通过地震反演数据识别岩性,是地震反演的一项基本任务.由于不同岩性的弹性参数范围常常存在一定程度的重叠,所以给岩性识别带来了很大的困难.本文以叠前反演的弹性参数为基础,通过马尔科夫随机场(Markov Random Field简写为MRF)建立先...通过地震反演数据识别岩性,是地震反演的一项基本任务.由于不同岩性的弹性参数范围常常存在一定程度的重叠,所以给岩性识别带来了很大的困难.本文以叠前反演的弹性参数为基础,通过马尔科夫随机场(Markov Random Field简写为MRF)建立先验模型,按照解释好的测井资料,对不同岩性的弹性参数进行统计,得到计算所需的参数,在贝叶斯(Bayesian)框架下建立岩性分类的目标函数,达到岩性识别的目的.通过马尔科夫随机场建立先验模型,能够建立相邻点间的相互作用关系,得到横向上延续的岩性剖面.本文使用一个楔形模型和Marmousi Ⅱ模型对该方法进行了测试,结果表明,该方法有效可行.同时,本文通过加入误差的方法,检验了反演存在误差对识别结果的影响.展开更多
传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分...传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.展开更多
为了精确提取点云数据中的特征信息,针对激光扫描获取的三维散乱点云数据,提出一种基于马尔科夫随机场(Markov random field,MRF)的散乱点云特征提取方法.首先,根据散乱点的曲率估计及阈值初始化点标号并判定稳定点,将稳定点标记存储在...为了精确提取点云数据中的特征信息,针对激光扫描获取的三维散乱点云数据,提出一种基于马尔科夫随机场(Markov random field,MRF)的散乱点云特征提取方法.首先,根据散乱点的曲率估计及阈值初始化点标号并判定稳定点,将稳定点标记存储在数组中;然后,将优化不稳定点的标号问题转化为随机场标号的能量函数问题,引用贝叶斯估计求后验概率分布函数及MAP-MRF(Maximum a posteriori-Markov random field)框架归约得到目标函数;最后,根据图割法α-expansion算法,利用标号调整过程中标号集相对能量变化得到不稳定点的最优标号集,将其与存储稳定点的数组综合,根据点标号提取特征点.实验结果表明,该方法简单、高效、无需人工调参,能够依据全局能量的变化自适应提取特征,特征提取结果令人满意.展开更多
文摘通过地震反演数据识别岩性,是地震反演的一项基本任务.由于不同岩性的弹性参数范围常常存在一定程度的重叠,所以给岩性识别带来了很大的困难.本文以叠前反演的弹性参数为基础,通过马尔科夫随机场(Markov Random Field简写为MRF)建立先验模型,按照解释好的测井资料,对不同岩性的弹性参数进行统计,得到计算所需的参数,在贝叶斯(Bayesian)框架下建立岩性分类的目标函数,达到岩性识别的目的.通过马尔科夫随机场建立先验模型,能够建立相邻点间的相互作用关系,得到横向上延续的岩性剖面.本文使用一个楔形模型和Marmousi Ⅱ模型对该方法进行了测试,结果表明,该方法有效可行.同时,本文通过加入误差的方法,检验了反演存在误差对识别结果的影响.
文摘传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.
文摘为了精确提取点云数据中的特征信息,针对激光扫描获取的三维散乱点云数据,提出一种基于马尔科夫随机场(Markov random field,MRF)的散乱点云特征提取方法.首先,根据散乱点的曲率估计及阈值初始化点标号并判定稳定点,将稳定点标记存储在数组中;然后,将优化不稳定点的标号问题转化为随机场标号的能量函数问题,引用贝叶斯估计求后验概率分布函数及MAP-MRF(Maximum a posteriori-Markov random field)框架归约得到目标函数;最后,根据图割法α-expansion算法,利用标号调整过程中标号集相对能量变化得到不稳定点的最优标号集,将其与存储稳定点的数组综合,根据点标号提取特征点.实验结果表明,该方法简单、高效、无需人工调参,能够依据全局能量的变化自适应提取特征,特征提取结果令人满意.
