專利名稱：：一種利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法
技術領域：
：本發(fā)明涉及一種在地質(zhì)勘探、環(huán)境監(jiān)測和醫(yī)學等領域具有廣泛應用的圖像統(tǒng)計信息重構(gòu)技術，特別涉及一種利用基于軟硬數(shù)據(jù)的多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法。
背景技術：
：目前，空間數(shù)據(jù)可視化技術在地質(zhì)勘探、環(huán)境監(jiān)測和醫(yī)學等領域有著廣泛的應用，其所采用的插值方法可分為"確定"性插值方法和"不確定"性插值方法。"確定"性插值方法的插值形式、插值函數(shù)參數(shù)以及插值結(jié)果基本都是確定的，該方法主要包括距離反比加權(quán)法、多項式趨勢面法、基函數(shù)法以及基于三角網(wǎng)格的方法等。"不確定"性插值方法的"不確定"性一方面表現(xiàn)在選用的插值形式的隨機性上，另一方面表現(xiàn)在插值參數(shù)的選取和確定需要依賴于概率統(tǒng)計原則。"不確定"性插值方法主要有地質(zhì)統(tǒng)計學中的Kriging方法。然而，由于Kriging方法實質(zhì)是對條件數(shù)學期望平均值的估計，并不能定量描述空間數(shù)據(jù)分布的非均質(zhì)性，因此Journel等人在上世紀70年代提出了隨機模擬法。該方法必須充分利用各種類型的空間數(shù)據(jù)并強調(diào)以數(shù)據(jù)的概率模型為基礎。根據(jù)相同的數(shù)據(jù)條件，隨機模擬可以產(chǎn)生許多不同但是等概率的模擬結(jié)果，因此成為預測空間數(shù)據(jù)各向異性和不確定性的建模工具。Kriging和隨機模擬方法全部是以描述空間兩點相關性的變差函數(shù)(variogram)為基礎，它們被合稱為基于兩點的地質(zhì)統(tǒng)計方法。而變差函數(shù)只能反映空間兩點之間相關性的這個特點使其難以重構(gòu)一些復雜圖形，例如長距離彎曲的河道。于是Haldorsen等人提出了基于目標的空間數(shù)據(jù)建模方法。該方法根據(jù)先驗知識、點過程理論及優(yōu)化方法表征目標結(jié)構(gòu)體的空間分布，但該方法對于復雜幾何形態(tài)的參數(shù)化和數(shù)據(jù)的條件化都較為困難。鑒于兩點地質(zhì)統(tǒng)計方法和基于目標的建模方法的不足，Journel和Strebelle等人提出了多點地質(zhì)統(tǒng)計法(MPS，multiple-pointgeostatistics)。MPS方法可以使用訓練圖像把先驗模型明確而定量地引入到建模當中。先驗模型包含了被研究的真實物質(zhì)中確信存在的樣式，而訓練圖像則是該樣式的定量化表達，可以說訓練圖像中的概率信息決定了最終的模擬結(jié)果。通過再現(xiàn)高階統(tǒng)計量，MPS能夠從訓練圖像中捕捉復雜的(非線性)特征樣式并把它們復制到重構(gòu)圖像中，從而再現(xiàn)圖像的統(tǒng)計信息。在MPS中，使用訓練圖像代替變差函數(shù)獲取空間數(shù)據(jù)的結(jié)構(gòu)性，因而可克服兩點地質(zhì)統(tǒng)計學不能再現(xiàn)空間多點相關性的不足；同時，由于該方法仍然以像素為模擬單元，因而很容易實現(xiàn)采樣數(shù)據(jù)的條件化，故克服了基于目標的模擬方法的不足。在許多領域里，由于受到客觀條件或技術水平限制，所能得到的硬數(shù)據(jù)非常有限，但是可以獲得相對比較豐富的軟數(shù)據(jù)(先驗信息)。例如在石油勘探過程中，所能獲得的硬數(shù)據(jù)(井位數(shù)據(jù))往往非常少，而關于所研究變量的軟數(shù)據(jù)(如地質(zhì)解釋和地震資料等)卻相對較為豐富。如果能充分利用較為豐富的軟數(shù)據(jù)，那么必然會提高所建數(shù)學模型的可4靠度和精度。
發(fā)明內(nèi)容由于現(xiàn)有技術中，僅使用硬數(shù)據(jù)或無條件數(shù)據(jù)時，圖像統(tǒng)計信息的重構(gòu)會比較困難而且精度不高。如果在重構(gòu)過程中加入軟數(shù)據(jù)，則可以提高圖像重構(gòu)的準確性。所以，本發(fā)明結(jié)合使用軟數(shù)據(jù)和硬數(shù)據(jù)，提出了一種利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法。本發(fā)明的目的在于利用基于軟、硬數(shù)據(jù)的多點地質(zhì)統(tǒng)計方法對圖像統(tǒng)計信息進行重構(gòu)，在再現(xiàn)訓練圖像特征模式的過程中，將待模擬圖像的軟數(shù)據(jù)信息與硬數(shù)據(jù)信息共同作為MPS方法重構(gòu)圖像的條件數(shù)據(jù)，以提高重構(gòu)圖像的精度。為了達到上述目的，本發(fā)明采用如下技術方案(—)利用數(shù)據(jù)模板掃描訓練圖像獲得數(shù)據(jù)事件(參見圖1和圖2);設數(shù)據(jù)模板為、，它是由n個向量組成的幾何形態(tài)，、=仏。；a=1，2，…，n}。設模板中心位置為u，模板其他位置u。=u+ha(a=1，2，…，n)。假定一種屬性S可取K個狀態(tài)值{sk;k=1，2，…，KK由數(shù)據(jù)模板中n個向量ua位置的n個狀態(tài)值所組成的"數(shù)據(jù)事件"《可以定義為gH5"(^)二、；"=1，2，…，；？}(1)其中S(ua)表示在u。位置的狀態(tài)值，《表示n個向量在Ua位置的S(u》)，...，S(un)分別為狀態(tài)值、，…，^。利用數(shù)據(jù)模板掃描訓練圖像是為了統(tǒng)計一個數(shù)據(jù)事件dn出現(xiàn)的概率，即數(shù)據(jù)事件中的n個數(shù)據(jù)點S(Ul)，S(u2)，…，S(u》分別處于某個狀態(tài)值s、時該數(shù)據(jù)事件出現(xiàn)的概率Probdn8uhelbkzum=Prob{6XwJ=、；"l，2,…，/}(2)在應用任一給定的數(shù)據(jù)模板對訓練圖像掃描的過程中，當訓練圖像中的一個數(shù)據(jù)事件與數(shù)據(jù)模板的數(shù)據(jù)事件dn(由待模擬點u和其所在數(shù)據(jù)模板內(nèi)的條件數(shù)據(jù)所組成)相同時，稱為一個重復。在平穩(wěn)假設的前提下，數(shù)據(jù)事件dn在有效的訓練圖像中的重復數(shù)c(dn)與有效的訓練圖像的大小Nn的比值，相當于該數(shù)據(jù)事件dn出現(xiàn)的概率Prob{6t"。)、；"二l，2，…，/b亜(3)TV"對于任一待模擬點u，需要確定在給定n個條件數(shù)據(jù)值S(ua)的情況下，屬性S(u)取K個狀態(tài)值中任一個狀態(tài)值的條件概率分布函數(shù)(cpdf，conditionalprobabilitydistributionfunction).根據(jù)貝葉斯條件概率公式，該條件概率分布函數(shù)可表達為Prob:Pro順")、""S("a)=Va=l,..，"}(4)Pr06諷"0)=；or=1,…,w}上式中，分母為條件數(shù)據(jù)事件出現(xiàn)的概率；分子為條件數(shù)據(jù)事件和待模擬點U取某個狀態(tài)值的情況同時出現(xiàn)的概率，相當于在已有的c(cg個重復中S(u)=Sk的重復的個數(shù)Ck(cQ與有效的訓練圖像的大小Nn的比值，記為Ck(cU/Nn.因此，條件概率分布函數(shù)可表示成5ProZ諷")^IS("a)『；a=l,(5)基于上述條件概率，利用MonteCarlo方法可以提取該點的狀態(tài)值。由于采用了概率估計的方法，故模擬結(jié)果具有隨機性。這些結(jié)果是對訓練圖像先驗模型的一種反映，可以揭示屬性空間中狀態(tài)值的各種可能分布。(二)利用搜索樹加快重構(gòu)過程；如果每次模擬一個點都要重新掃描一遍訓練圖像，以獲得對應點的cpdf，那么必然會嚴重影響模擬速度。本發(fā)明利用一種叫"搜索樹"的數(shù)據(jù)結(jié)構(gòu)來加速重構(gòu)過程，只要對訓練圖像進行一次遍歷搜索就可以生成該搜索樹。將所有可能的概率模式的c(dn)和ck(dn)存貯在搜索樹中，生成模擬圖像時可以直接從搜索樹上獲得該模式的c(cg和Ck(cU，再利用式(5)可計算得到對應的條件概率，從而加快了模擬速度。(三)軟硬數(shù)據(jù)的結(jié)合；設定一些變量如下A。是一個二進制的指示變量，用于表示位于u位置的狀態(tài)值sk是否出現(xiàn)；P(A。)表示事件A。出現(xiàn)的概率，本文中用其表示目標圖像中A。對應的狀態(tài)值的邊緣概率，設為P。B表示以u為中心的數(shù)據(jù)模板內(nèi)的硬數(shù)據(jù)，它包括原始的硬數(shù)據(jù)和已經(jīng)模擬過節(jié)點的狀態(tài)值。C表示軟數(shù)據(jù)。P(A。|B)和P(A。IC)分別表示在已知硬數(shù)據(jù)B和軟數(shù)據(jù)C的情況下u取某個狀態(tài)值sk的概率；P(A。lB，C)表示B和C同時已知的情況下u取某個狀態(tài)值Sk的概率。P(A。|B)可以由訓練圖像獲得，可由公式(5)計算得出；而軟數(shù)據(jù)通常是基于人們的主觀判斷所得到的統(tǒng)計指標，也可能是實驗設備獲取的整個研究區(qū)域內(nèi)某個屬性值的變化趨勢。軟數(shù)據(jù)的獲取方式較多，其數(shù)據(jù)結(jié)果是否準確取決于樣本的生成，調(diào)查過程的組織等等。P(A。|C)可以由軟數(shù)據(jù)C獲得。定義一個事件A。出現(xiàn)的"先驗距離"為aPW一P:(6)b=類似地，可以定義在硬數(shù)據(jù)B已知情況下A。出現(xiàn)的"先驗距離"為e一c-a示-:ap(4>I在軟數(shù)據(jù)C已知情況下A。出現(xiàn)的"先驗距離"為1一p(4IC)p"Ic)在B和C均已知情況下A。出現(xiàn)的"先驗距離"為l一P(，，C)(8)P(，,C)由(9)式可得:PUI在O二l:(9)(10)在B未知情況下，C對于A。是否出現(xiàn)的"相對貢獻"可以用下面的相對距離來表=c/a-l.為了簡化，可用c/a來表示C對于A。是否出現(xiàn)的相對貢獻。與B未知情況下類似，可以使用x/b來表示在B已知時C對于A。是否出現(xiàn)的相對貢獻。在實際的科學研究中，當B和C來自不同的數(shù)據(jù)源時，很難判定它們間是否獨立或具有其他關系。如果假定B和C為獨立關系，那么這個假定過于"強"了。因此只是假定在已知和未知B的情況下C對于A。是否出現(xiàn)的相對貢獻都是相同的，那么可以得到|=三(11)ba由(10)、(11)可得:P(傘，6)二+e(12)a+bc(四)多重數(shù)據(jù)模板；在訓練圖像中想要包含所有可能的數(shù)據(jù)事件是不可能的，而且由于受到計算機內(nèi)存和cpu速度的限制，只能選擇合適的數(shù)據(jù)模板尺寸。由于數(shù)據(jù)模板的大小有限，在重構(gòu)的圖像中其實只反映了訓練圖像上有限尺寸下的結(jié)構(gòu)特征。本發(fā)明采用Tran提出的多重模板的思想，利用網(wǎng)格逐漸密集化的多個數(shù)據(jù)模板來替代一個大而密集的模板對訓練圖像進行掃描。具體方法是先使用稀疏的粗網(wǎng)格數(shù)據(jù)模板掃描訓練圖像，得到粗網(wǎng)格下的多點統(tǒng)計信息，然后可以模擬得到粗網(wǎng)格下的結(jié)果圖像；將粗網(wǎng)格下的內(nèi)容作為條件數(shù)據(jù)復制到細網(wǎng)格上，然后使用細網(wǎng)格模板掃描訓練圖像，得到細網(wǎng)格下的多點統(tǒng)計信息，最后模擬得到細網(wǎng)格下的結(jié)果圖像。(五)基于軟硬數(shù)據(jù)的MPS重構(gòu)方法；步驟1:利用三維的多重數(shù)據(jù)模板掃描訓練圖像，建立搜索樹；步驟2:部署條件數(shù)據(jù)，即將采樣點作為初始條件數(shù)據(jù)分配到最近的網(wǎng)格點上；步驟3:定義一條隨機路徑訪問所有待模擬點U;對隨機路徑上的每一個點，利用與步驟1中相同的多重模板提取其條件數(shù)據(jù)事件。如果U的條件數(shù)據(jù)的數(shù)目為O，則用各狀態(tài)值Sk的邊緣概率來作為待模擬點U的條件概率；否則就從搜索樹上獲取U的cpdf(即P(A。lB))。模擬過程中，如果重復數(shù)c(cU小于某個設定的下限r(nóng)^，那么就先去除數(shù)據(jù)模板中離u最遠的節(jié)點，此時的條件數(shù)據(jù)數(shù)目就變?yōu)閚-l。在搜索樹中尋找對應于這n-l個節(jié)點情況下的條件概率，如果此時的c(dn)仍然小于rmin，就繼續(xù)去除現(xiàn)在數(shù)據(jù)模板中距u最遠的節(jié)點，然后在搜索樹中尋找對應這n-2個條件數(shù)據(jù)的條件概率。如此重復下去，如果數(shù)據(jù)模板中的條件數(shù)據(jù)數(shù)目下降到n二l，并且此時c(cU仍然小于r^，那么就用各狀態(tài)值Sk的邊緣概率來作為u的條件概率。由式(12)得到P(A。|B，C)，然后利用MonteCarlo方法提取u的隨機模擬值，并將該模擬值作為后續(xù)模擬新增的條件數(shù)據(jù)；繼續(xù)模擬隨機路徑上的其他點。上述步驟3中設定r^的原因是如果在數(shù)據(jù)模板中心點u周圍的條件數(shù)據(jù)越多，那么數(shù)據(jù)事件包含的有效節(jié)點就會越多，從而就難以在訓練圖像中找到較多的與該數(shù)據(jù)事件相同的重復。數(shù)據(jù)事件重復的數(shù)目較少意味著該數(shù)據(jù)事件可能具有特殊性，這會導致模擬結(jié)果引入訓練圖像的特殊模式，而不是其包含的一般模式。因此可以采用逐步減小數(shù)據(jù)模板大小的方法使得數(shù)據(jù)事件可以在訓練圖像中找到足夠多的重復。在定義步驟3中的隨機路徑時，可以先利用模板遍歷整個待模擬區(qū)域，統(tǒng)計每個待模擬點周圍條件數(shù)據(jù)的數(shù)目，優(yōu)先模擬那些條件數(shù)據(jù)較多的節(jié)點。該方法可以提高圖像重構(gòu)的質(zhì)量，不過這要以花費更多的cpu時間為代價。上述本發(fā)明方案將軟數(shù)據(jù)與硬數(shù)據(jù)信息共同作為多點地質(zhì)統(tǒng)計法重構(gòu)圖像的條件數(shù)據(jù)，減少圖像重構(gòu)的不確定性，提高圖像重構(gòu)的精度?？蓮V泛應用于如地質(zhì)勘探、環(huán)境監(jiān)測和醫(yī)學等許多科學領域。另外，若將本發(fā)明方法應用于砂巖樣本的三維圖像重構(gòu)，與僅使用硬數(shù)據(jù)和無條件數(shù)據(jù)的情況相比，該方法重構(gòu)的圖像具有與真實體數(shù)據(jù)更為相似的結(jié)構(gòu)特征(具體過程參見后續(xù)的實施例)。以下結(jié)合附圖和具體實施方式來進一步說明本發(fā)明。圖l(a)為本發(fā)明方法所涉及的二維數(shù)據(jù)模板示意圖；該圖是一個9X9節(jié)點組成的二維模板，由中心u和80個向量ha所確定。圖l(b)為本發(fā)明方法所涉及的三維數(shù)據(jù)模板示意圖；該圖是由3X3X3節(jié)點組成的三維模板，模板中心點u用藍色表示。圖2為本發(fā)明方法所涉及的利用數(shù)據(jù)模板掃描訓練圖像時獲得一個數(shù)據(jù)事件的過程的示意圖。圖3(a)、圖3為(b)和圖3(c)分別表示一個包含13X13個節(jié)點的二維三重網(wǎng)格結(jié)構(gòu)視圖，其中已模擬點用黑色表示，待模擬點用灰色表示，白色點暫時忽略不作考慮。附圖3(a)為第一重網(wǎng)格，附圖3(b)為第二重網(wǎng)格，附圖3(c)為第三重網(wǎng)格。圖4(a)、圖4(b)和圖4(c)為分別是與圖3(a)、圖3為(b)和圖3(c)各重網(wǎng)格相對應的三重數(shù)據(jù)模板視圖，圖中的灰色點表示掃描圖像時待模擬點在數(shù)據(jù)模板中的位置，白色點不作考慮。圖5(a)為訓練圖像外表面圖。藍色部分表示孔隙，灰色部分表示骨架。圖5(b)為訓練圖像在三個方向的正交剖面圖(X=40，Y=40，Z=40)。圖5(c)為該訓練圖像的孔隙結(jié)構(gòu)圖，訓練圖像的孔隙度是O.1837。圖6(a)為目標圖像的外表面圖。圖6(b)為目標圖像的剖面圖(X=40，Y=40，Z=40)。圖6(c)為其孔隙結(jié)構(gòu)圖。圖6(d)為采樣點圖。圖7(a)為"孔隙概率立方體"的外表面圖。圖7(b)為"孔隙概率立方體"的剖面圖(X應的概率值如狀態(tài)條所示。圖7(c)為"骨架概率立方體"的外表面圖。圖7(d)為"骨架概率立方體"的剖面圖(X:40，Y=40，Z=40)。圖中灰度對40，Y=40，Z40)。圖8(a)、圖8(b)和圖8(c)為基于軟硬數(shù)據(jù)的MPS重構(gòu)圖像。圖8(a)是重構(gòu)圖像的外表面圖，圖8(b)是重構(gòu)圖像的剖面圖(X=40，Y=40，Z=40)，圖8(c)是其孔隙結(jié)構(gòu)圖。圖9(a)和圖9(b)為無條件數(shù)據(jù)的MPS重構(gòu)圖像。圖9(a)為無條件數(shù)據(jù)情況下所得圖像的外表面圖。圖9(b)為無條件數(shù)據(jù)情況下所得圖像的孔隙結(jié)構(gòu)圖。圖10(a)和圖10(b)為僅使用硬數(shù)據(jù)的MPS重構(gòu)圖像。圖10(a)為只使用硬數(shù)據(jù)情況下所得圖像的外表面圖。圖10(b)為只使用硬數(shù)據(jù)情況下所得圖像的孔隙結(jié)構(gòu)圖。圖11(a)為結(jié)合軟硬數(shù)據(jù)情況下的"方差立方體"外表面視圖。圖11(b)為僅使用硬數(shù)據(jù)情況下的"方差立方體"外表面視圖。圖11(c)為無條件數(shù)據(jù)情況下的"方差立方體"外表面。圖12(a)為結(jié)合軟硬數(shù)據(jù)情況下的"方差立方體"剖面視圖。圖12(b)為僅使用硬數(shù)據(jù)情況下的"方差立方體"剖面視圖。圖12(c)為無條件數(shù)據(jù)情況下的"方差立方體"剖面。圖13(a)為結(jié)合軟硬數(shù)據(jù)情況下的方差值餅圖。圖13(b)為僅使用硬數(shù)據(jù)情況下的方差值餅圖。圖13(c)為無條件數(shù)據(jù)情況下的方差值餅圖。圖14(a)、圖14(b)和圖14(c)為目標圖像、結(jié)合軟硬數(shù)據(jù)、僅使用硬數(shù)據(jù)和無條件數(shù)據(jù)情況下重構(gòu)圖像的變差函數(shù)視圖。圖14(a)為X方向的變差函數(shù)。圖14(b)為Y方向的變差函數(shù)。圖14(c)為Z方向的變差函數(shù)。具體實施例方式為了使本發(fā)明實現(xiàn)的技術手段、創(chuàng)作特征、達成目的與功效易于明白了解，下面結(jié)合具體圖示，進一步闡述本發(fā)明。本發(fā)明的一個基于軟硬數(shù)據(jù)信息的多點地質(zhì)統(tǒng)計方法重構(gòu)圖像統(tǒng)計信息的實例結(jié)合附圖詳述如下請參見圖5-圖14和表1-表2，是本方法與僅使用硬數(shù)據(jù)和無條件數(shù)據(jù)重構(gòu)砂巖樣本三維圖像的比較。<table>tableseeoriginaldocumentpage9</column></row><table>表1表1為使用軟硬數(shù)據(jù)，僅使用硬數(shù)據(jù)和無條件數(shù)據(jù)三種情況下重構(gòu)圖像的平均孔隙度。<table>tableseeoriginaldocumentpage9</column></row><table>表2表2為使用軟硬數(shù)據(jù)，僅使用硬數(shù)據(jù)和無條件數(shù)據(jù)三種情況下重構(gòu)10幅圖像所需的最大內(nèi)存和cpu時間。在本實施例中，選用的多孔介質(zhì)為砂巖樣本，砂巖體數(shù)據(jù)的采集是在北京同步輻射裝置4W1A束線形貌站完成的。實驗使用的X射線能量是24KeV，波長為0.lA。探測器使用的是X射線CCD成像系統(tǒng)，其像素分辨率為10.9iim，灰度分辨率為8bits，曝光時間100ms。首先取一份80X80X80體素的砂巖體數(shù)據(jù)進行實驗，由體數(shù)據(jù)得到砂巖的三維圖像，將其作為訓練圖像。圖5(a)是訓練圖像外表面圖。砂巖樣本中的狀態(tài)值只有兩種孔隙和骨架。圖中的藍色部分表示孔隙，灰色部分表示骨架。圖5(b)是訓練圖像在三個方向的正交剖面圖(X=40，Y=40，Z=40)，圖5(c)是該訓練圖像的孔隙結(jié)構(gòu)圖。訓練圖像的孔隙度是O.1837。在本實施例中，另取一份80X80X80體素的砂巖體數(shù)據(jù)作為目標圖像。目標圖像是真實情況下多孔介質(zhì)孔隙和骨架結(jié)構(gòu)特征的體現(xiàn)，可以提供與模擬結(jié)果進行對比的參照數(shù)據(jù)。該目標圖像的孔隙度是O.1863。從目標圖像中采集0.5%的點作為重構(gòu)圖像時的原始硬數(shù)據(jù)，并且確保其中孔隙點的比例接近訓練圖像的孔隙度。因為當采樣點中各狀態(tài)值的比例接近其在訓練圖像中相同狀態(tài)值的比例時，模擬效果最好。圖6(a)是目標圖像的外表面圖，圖6(b)是目標圖像的剖面圖(X二40，Y二40，Z二40)，圖6(c)是其孔隙結(jié)構(gòu)圖，圖6(d)是采樣點圖。在本實施例中，為了獲得重構(gòu)砂巖的軟數(shù)據(jù)，采用一種近似模擬的方法。對采樣點中的孔隙點進行連續(xù)型指示Kriging插值，插值結(jié)果是一個80X80X80體素的"孔隙概率立方體"，它反映了砂巖中孔隙的概率分布。圖7(a)和(b)分別是"孔隙概率立方體"的外表面圖和剖面圖(X=40，Y=40，Z=40)。圖中灰度對應的概率值如狀態(tài)條所示?？梢詫?孔隙概率立方體"當作一種近似的孔隙軟數(shù)據(jù)，重構(gòu)圖像時每個待模擬的體素的孔隙概率軟數(shù)據(jù)即是在"孔隙概率立方體"中與其相同位置體素的狀態(tài)值。由于多孔介質(zhì)僅有孔隙和骨架兩種狀態(tài)值，則用1減去"孔隙概率立方體"中每個體素的值可以得到該體素是骨架的概率，由此可以得到一個80X80X80體素的"骨架概率立方體"。圖7(c)和(d)分別是"骨架概率立方體"的外表面圖和剖面圖(X=40，Y=40，Z=40)。與上同理，重構(gòu)圖像時每個待模擬的體素的骨架概率軟數(shù)據(jù)即是在"骨架概率立方體"中與其相同位置體素的狀態(tài)值。在本實施例中，為了重構(gòu)三維砂巖圖像，采用了3重數(shù)據(jù)模板，對每重數(shù)據(jù)模板建立一棵搜索樹以存儲對應情況下訓練圖像的cpdf。重構(gòu)圖像的尺寸為80X80X80體素。圖8(a)是重構(gòu)圖像的外表面圖，圖8(b)是重構(gòu)圖像的剖面圖(X=40，Y=40，Z=40)，圖8(c)是其孔隙結(jié)構(gòu)圖。可以看出，該方法生成的孔隙在水平和鉛直方向上多呈不規(guī)則形狀(見圖8(a)和(b))，而其內(nèi)部的孔隙結(jié)構(gòu)具有復雜的長連通性的特征(見圖8(c))。與目標圖像和訓練圖像進行比較，可以看出重構(gòu)圖像具有與目標圖像相似的孔隙和骨架結(jié)構(gòu)，并重現(xiàn)了訓練圖像中孔隙的長連通性特征。在本實施例中，為了與使用軟、硬數(shù)據(jù)情況下MPS的重構(gòu)結(jié)果進行比較，利用MPS方法分別在無條件數(shù)據(jù)和只使用硬數(shù)據(jù)情況下重構(gòu)砂巖的三維圖像。重構(gòu)圖像的尺寸均為80X80X80體素。圖9(a)、(b)分別是無條件數(shù)據(jù)情況下所得圖像的外表面圖和孔隙結(jié)構(gòu)圖。圖10(a)、(b)分別是只使用硬數(shù)據(jù)情況下所得圖像的外表面圖和孔隙結(jié)構(gòu)圖。這兩種情況下重構(gòu)的結(jié)果圖像均較好地再現(xiàn)了訓練圖像中孔隙和骨架的結(jié)構(gòu)特征。在本實施例中，采用MPS方法分別在無條件數(shù)據(jù)、只有硬數(shù)據(jù)和結(jié)合軟硬數(shù)據(jù)情況下各實現(xiàn)10次砂巖的三維圖像重構(gòu)。設孔隙對應狀態(tài)值1，骨架對應狀態(tài)值0。由每種情況下的io次重構(gòu)結(jié)果可以得到在每個體素位置的方差值，各種情況下的方差值組成了一個80X80X80體素的"方差立方體"。每種情況下的"方差立方體"中各體素的狀態(tài)值即該10情況下的重構(gòu)圖像中相同位置體素處的方差值。圖11和圖12分別是上述三種情況下"方差立方體"的外表面圖和剖面圖(X=40，Y=40，Z=40)，圖中灰度對應的狀態(tài)值如狀態(tài)條所示。通過計算可知，各種情況下的"方差立方體"中全部體素的狀態(tài)值，即重構(gòu)圖像的方差值只有六種O，O.09，0.16，0.21，0.24和0.25。上述各種狀態(tài)值對應的體素數(shù)目占"方差立方體"體素總數(shù)的百分比如圖13(a)、(b)、(c)所示，其中用不同顏色對應上述6種取值?？梢娊Y(jié)合軟硬數(shù)據(jù)時方差為0的體素占全部體素的67%，大于其他兩種情況下方差為0的體素所占的比例；而無條件數(shù)據(jù)時方差為0的體素所占比例遠小于另外兩種情況。由此可知結(jié)合軟硬數(shù)據(jù)時重構(gòu)圖像的體素狀態(tài)值的變化幅度最小，無條件數(shù)據(jù)時體素狀態(tài)值的變化幅度最大。分別得到三種情況下10幅重構(gòu)圖像的平均孔隙度，見表1?？梢娊Y(jié)合軟硬數(shù)據(jù)時的孔隙度與目標圖像的孔隙度最為接近。綜上可知，結(jié)合軟數(shù)據(jù)可以提高圖像模擬的精度。在本實施例中，在上述三種情況下重構(gòu)10幅圖像所需的最大內(nèi)存和cpu時間見表2(機器配置cpu采用Athlon3G，內(nèi)存為2GDDR，操作系統(tǒng)WindowsServer2003)?？梢娙N情況下對于最大內(nèi)存量的需求區(qū)別不大，但是無條件數(shù)據(jù)情況下重構(gòu)圖像所需時間明顯高于其他兩種情況。在本實施例中，目標圖像與上述三種情況下重構(gòu)圖像在X、Y、Z方向的變差函數(shù)曲線，如圖14(a)、(b)、(c)所示。變差函數(shù)能夠反映空間變量在某個方向上空間結(jié)構(gòu)變化的相關性和變異性。如果兩幅圖像在同一個方向上具有相似的變差函數(shù)曲線，那么可以說明這兩幅圖像中的該狀態(tài)值在此方向上具有相似的結(jié)構(gòu)特征。由圖14(a)、(b)、(c)可見，結(jié)合軟硬數(shù)據(jù)時的重構(gòu)圖像和目標圖像在X、Y和Z方向的變差函數(shù)曲線呈現(xiàn)出相似的變化趨勢，說明兩者在孔隙結(jié)構(gòu)上非常接近。而其他兩種情況的重構(gòu)圖像與目標圖像在X、Y、Z方向的變差函數(shù)均有較大不同，說明它們的孔隙結(jié)構(gòu)與目標圖像差異較大。由于目標圖像是由真實砂巖數(shù)據(jù)所獲得，因此結(jié)合軟硬數(shù)據(jù)時的重構(gòu)圖像與真實情況下的砂巖結(jié)構(gòu)最為接近。本發(fā)明的基于軟硬數(shù)據(jù)信息的多點地質(zhì)統(tǒng)計方法重構(gòu)圖像統(tǒng)計信息實施例在本質(zhì)上屬于圖像可視化的范疇。這項技術可以廣泛應用于地質(zhì)勘探、環(huán)境監(jiān)測和醫(yī)學等很多領域。以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等效物界定。權(quán)利要求一種利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法，其特征在于，該方法包括(1)利用三維的多重數(shù)據(jù)模板掃描訓練圖像，建立搜索樹；(2)部署條件數(shù)據(jù)，即將采樣點作為初始條件數(shù)據(jù)分配到最近的網(wǎng)格點上；(3)定義一條隨機路徑訪問所有待模擬點u；對隨機路徑上的每一個點，利用與步驟(1)中相同的多重模板提取其條件數(shù)據(jù)事件；如果u的條件數(shù)據(jù)的數(shù)目為0，則用各狀態(tài)值sk的邊緣概率來作為待模擬點u的條件概率；否則就從搜索樹上獲取u的cpdf；在模擬過程中，如果重復數(shù)c(dn)小于某個設定的下限r(nóng)min，那么就先去除數(shù)據(jù)模板中離u最遠的節(jié)點，此時的條件數(shù)據(jù)數(shù)目就變?yōu)閚-1。在搜索樹中尋找對應于這n-1個節(jié)點情況下的條件概率，如果此時的c(dn)仍然小于rmin，就繼續(xù)去除現(xiàn)在數(shù)據(jù)模板中距u最遠的節(jié)點，然后在搜索樹中尋找對應這n-2個條件數(shù)據(jù)的條件概率；如此重復下去，如果數(shù)據(jù)模板中的條件數(shù)據(jù)數(shù)目下降到n＝1，并且此時c(dn)仍然小于rmin，那么就用各狀態(tài)值sk的邊緣概率來作為u的條件概率；獲得軟硬數(shù)據(jù)情況下的條件概率，然后利用MonteCarlo方法提取u的隨機模擬值，并將該模擬值作為后續(xù)模擬新增的條件數(shù)據(jù)；繼續(xù)模擬隨機路徑上的其他點。2.根據(jù)權(quán)利要求l的利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法，其特征在于，所述述步驟(3)中設定r^時如果在數(shù)據(jù)模板中心點u周圍的條件數(shù)據(jù)越多，那么數(shù)據(jù)事件包含的有效節(jié)點就會越多，從而就難以在訓練圖像中找到較多的與該數(shù)據(jù)事件相同的重復；所述數(shù)據(jù)事件重復的數(shù)目較少意味著該數(shù)據(jù)事件可能具有特殊性，這會導致模擬結(jié)果引入訓練圖像的特殊模式，而不是其包含的一般模式；故采用逐步減小數(shù)據(jù)模板大小的方法使得數(shù)據(jù)事件可以在訓練圖像中找到足夠多的重復。3.根據(jù)權(quán)利要求l的利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法，其特征在于，所述在定義步驟(3)中的隨機路徑時，可以先利用模板遍歷整個待模擬區(qū)域，統(tǒng)計每個待模擬點周圍條件數(shù)據(jù)的數(shù)目，優(yōu)先模擬那些條件數(shù)據(jù)較多的節(jié)點；這樣可以提高圖像重構(gòu)的質(zhì)量，不過這要以花費更多的cpu時間為代價。4.根據(jù)權(quán)利要求l的利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法，其特征在于，所述步驟(1)中設數(shù)據(jù)模板為Tn，它是由n個向量組成的幾何形態(tài)，Tn=仏。；a=1，2，...，n}。設模板中心位置為u，模板其他位置ua=u+ha(a=1，2，...，n);假定一種屬性S可取K個狀態(tài)值{sk;k=1，2，...，K};由數(shù)據(jù)模板中n個向量u。位置的n個狀態(tài)值所組成的數(shù)據(jù)事件《定義為A={5T")=、，'oc=h2，…，"};上式中S(u。)表示在u。位置的狀態(tài)值，《表示n個向量在Ua位置的S(u》，...，S(Un)分別為狀態(tài)值、，…，、。5.根據(jù)權(quán)利要求l的利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法，其特征在于，所述步驟(1)中數(shù)據(jù)模板掃描訓練圖像時，只要對訓練圖像進行一次遍歷搜索就可以生成該搜索樹；將所有可能的概率模式的重復數(shù)存貯在搜索樹中，生成模擬圖像時可以直接從搜索樹上獲得該模式的重復數(shù)，并計算對應的條件概率，從而加快模擬速度。6.根據(jù)權(quán)利要求l的利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法，其特征在于，所述步驟(1)中建立搜索樹時，利用網(wǎng)格逐漸密集化的多個數(shù)據(jù)模板來替代一個大而密集的模板對訓練圖像進行掃描。7.根據(jù)權(quán)利要求6的利用多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法，其特征在于，所述步驟(1)中建立搜索樹時，先使用稀疏的粗網(wǎng)格數(shù)據(jù)模板掃描訓練圖像，得到粗網(wǎng)格下的多點統(tǒng)計信息，然后可以模擬得到粗網(wǎng)格下的結(jié)果圖像；將粗網(wǎng)格下的內(nèi)容作為條件數(shù)據(jù)復制到細網(wǎng)格上，然后使用細網(wǎng)格模板掃描訓練圖像，得到細網(wǎng)格下的多點統(tǒng)計信息，最后模擬得到細網(wǎng)格下的結(jié)果圖像。全文摘要本發(fā)明公開了一種利用基于軟硬數(shù)據(jù)的多點地質(zhì)統(tǒng)計法重構(gòu)圖像統(tǒng)計信息的方法。由于現(xiàn)有技術中，僅使用硬數(shù)據(jù)或無條件數(shù)據(jù)時，圖像統(tǒng)計信息的重構(gòu)會比較困難而且精度不高。如果在重構(gòu)過程中加入軟數(shù)據(jù)，則可以提高圖像重構(gòu)的準確性。所以，本發(fā)明方法利用基于軟、硬數(shù)據(jù)的多點地質(zhì)統(tǒng)計方法對圖像統(tǒng)計信息進行重構(gòu)，在再現(xiàn)訓練圖像特征模式的過程中，將待模擬圖像的軟數(shù)據(jù)信息與硬數(shù)據(jù)信息共同作為MPS方法重構(gòu)圖像的條件數(shù)據(jù)，以提高重構(gòu)圖像的精度，減少圖像重構(gòu)的不確定性。本發(fā)明可廣泛應用于如地質(zhì)勘探、環(huán)境監(jiān)測和醫(yī)學等許多科學領域。文檔編號G06T7/00GK101706956SQ200910198438公開日2010年5月12日申請日期2009年11月6日優(yōu)先權(quán)日2009年11月6日發(fā)明者張挺,杜奕申請人:上海第二工業(yè)大學