algoritmo de segmentación aplicado a imágenes sísmicas ... · brincos (2b) y truncamientos (3c)...

Algoritmo de segmentacion aplicado a imagenes sısmicaspara obtener geocuerpos potencialmente ocultos

Raymundo Domınguez-Colın, Manuel Romero-Salcedo, Luis G. Velasquillo-Martınez

Instituto Mexicano del Petroleo, Ciudad de Mexico,Mexico

[email protected], {mromeros, lgvelas}@imp.mx

Resumen. La segmentacion de imagenes es el procesode extraer informacion con base en criterios desemejanza. En este artıculo se propone un algoritmode segmentacion aplicado en imagenes a color coninformacion sısmica en el espacio CIELAB. Dichoalgoritmo, el IMP-2DMA, parte de un conjunto devalores iniciales proporcionados por el usuario, queforman parte de patrones en la imagen con ciertascaracterısticas. Se realiza la asociacion de pıxeles conbase en variables de control de expansion verticaly guıas de direccion. Con los pıxeles seleccionadosse forma un conjunto de mascaras binarias 2Dque seran parte de un volumen. Mediante unaproyeccion tridimensional, las mascaras resultantes sonvisualizadas con efectos de luz y sombra, permitiendoapreciar geocuerpos complejos no visibles a primeravista. Los resultados muestran que con el IMP-2DMAse consigue extraer diversos patrones de manera similara los obtenidos manualmente y con mayor precisionque con otros algoritmos de segmentacion. Para evaluarel desempeno del IMP-2DMA se utilizo la prueba desuma de rangos de Wilcoxon. Las mascaras 2D fueroncomparadas contra la solucion ideal y la segmentacionobtenida por un algoritmo de segmentacion basado enumbral.

Palabras clave. Segmentacion de imagenes, imagenessısmicas, geocuerpos, CIELAB.

Segmentation Algorithm Applied toSeismic Images for ObtainingPotentially Hidden Geobodies

Abstract. Image segmentation is the process ofextracting information based on similarity criteria. In thispaper we propose a segmentation algorithm applied incolor images with seismic information in the CIELAB

space. This algorithm, the IMP-2DMA, takes a set ofinitial values provided by the user, which are part ofpatterns in the image with certain characteristics. Theassociation of pixels based on vertical expansion controlvariables and direction guides is performed. With theselected pixels, a set of 2D binary masks will beformed that will be part of a volume. By means of athree-dimensional projection, the resulting masks arevisualized with effects of light and shadow, allowing toappreciate complex geobodies not visible at first sight.The results show that with the IMP-2DMA it is possibleto extract different patterns in a similar way to thoseobtained manually and more accurately than with othersegmentation algorithms. The Wilcoxon rank sum testwas used to evaluate the performance of the IMP-2DMA.The 2D masks were compared against the ideal solutionand the segmentation obtained by a threshold-basedsegmentation algorithm.

Keywords. Image segmentation, seismic images,geobodies, CIELAB.

1. Introduccion

En geofısica, la mejor aproximacion que se tienede la estructura interna de la tierra es por mediode la interpretacion sısmica [33]. Particularmente,se analiza la respuesta sısmica del subsuelo anteuna fuerza aplicada y que es registrada comoamplitudes positivas, negativas y cruces por cero(figura 1a), las cuales son asociadas con unmapa de colores (1b). La unificacion de las trazascrea un perfil o imagen sısmica (figura 1c) y ungran numero de estas imagenes forman lo quese conoce como un cubo sısmico. Este cubo esinterpretado por los geocientıficos para encontrar,

Computación y Sistemas, Vol. 21, No. 3, 2017, pp. 515–525ISSN 1405-5546

doi: 10.13053/CyS-21-3-2566

entre muchas otras cosas, identificadores deacumulacion de hidrocarburo [16].

Fig. 1. Generacion de una imagen sısmica. a) Larespuesta del subsuelo a una fuerza artificial escapturada en forma de amplitudes positivas, negativasy cruces por cero. b) Asociacion de las amplitudes delas trazas con un mapa de colores. c) Perfil o imagensısmica resultante cuyos patrones coloridos representanla continuidad de las capas de roca. (1) Patron sısmicocon alta intensidad de color (2) Patron complejo de formaelongada, irregular y de baja intensidad de color

Los Sistemas comerciales de InterpretacionSısmica actuales (SIS) permiten tener una visiondinamica y colorida de los perfiles sısmicos, loque resulta adecuado para apreciar mas detallesque con las trazas sısmicas. Al existir una relaciondirecta con las amplitudes, los patrones de colormas intensos representan cambios drasticos enla roca (figura 1(1)), mientras que los menosintensos significan cambios mas debiles (figura1(2)) [6]. El geofısico realiza un picking o mapeosısmico, el cual consiste en realizar diversostrazos directos sobre los patrones coloridos eidentificar diferentes aspectos estratigraficos yestructurales [16]. Esta tarea depende de lacalidad de las senales, por lo que puede ser unaactividad trivial o bien, un problema desafiante[7]. El objetivo de estos trazos es el de teneruna vision tridimensional de como y en dondeestan distribuidas las capas y de que manera

son afectadas por la presencia de fracturas [10].El especialista tiene la opcion de realizar elmapeo a mano alzada o mediante los procesosautomaticos (autotrackers) disponibles en los SIS[34]. Sin embargo, debido al gran numero deimagenes que conforman el cubo sısmico, lostrazos manuales consumen demasiado tiempoy los trazos automaticos suelen no satisfacerlas expectativas del experto [4]. En esta etapade interpretacion, los objetivos primordiales quebusca el especialista son los patrones demayor intensidad (amplitudes originales altas),no obstante, en muchas ocasiones un patronde interes se encuentra en regiones con bajaintensidad de color (amplitudes originales bajas)en donde los trazos manuales son aun maslaboriosos y en donde los procesos automaticosfallan [7]. En la figura 2 se muestra queel autotracking (lınea amarilla) sobre patronescomplejos es incorrecto. Dado un punto inicialindicado por el usuario (2a), pueden observarsebrincos (2b) y truncamientos (3c) en el trazo querequieren de ajustes manuales y laboriosos queocasionan que este tipo de zonas sean pocoexploradas.

Fig. 2. Autotracking sobre patrones complejos. La lıneaamarilla es el resultado de un proceso automaticoincorrecto. a) Punto inicial del mapeo. b) Invasiones obrincos. c) Mapeo truncado

En este artıculo se propone un algoritmoalternativo de procesamiento sobre patrones debaja intensidad de color mediante tecnicas deprocesamiento de imagenes. Se busca que ensu representacion digital sea posible mejorar lostrazos que realizan los autotrackers a partir dela extraccion de regiones seleccionadas por unusuario. Como mapas de bits, las imagenes

Computación y Sistemas, Vol. 21, No. 3, 2017, pp. 515–525ISSN 1405-5546doi: 10.13053/CyS-21-3-2566

Raymundo Domínguez-Colín, Manuel Romero-Salcedo, Luis G. Velasquillo-Martínez516

sısmicas pueden ser analizadas para realizaruna segmentacion supervisada de regiones demayor complejidad. El algoritmo propuesto escapaz de procesar zonas de intensidad decolor baja y extraer los elementos necesariospara construir geocuerpos, los cuales son unaproyeccion tridimensional de ciertas seccionesde una imagen. Los resultados muestran quelos geocuerpos encontrados son tan relevantescomo aquellos obtenidos a partir de patrones deintensidad de color alta.

Uno de los objetivos de los algoritmos desegmentacion es el de simplificar imagenespara obtener informacion significativa o para ladeteccion de objetos [27]. Sin embargo, a pesar deque existen cientos de tecnicas de segmentacionen la literatura, no hay un solo metodo quefuncione para todos los tipos de imagenes [29]. Lasegmentacion consiste en asociar aquellos pıxelesque compartan ciertas caracterısticas (como elcolor, iluminacion o textura) dentro de una imagen[36]. Dicha asociacion va creando regiones queson un subconjunto de la imagen original, ya seaobjetos, contornos, o incluso la imagen misma.

Dentro del area de procesamiento de patrones,se identifican cuatro tecnicas de segmentacion:las que binarizan la imagen basadas en unumbral (divide los pıxeles en dos grupos: blancopara el fondo y negro como primer plano);aquellas que detectan lımites o bordes (buscanlos cambios drasticos de la intensidad de lospıxeles en los bordes u orillas de los objetos);las que obtienen regiones (encuentra regionescoherentes formadas por pıxeles que tienencaracterısticas similares) y las tecnicas hıbridas(combina crecimiento de region y deteccion debordes) [15].

Por lo general, estos metodos analizan laimagen completa para llevar a cabo la segmen-tacion de acuerdo con distintos objetivos. Debidoa lo anterior, no tienen un buen desempenosi se pretende obtener una segmentacion masespecıfica y al aplicarlos en imagenes sısmicasse generan demasiados segmentos basura. Elalgoritmo propuesto en este artıculo efectua unprocesamiento mas controlado que reproduce eltrazo manual que realizarıa un usuario humanosobre la continuidad de los patrones sısmicos.

El presente artıculo esta organizado de lasiguiente manera: en la seccion 2 se muestran lostrabajos relacionados y la aportacion principal deeste trabajo; la seccion 3 describe el IMP-2DMA,se explica en que consiste la seleccion de semillasy guıas de direccionamiento; los resultadosexperimentales se presentan en la seccion 4 yfinalmente la seccion 5 es de conclusiones yperspectivas.

2. Trabajos relacionados

La automatizacion de tareas sobre imagenessısmicas ha tomado gran relevancia en los ultimosanos [42]. La simplificacion de las imagenescomo esqueletos sısmicos (lıneas), tuvo unaaceptacion dividida dentro de la industria [22, 23],sin embargo tambien ha sido objeto de analisisen el dominio del procesamiento de imagenes.La idea principal consiste en aplicar algoritmosde deteccion de contornos para simplificar laimagen pero conservando su estructura original(figura 3a) [20, 3]. No obstante, los resultadossuelen ser confusos y requieren de edicion einterpretacion por parte del experto. A pesar deeso, la simplificacion de las imagenes sısmicas diolugar al planteamiento de nuevos objetivos, comola identificacion de secciones sısmicas (facies)[19, 44, 13], el reconocimiento de fracturas [12, 32,43, 41, 14] y la identificacion de curvas asociadasa cuerpos salinos (3b, lınea amarilla) [42, 38, 24, 1]o cırculos pequenos asociados a dolinas karsticas(3c) [30] entre muchos otros.

La opciones de color que surgieron en losSIS amplio el panorama de interpretacion yfue posible apreciar mas detalles presentes enlos cubos sısmicos [4]. La visualizacion degeocuerpos, que son la conjuncion tridimensionalde las imagenes 2D, fue posible al proyectarautomaticamente las capas individuales de ciertospatrones seleccionados. Sin embargo, como yase ha comentado, los patrones mostrados enlas figuras 1(1), 1(2) y figura 2 no pueden serprocesados de forma trivial ni por los expertosni por los autotrackers. Las distintas tecnicasde segmentacion basadas en umbrales [40, 39],deteccion de contornos [5, 18], crecimiento deregion [35, 17] y las tecnicas hıbridas [11, 21]


doi: 10.13053/CyS-21-3-2566

Algoritmo de segmentación aplicado a imágenes sísmicas para obtener geocuerpos potencialmente ocultos 517

tampoco son una opcion viable debido a queaplicados en este tipo de imagenes generandemasiados segmentos basura. El algoritmopropuesto realiza un mejor procesamiento delos patrones sısmicos, independientemente de suforma irregular, elongada y las intensidades decolor de la que esten formados.

Fig. 3. Procesamiento de imagenes sısmicas. a)Deteccion de contornos. b) La deteccion de curvasfavorece la identificacion de cuerpos salinos. c) Loscırculos representan estructuras geologicas

3. El algoritmo desarrollado: elIMP-2DMA

En este artıculo se propone un algoritmo desegmentacion llamado IMP-2DMapping Algorithmo IMP-2DMA que actua en imagenes sısmicas acolor dentro del espacio CIELAB. El algoritmo estadivido en tres partes: la primera es la seleccionde semillas, rangos y variables. La segunda parteconsiste en la creacion de mascaras binariasque muestran la segmentacion realizada. En estaetapa se muestra el algoritmo principal de todo elprocesamiento. La ultima parte muestra como seconstruyen y visualizan los geocuerpos a partir delas mascaras obtenidas en la etapa anterior.

El IMP-2DMA fue evaluado con imagenes quecorresponden a cubos sısmicos reales y fueron

obtenidas directamente del sofware Petrel R©[37].Las imagenes tienen una resolucion de 1680x600bit/pıxeles. Se selecciono el espacio de colorCIELAB (creado por la Commission Internationalede l’Eclairage en 1976 [8]) por ser ampliamenterecomendado para realizar comparaciones entrecolores, porque puede mostrar todos los coloresvisibles al ojo humano y ademas de ser indepen-diente de dispositivo [9]. La ventaja de CIELABsobre el estandar RGB (espacio que define loscolores en terminos de los colores primariosrojo, verde y azul) es que se logran identificardiferencias muy pequenas y significativas entrecolores [25].

3.1. Seleccion de semillas, rangos y variables

Una semilla se define como un punto decoordenadas (x, y) dentro de una imagen (in-dicado por el usuario) que se convierte en elpunto inicial del procesamiento, ya que defineel color predominante del patron seleccionado.En el espacio CIELAB, todo imagen consta detres coordenadas (L, a, b), que corresponden ala iluminacion L y a las coordenadas cromaticasa (coordenadas rojo/verde) y b (coordenadasamarillo/azul). El usuario selecciona un patronsısmico y define rangos y variables necesariaspara el funcionamiento del algoritmo.

En la figura 4 se muestran los valores inicialesque selecciona el usuario. La semilla central sdefine la posicion y el color predominante delpatron inicial. Las flechas alrededor indican unvecindario de 4 u 8 pıxeles (a eleccion del usuario)que se convierten, a su vez, en un conjunto desemillas base. El usuario determina tambien elvecindario V , que sirve de lımite al crecimientovertical a partir de un punto p. A la diferenciade color entre dos muestras se le conoce como4E o error delta y cuando se aplica en valoresCIELAB se escribe 4E∗. Este valor permiteconocer la diferencia entre dos colores e involucrala iluminacion y los valores de croma, definidoscomo: 4L∗, 4a∗ y 4b∗.

Para calcular la diferencia entre dos pıxelesp(x, y) y q(x, y), se calcula este valor con laformula CIE76 [31]. Sean (L∗1,a∗1,b∗1) y (L∗2,a∗2,b∗2)



Fig. 4. Rangos y variables iniciales. La semilla central sdefine el color predominante en el patron. Los valores4E∗, el umbral δ y el vecindario vertical V son definidospor el usuario de acuerdo a las caracterısticas del patronseleccionado

dos colores en el espacio CIELAB,4E∗ se calculacon:

4E∗ =√(L∗2 − L∗1)2 + (a∗2 − a∗1)2 + (b∗2 − b∗1)2,

(1)siendo 4E∗≈ 2,3 un valor apropiado para notarlo que se conoce como una diferencia apenasnotable (Just Noticeable Difference). Si este valorsupera un umbral δ, indica que la diferenciade los colores es evidente. Dada la distribucioncasi horizontal de los patrones sısmicos, sepropusieron dos guıas de direccionamiento paraconseguir un mejor control del recorrido a travesde las imagenes sısmicas. Los puntos de laguıa G1 = {p1, p2, . . . , pn} deben de seguiraproximadamente la trayectoria del patron queselecciono el usuario (figura 5). Dados estospuntos, se realiza un ajuste de curva deinterpolacion para obtener los puntos intermedios.El objetivo de las guıas de direccion es el deresolver las discontinuidades existentes sobre lospatrones sısmicos seleccionados.

Debido a que los patrones que conforman unaimagen sısmica van cambiando gradualmente deforma y posicion (desplazamientos verticales),la guıa G2 = {p1, p2, . . . , pn} determina loscambios de altura que tiene un patron en particularque haya seleccionado el usuario. A manerade ejemplo, en el perfil sısmico de la figura 6se muestra un patron de color azul (6a, vistafrontal) que tiene un desplazamiento hacia abajohasta llegar a una posicion final (6a, vista en

Fig. 5. Guıas de direccionamiento. El usuario define unaguıa G1 = {p1, p2, . . . , pn} en donde cada punto dela guıa debe seguir de manera aproximada al patronsısmico seleccionado

perspectiva). El usuario marca los puntos de laguıa G2 unicamente sobre la vista frontal acordeal desplazamiento vertical del patron. Al igual quecon G1, se realiza el calculo de los valoresintermedios para tener una altura inicial en cadaimagen. Las dos guıas permiten que este patronsea extraıdo en todas las imagenes desde suposicion inicial hasta la final.

Fig. 6. Desplazamiento vertical de un patron sısmicodesde una posicion inicial (a) a una final. b) Los puntosde G2 definen la altura del recorrido sobre cada uno delos puntos de G1

3.2. Creacion de mascaras binarias

El IMP-2DMA recibe como entrada un conjuntode imagenes I y devuelve un conjunto M demascaras 2D binarias. Los pasos del algoritmoIMP-2DMA se muestran en la tabla 1. Todaslas variables son almacenadas en una coleccionde objetos Oj . El recorrido de la imagen va deizquierda a derecha sobre los puntos de G1 yG2. Se lleva a cabo la conversion de la i-esimaimagen al formato CIELAB con Ic = C(i) (punto3). Por cada pıxel pi se realizan dos validaciones


doi: 10.13053/CyS-21-3-2566


verticales (V ,′ ↑′,′ ↓′) de dicho pıxel mediante lafuncion α(s,V , Ic, δ), donde sss ← γ(p, g) es unvector de semillas que incluye a los vecinosinmediatos, g = 4 o g = 8, de p. Cada nuevo pıxelq ∈ V es evaluado contra todos los elementos dep ∈ sss.

Tabla 1. Algoritmo principal del IMP-2DMA. Cada objetorecibe un conjunto de imagenes a ser procesadas y susrespectivas variables. Por cada punto de las guıas G1 yG2, se realiza la validacion del vecindario V para crearlas mascaras binarias

Algoritmo: IMP-2DMAEntrada: {s, I,G1,G2,V , δ}Salida: {M}1. Oj ← class(|CPU |)2. parfor i ∈ I, compute3. Ic ← C(i)4. Oj ← {s,G1,G2, δ,V , Ic,M}5. for p ∈ G1, compute6. sss← γ(p, g)7. while ¬(V ,′ ↑′,′ ↓′)8. if α(sss,V , δ)9. set (M , p(x, y),′ 0′)10. end11. end12. end13.end

La funcion α es la que realiza la comparacionentre pıxeles cuyo algoritmo se muestra en latabla 2: recibe el vector de semillas sss,V y δ yrealiza la comparacion entre cada pıxel q ∈ Vcontra los elementos de p ∈ sss. Si se cumpleque 2,3 ≤ 4E∗(p, q) ≤ δ, se considera un pıxelaceptado y se marca con un valor binario enM mediante set(M , p(x, y),′ 0′), donde M es laimagen de salida o mascara binaria.

El algoritmo termina cuando se han evaluadotodos los pıxeles de G1. En la figura 7 semuestra un resultado preliminar de la mascarabinaria que se obtuvo de un perfil sısmico. Laguıa G1 esta distribuida en un patron de grisesa lo largo de la horizontal de la imagen (7a). Lamascara obtenida (figura 7b) es una extracciondel patron seleccionado mediante el algoritmoIMP-2DMA. El proceso se repite en cada unade las imagenes del cubo sısmico, obteniendo

Tabla 2. Algoritmo de la funcion α. Dado un pıxel q ∈V , se evalua contra los pıxeles p ∈ sss con la ecuacion1. Todo punto que cumpla que 4E∗(p, q) < δ, es unpıxel aceptado y sera agregado como parte de la mismaregion

FunciEntrada: {s,V , δ}Salida: [0, 1]1. for cada q ∈ V , compute2. for cada p ∈ sss, compute3. if 4E∗(p, q) < δ4. return true5. end6. end7. end

un conjunto de mascaras que serviran para lavisualizacion tridimensional.

3.3. Visualizacion de geocuerpos

Para visualizacion de los resultados se necesitaconstruir una proyeccion tridimensional de lasmascaras 2D obtenidas. Se utilizaron funciones yadisenadas en Matlav v9. Como primer paso, seconstruye un espacio (meshgrid) para en dondese alojaran cada una de las mascaras mi ∈M . Seprocesa cada mascara para obtener su respectivocontorno (figura 8a), se realiza un enlace punto apunto con los contornos de la siguiente imagen(8b) y finalmente, se agregan efectos de luz ysombras para dar un efecto de volumen. La utilidadde estos geocuerpos, que aun deben de serinterpretados, queda fuera del alcance de esteartıculo, sin embargo, sı es posible validar de unamanera cuantitativa las mascaras binarias que seobtuvieron.

4. Resultados experimentales

Para evaluar el desempeno del algoritmo, serealizaron diversas pruebas en las imagenesde un cubo sısmico real y se analizaron lasmascaras binarias obtenidas. Se seleccionarontres patrones distintos y visualmente atractivosde forma irregular y colores de baja intensidad(9, columna (a)). Las distintas tecnicas de



Fig. 7. a) Seleccion de un patron sısmico de color grisaceo y de estructura alongada. Se muestra la serie de puntosde la guıa G1 que siguen la trayectoria del patron sısmico y el alcance del vecindario vertical V . b) Mascara binaria 2Dobtenida

segmentacion que existen dividen una imagende tal modo que pueden contener demasiadas(oversegmented) o pocas regiones (underseg-mented) correspondientes a objetos dentro de laimagen [28].

Aplicadas en una imagen sısmica, ocurreque cualquiera que sea la tecnica utilizada,el resultado es un exceso de regiones quedificultan la extraccion y analisis de una seccionespecıfica. Debido a que la salida a evaluar sonimagenes binarias, se selecciono un algoritmo debinarizacion basado en umbral por ser uno de losmas sencillo de implementar y de ajustar. En estetipo de pruebas, el trazo realizado manualmente setoma como el mas acertado. En la figura 9 columna(b) se observa la solucion ideal para cada muestray en las columnas (c) y (d) los resultados que

devuelven ambos algoritmos. Puede observarseque los resultados del IMP-2DMA (columna (c))tienen una mayor precision y no generan tantossegmentos ajenos a la solucion ideal como los delalgoritmo basado en umbrales (columna (d)).

Para realizar un analisis cuantitativo, se utilizola prueba de suma de rangos de Wilcoxon [26]en lugar de otro analisis como la prueba-t [2]. Loanterior es debido a que el tamano de una de lasmuestras puede llegar a ser muy grande respectoa la otra, lo cual es mejor manejado por la pruebade Wilcoxon.

Dadas las mascaras obtenidas por los distintosmetodos, MHU (segmentacion manual), MTHR

(segmentacion por umbral) y MIMP (segmenta-cion del IMP-2DMA), se plantea la hipotesis nula


doi: 10.13053/CyS-21-3-2566


Fig. 8. Creacion y visualizacion de geocuerpos. a) Se crea un espacio tridimensional para alojar cada una de lasmascadas 2D obtenidas. b) y c) El geocuerpo correspondiente se obtiene al entrelazar las mascaras y agregar efectosde luz y sombra para dar un efecto de volumen

de que las mascaras sean iguales, simbolizadacomo:

H0 :M1 =Mi. (2)

Siendo M1 la segmentacion manual y Mi, coni = 1, 2 donde 1 es el MTHR y 2 es elMIMP (figura 9). Es evidente que el algoritmobasado en umbral, que actua sobre toda laimagen, genera demasiados segmentos basuraque afectan su comparacion con los otros dosmetodos (siendo el rectangulo rojo el que acotael area de evaluacion). En la tabla 3 se reportanlos resultados experimentales. Se muestran losvalores de p obtenidos con α = 0,05. Es claro quelos valores por p > 0,05 concluyen que la hipotesisnula H0 no puede ser rechazada, por lo que el

resultado del MIMP es superior al del algoritmobasado en umbral.

5. Conclusiones y perspectivas

En este artıculo se ha propuesto un metodo desegmentacion de imagenes a color basado en elespacio CIELAB: el IMP-2DMA. El algoritmo estaenfocado en la extraccion de patrones complejosvisibles en las imagenes sısmicas. La proyeccionde las mascaras 2D obtenidas permite visualizarlos geocuerpos que surgen a partir de patronesde mayor complejidad. El algoritmo fue evaluadocon diversos patrones sısmicos con informacion decubos sısmicos reales.



Fig. 9. Resultados de la segmentacion. a) Imagen original. b) Segmentacion manual. c) Segmentacion obtenida porel IMP-2DMA. d) Segmentacion basada en umbral. El rectangulo rojo acota el area de comparacion de este algoritmocontra la segmentacion manual

Tabla 3. Resultados experimentales. Se muestran losvalores de p al comparar los resultados del MTHR y elMIMP contra la segmentacion manual MHU

Datos Mascaras valor-pMTHR 0.001

(a) 243 imagenesMIMP 0.458MTHR 0.031

(a) 219 imagenesMIMP 0.677MTHR 0.019

(a) 274 imagenesMIMP 0.547

Este trabajo es una aportacion al area dela interpretacion sısmica, ya que cumple conun objetivo mas amplio de lo que existe en laliteratura. Dentro del area de reconocimiento depatrones, se encontro que los esfuerzos actualesse han enfocado en extraer exclusivamentecuerpos de sal o domos salinos [24, 1, 13], dejandorelegado el mejoramiento de tecnicas para unamayor y completa exploracion de las imagenessısmicas. Desde luego que no se trata de competir

contra lo que hacen los paquetes especializados,sino de mostrar que es posible realizar procesosexploratorios mas profundos con un mınimo deinformacion disponible.

Una de las ventajas del IMP-2DMA es que esposible el procesamiento y proyeccion tridimensio-nal de cualquier patron, independiente de su formay su intensidad de color, superando algunos delos resultados que se obtienen con los SIS. Sinembargo, los geocuerpos extraıdos aun deben deser interpretados por los especialistas para darlesel adecuado contexto geologico. El algoritmo aundebe de mejorarse para aumentar la velocidadde procesamiento de las imagenes. Como trabajofuturo se contempla aplicar el IMP-2DMA a otrotipo de imagenes para la recuperacion de fracturasen fotografıas de rocas, ya que se puede extraersu trayectoria completa, conservando su espesormediante las tecnicas propuestas en este trabajo.

Agradecimientos

Este trabajo fue realizado gracias al apoyo delsistema de becas del Consejo Nacional de Cienciay Tecnologıa (Conacyt) de acuerdo al programa


doi: 10.13053/CyS-21-3-2566


”Libreton Educacional”, a la beca institucional paraProgramas de Posgrado otorgada por el IMP yal proyecto Conacyt 180421. Toda la informacionnecesaria utilizada en este trabajo fue posiblegracias a la participacion en el proyecto deinvestigacion del IMP #143935 del ’Fondo SectorialConacyt-SENER-Hidrocarburos’.

Referencias

1. Alabbasi, N. (2012). Seeded growing algorithms forsalt body segmentation in post-stack seismic data.Master’s thesis, University of Stavanger, Norway.

2. Armitage, P., Berry, G., & Matthews, J. N. S.(2008). Statistical methods in medical research.John Wiley & Sons.

3. Bondar, I. (1992). Seismic horizon detectionusing image processing algorithms. GeophysicalProspecting, Vol. 40, No. 7, pp. 785–800.

4. Brown, A. R. (2012). The value of autotrackers. TheLeading Edge, , No. 31, pp. 678–679.

5. Canny, J. (1986). A Computational Approach ToEdge Detection. IEEE Trans. Pattern Analysis andMachine Intelligence, Vol. 8, pp. 679–698.

6. Chopra, S. & Marfurt, K. (2012). Evolutionof seismic interpretation during the last threedecades. SEG, The Leading Edge, Vol. 31, No. 6,pp. 654–676.

7. Chopra, S. & Marfurt, K. (2014). AutotrackingYour Way to Success. Technical report, AAPG. Enlınea en: http://www.aapg.org/publications/

news/explorer/column/articleid/13226/

autotracking-your-way-to-success#

prettyPhoto.

8. CIE (2004). Colorimetry. CIE Pb. 15:2004, CentralBureau of the CIE, Vienna.

9. Connolly, C. & Fleiss, T. (1997). A study ofefficiency and accuracy in the transformation fromRGB to CIELAB color space. Image Processing,IEEE Transaction, Vol. 6, No. 7, pp. 1046–1048.

10. Damsleth, E., Sangolt, V., Aamodt, G., et al.(1998). Sub-seismic faults can seriously affect fluidflow in the njord field off western norway-a stochasticfault modeling case study. SPE Annual TechnicalConference and Exhibition, Society of PetroleumEngineers.

11. Gambotto, J.-P. (1993). A new approach tocombining region growing and edge detection.Pattern Recognition Letters, Vol. 14, No. 11,pp. 869–875.

12. Hale, D. & Emanuel, J. (2004). Seismic interpreta-tion using global image segmentation. 66th EAGEConference & Exhibition.

13. Halpert, A. D., Clapp, R. G., & Biondi, B. (2010).Speeding up seismic image segmentation. In SEGTechnical Program Expanded Abstracts 2010. So-ciety of Exploration Geophysicists, pp. 1276–1280.

14. Hanif, S., Tariq, A., Ahmed, A. I., & Hanif,A. (2014). Ant tracking algorithm for surfacediscontinuity extraction-faults detection. 2014 Inter-national Conference on Robotics and EmergingAllied Technologies in Engineering (iCREATE),pp. 235–238.

15. Haralick, R. M. & Shapiro, L. G. (1985).Image segmentation techniques. Computer vision,graphics, and image processing, Vol. 29, No. 1,pp. 100–132.

16. Herron, D. A. (2012). First Steps in Seismic Inter-pretation. 16. Society of Exploration Geophysicists,Tulsa, Oklahoma.

17. Kamdi, S. & Krishna, R. (2011). Image Segmenta-tion and Region Growing Algorithm. IJCTEE, Vol. 2,pp. 103–107.

18. Kass, M., Witkin, A., & Terzopoulos, D. (1988).Snakes: Active contour models. International journalof computer vision, Vol. 1, No. 4, pp. 321–331.

19. Kawalec-Latala, E. (2014). Edge detection onimages of pseudoimpedance section supported bycontext and adaptive transformation model images.Studia Geotechnica et Mechanica, Vol. XXXVI,pp. 29–36.

20. Keskes, N., Zaccagnino, P., Rether, D., &Mermey, P. (1983). Automatic extraction of 3-dseismic horizons. In SEG Technical ProgramExpanded Abstracts 1983. Society of ExplorationGeophysicists, pp. 557–559.

21. Lemmens, M. J. P. M. & Wicherson, R. J. (1993).Edge based region growing. International Archivesof Photogrammetry and Remote Sensing, Vol. 29,pp. 793–793.

22. Li, Q., Vasudevan, K., & Cook, F. A. (1995).Seismic skeletonization of deep crusted profiles.Technical report.



23. Li, Q., Vasudevan, K., & Cook, F. A. (1997).Seismic skeletonization: A new approach tointerpretation of seismic reflection data. Journalof Geophysical Research, Vol. 102, No. B4,pp. 8427–8445.

24. Lomask, J., Clapp, R. G., & Biondi, B. (2007).Application of image segmentation to tracking 3dsalt boundaries. GEOPHYSICS, Vol. 72, No. 4,pp. P47–P56.

25. Luo, M. R. (2006). Colour Difference Formulae:Past, Present and Future. In Colour Imaging:Vision and Technology. John Wiley & Sons, Ltd,,pp. 384–404.

26. Mann, H. B. & Whitney, D. R. (1947). On atest of whether one of two random variables isstochastically larger than the other. The annals ofmathematical statistics, pp. 50–60.

27. Pacheco Morales, A., Guerrero Pena, F.,Garces Calvedo, A., & Rodrıguez Reiners,L. A. (2017). Un metodo para el reconocimiento deobjetos ocluidos. Computacion y Sistemas, Vol. 21,No. 2, pp. 1–7.

28. Paglieroni, D. W. (2004). Design considerations forimage segmentation quality assessment measures.Pattern Recognition, Vol. 37, No. 8, pp. 1607–1617.

29. Pal, N. R. & Pal, S. K. (1993). A review on imagesegmentation techniques. Pattern Recognition,Vol. 26, No. 9, pp. 1277–1294.

30. Parchkoohi, M. H., Farajkhah, N. K., & Delshad,M. S. (2015). Automatic detection of karsticsinkholes in seismic 3d images using circular houghtransform. Journal of Geophysics and Engineering,Vol. 12, No. 5, pp. 764.

31. Pointer, M. R. (1981). A comparison of the cie 1976colour spaces. Color Research & Application, Vol. 6,No. 2, pp. 108–118.

32. Post, R. M., Kemeny, J. M., Murphy, R., et al.(2001). Image processing for automatic extractionof rock joint orientation data from digital images.DC Rocks 2001, The 38th US Symposium on RockMechanics (USRMS), American Rock MechanicsAssociation.

33. Robein, E. (2010). Seismic imaging: a review of thetechniques, their principles, merits and limitations.EAGE Publications.

34. Roksandic, M. (1978). Seismic facies analysisconcepts. Geophysical Prospecting, Vol. 26, No. 2,pp. 383–398.

35. Rolf, A. & Leanne, B. (1994). Seeded RegionGrowing. IEEE Transactions on Pattern Analysisand Machine Intelligence, pp. 641–647.

36. Rosenberger, C., Chabrier, S., Laurent, H., &Emile, B. (2006). Unsupervised and supervisedimage segmentation evaluation. Advances in imageand video segmentation, pp. 365–393.

37. Schlumberger (2017). Petrel e&p software plat-form. En lınea en: https://www.software.slb.

com/products/petrel\#.

38. Seetal, P. & Natarajan, N. (2010). Image seg-mentation for rock fractures based on arma model.International Journal of Engineering Science andTechnology, Vol. 2, No. 5, pp. 1155–1159.

39. Senthilkumaran, N. & Vaithegi, S. (2016). Imagesegmentation by using thresholding techniques formedical images. Computer Science & Engineering:An International Journal, Vol. 6, No. 1.

40. Sezgin, M. et al. (2004). Survey over image th-resholding techniques and quantitative performanceevaluation. Journal of Electronic imaging, Vol. 13,No. 1, pp. 146–168.

41. Silva, C. C., Marcolino, C. S., & Lima, F. D.(2005). Automatic fault extraction using ant trackingalgorithm in the marlim south field, campos basin.9th International Congress of the Brazilian Geophy-sical Society & EXPOGEF, Salvador, Bahia, Brazil,11-14 September 2005, Society of ExplorationGeophysicists and Brazilian Geophysical Society,pp. 1378–1381.

42. Ugarriza, L. G., Saber, E., Vantaram, S. R., Amu-so, V., Shaw, M., & Bhaskar, R. (2009). Automaticimage segmentation by dynamic region growthand multiresolution merging. IEEE transactions onimage processing, Vol. 18, No. 10, pp. 2275–2288.

43. Wang, W. (2005). An edge based segmentationalgorithm for rock fracture tracing. ComputerGraphics, Imaging and Vision: New Trends, 2005.International Conference on, IEEE, pp. 43–48.

44. Zhang, Z. & Simaan, M. (1987). A rule-basedinterpretation system for segmentation of seismicimages. Pattern Recognition, Vol. 20, No. 1,pp. 45–53.

Article received on 06/03/2017; accepted on 31/05/2017.Corresponding author is Raymundo Domınguez-Colın.


doi: 10.13053/CyS-21-3-2566


algoritmo de segmentación aplicado a imágenes sísmicas ... · brincos (2b) y truncamientos (3c)...

Documents