网格数为101101，网格间距1 km；顶底界面埋深37 km，磁化强度幅值为110 Am图1a表示模型场源的位置，图1b为模型产生的理论磁异常利用Gabor滤波器对模型磁异常进行纹理特征信息的提取，Gabor滤波器尺度为381381，197197，9595，4949，分别提取o。，45。，90。，135。四个方向的纹理特征图2为Gabor滤波器提取的磁异常不同尺度、不同方向的纹
20、理特征信息(从左到右依次为o。，45。，90。，135。)利用灰度共生矩阵方法对模型磁异常进行纹理特征信息的提取，采用窗口大小为6464，3232，1616，88的滑动窗口计算灰度共生矩阵，其中每个窗口计算o。，45。，90。，135。四个方向的灰度共生矩阵，然后取平均值，由得到的灰度共生矩阵计算能量、相关性、对比度、逆差矩等纹理特征向量图3为灰度共生矩阵4个不同窗口提取的纹理特征(从左到右依次为能量、相关性、对比度、逆差矩)D力一以默M舢M舢MM：l一一nnk如差方是M吗H慨Q沪M舢H剐万方数据第5期 王明明，等：基于图像纹理分析的海域磁异常分区E键皤100908070g 60_谥50疑40
21、302010磁场强度nT躯蘸O lO 20 30 40 50 60 70 80 90 100 0 lO 20 30 40 50 60 70 80 90 100距离km 距离knla磁源位置 b理论磁异常图1理论模型Fig1，Iheoretical modela 38138l Gabor滤波器b 197197 Gabor滤波器c 9595 Gabor滤波器d949 Gabor滤波器图2 Gabor滤波器纹理特征Fig2 Te)【tural fhtw鹤of Gabor filter根据Gabor滤波器和灰度共生矩阵提取的纹理特征向量，采用上述方法对纹理特征进行聚类分区图4a为纹理分析计算得到的模型
22、纹理分区结果，图4b为分区结果在模型磁异常图上的投影从分区结果可以看出，模型磁异常被分为了4个区块，这4个区块分别对应岩浆活动区(A)、受岩浆活动污染的磁条带异常区(B)、磁条带异常区(C)、磁条带异常区(D)分区结果显示磁条带异常区和岩浆活动区被准确地圈定出来，区块位置与模型场源位置吻合较好3 实际应用加罗林海域位于太平洋板块、菲律宾海板块和(J H X H图3 GLCM纹理特征Fig3 Textural fbatures of GLCM印度一澳大利亚板块交汇处，是西太平洋的重要组成部分加罗林板块与周围板块之间存在张扭性、挤压性等复杂边界，海盆磁条带异常受欧里皮克海隆、西加罗林海脊两翼和断裂
23、带干扰的影响，给识别造成困难1 7|应用本文提出的磁异常图像纹理分区方法，对加罗林海域磁异常进行分区从图5分区结果图上可以看出，加罗林海域磁异常被分割为了11个区块将分区结果投影到加罗林海域磁异常图上，如图6，可以看出磁条带异常区被圈定出来表1给出了各分区区块的位置及磁异常纹理特征从分区结果可以看出，该方法可较准确地将磁条带异常区圈定出来，如西加罗林海盆磁条带异常区，和东加罗万方数据同济大学学报(自然科学版) 第45卷a模型纹理分区结果100908070互60壶50舞40302010图4模型磁异常分区“g4 Magnetic anomaly partion model互褪蚓图5纹理分区结果Fi
24、g5 Textural partion results图6加罗林海域磁异常分区Fig6 Magnetic anomaly partion of Caroline Sea林海盆磁条带异常区，V，其中西加罗林海盆磁条带异常以西加罗林海槽为界分为，两部分，分别位于海槽两侧；东加罗林海盆磁条带异常以科尔斯哥德海槽为界分为，V两部分，分别位于海槽两侧欧里皮克海隆异常区(工)是后期岩浆沿岩石圈断裂喷发形成，东加罗林海盆南部异常区()可能与后期岩浆活动有关，无磁条带异常加罗林海脊异常区()磁异常特征与太平洋板块向马里亚纳海沟俯冲引起的断裂有关阿玉海槽异常区()南北向带状磁异常与海槽的扩张有关新几内亚岛弧异常
25、区()磁异常呈低幅值的片状，与邻近的线性磁异常明显不同俾斯麦海北部磁异常区(X)呈斑状，这里有许多海山出露太平洋西部异常区()磁异常呈团块状，此处岩浆活动强烈，有许多海山从图6加罗林海域磁异常分区图可以看出，本文提出的磁异常图像纹理分区方法可以将磁条带异常区、岩浆活动区等不同纹理特征的磁异常区圈定出来，说明该方法对海洋磁异常的分区具有较好效果，具有良好的应用前景表l加罗林海磁异常分区位置及特征Tab1 Partion position and magIletic anomlycharacterjstic of Caroline Sea分区区块 位置 特征I 欧里皮克海隆 团块状磁异常 西加罗林
26、海盆北部东西走向条带磁异常 西加罗林海盆南部东西走向条带磁异常 东加罗林海盆北部东西走向条带磁异常V 东加罗林海盆南部东西走向条带磁异常 东加罗林海盆南部大片低幅值正异常伴生团块状异常 加罗林海脊 北西走向带状负磁异常 阿玉海槽 南北走向带状异常 新几内亚岛弧 片状正异常伴随负异常X 俾斯麦海北部 斑状正负异常圈闭 太平洋西部 团块状正负异常，无明显走向篡万方数据第5期 王明明，等：基于图像纹理分析的海域磁异常分区 7814 结论(1)模型试验表明，利用Gabor滤波器和灰度共生矩阵相结合的图像纹理分区方法可以有效提取海洋磁异常图像的纹理特征，尤其是对条带状磁异常的识别圈定效果较好(2)利用O
27、KMS算法自动搜索聚类数，可以给出较合理的分区结果，从而避免因人为给出聚类数的不同而使得磁异常的分区结果出现较大差异(3)采用本文的纹理分区方法对加罗林海域磁异常进行分区，结果表明加罗林海域磁异常可分为11个磁异常区块，相应圈定了磁条带异常分布区和岩浆活动区，为磁条带异常的追踪、识别和后续的处理工作奠定了基础参考文献：1w小N C，PERE z C，Kovl7N Lczyk PTheta mp：Edgedetection iIl m鲷etic dataJGeophysics，2005，70(4)：392FI砌隰II认F J，De眺J，DBSEB Ales鞠ndra，et口cErlllancem
28、ent ofle total hor泌ltal gradient of Tmgnetica脚li鹄usiIlg也e矗ltangle刀Geophysics，2013，78(6)：333严良俊，胡文宝，姚长利重磁资料面积处理中的滤波增强技术与应用J勘探地球物理进展，2006，29(2)：102W蚪LiaTlgjun，HU Wenbao，YA0 changli Filteringenllancermnt 0f gravity and magnetic data in the denSe ladderlil【e瑚eJPrqgre鹃in E】【plora啪n GeophysicS，2006，29(2)：
29、1024C00PERGR J，c()、W烈D REdge enllaI脱ment 0f potentialfield data usiIlg no瑚lized statist池刀Geophysics，2008，73(3)：H1一H45马国庆，杜晓娟，李丽丽位场数据边界识别的新方法增强型水平导数法口地球物理学进展，2013，28(1)：402MA Guoqing，叫aojuan， LI LiliN色w edge detectionmethod of potential field dataenhanced horizon纽l deri、，ativeTmthodJPro弘e鹞in娜ys，2013，
30、28(1)：4026王彦国，张瑾，张凤旭基于迭代差分的视导数及其在边界识别中的应用J地球物理学进展，2016，31(2)：794WANG Yanguo，殂IANG Jin，勰ANG Fellg】【11Apparentderivative ba辩d讲l ite重_ati、，e differential and itS application toedge recogIlitiof pooen如l filedJProgre豁iIl Geophys，ZOl6，3l(2)：7947王万银，邱之云，杨永，等位场边缘识别方法研究进展J地球物理学进展，2010，25(1)：196WANG Wanyin，QI
31、U Zhiylln，YANG Yong，et osomeadvances in也e edge rec0星：llition of tle potentiaI fieldJProgre鹤inGeophysics，2010，25(1)：1968姜效典南海磁异常场分区研究：应用人工神经网络方法J青岛海洋大学学报(自然科学版)，1996，26(1)：83JLANG XiaodianUSiIlg artificial nellral ne铆ork t0 divide tIlemagnetic anoImly field 0f the soutIl chim SeaJJourml 0f0cean Unive
32、rSity 0f Qillgdao(tural Science Edition)，1996，26(1)：839zIANG Lili，HA0 Tianyao，WUJianSlleng，et1Application ofi瑚ge enllancernent techniquto potential field dataJApplied QphysicS，2005，3(2)：14510陈永良，刘大有，虞强源地球物理位场图像特征信息自动提取J中国图象图形学报，2002，7(2)：132C、N YoIlgliaIlg，LIU Dayou，YU Qiallg”anAutornatic featureext
33、rac硒n from gea曲ySical field in埝gesJJo啪al of IiTlageand Graph豳，2002，7(2)：13211 JAJN A K，Farrakhnia FUnsuperviSed te)(衄e segrrlentationus岖Gabor filterJPattern Regnition，1991，24(12)：116712 BARAI，DI A，PARMINGGIAN FAn invest远：ation on 也etextudmracteristics associated witll掣麓y le、他l c0_0(llrH舢nlatri)(s协ti
34、Stical parametersJIEEE Tran髓ctions onGeoscience and Remote sensillg，1995，33(2)：29313 HARAI，ICK R M，SHANMUGAM K，DINSTEIN I Textllralfeature for illlage classificationJIEEE TranSac怕ns 0nSystems，Man and Cybernetics，1973，3(6)：61014周世兵聚类分析中的最佳聚类数确定方法研究及应用D无锡：江南大学，2011姗UShibiIlgRes朗rch and appl油tion 0n de
35、teminiIlgoptinml n啪ber of cluster amlysisDWuXi：Jial培mnUniversity，201115刘丽，匡纲要图像纹理特征提取方法综述J中国图象图形学报，2009，14(4)：622LIU Li，KIIANG GangyaoO咒rview 0f imge缸tural featllreextraction metllodsJJourllal of Image and Graphics，2009，14(4)：62216MANJunath B s，MA w YTexture features for browsing andretrieval of imge dataJIEEE Tran翰ctions on PattemAIlalysis and Macbjne Intelligence，1996，18(8)：83717I(EATING B H，MArrY D P，衄SI，EY C E，et oZEvidencefor a hot spot origiIl of the caroline IslandsJJournal ofGeophysical Research，1984，89(12)：9937万方数据