A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Malhas Numéricas a partir de Imagens Sísmicas Karl Apaza Agüero Paulo Roma Cavalcanti Antonio Oliveira Claudio Esperança COPPE – Sistemas - UFRJ.

Apresentações semelhantes


Apresentação em tema: "Malhas Numéricas a partir de Imagens Sísmicas Karl Apaza Agüero Paulo Roma Cavalcanti Antonio Oliveira Claudio Esperança COPPE – Sistemas - UFRJ."— Transcrição da apresentação:

1 Malhas Numéricas a partir de Imagens Sísmicas Karl Apaza Agüero Paulo Roma Cavalcanti Antonio Oliveira Claudio Esperança COPPE – Sistemas - UFRJ

2 Objetivo Confecção de malhas numéricas a partir de imagens sísmicas. Integra diversas técnicas: Processamento de imagens. Modelagem física. Otimização. Geometria Computacional.

3 Métodos sísmicos 3 Baseiam-se na emissão de ondas na superfície da terra ou do mar. Método de reflexão: Aquisição. Processamento. Interpretação.

4 Abordagem Tradicional Sísmica Modelo geométrico Malha 4 Modelo geométrico = Conjunto de curvas e superfícies Horizontes: superfícies de separação entre camadas geológicas Falhas: descontinuidades causadas por deslizamento de camadas Modelo geométrico

5 Proposta Sísmica Malha 5 Gerar malhas diretamente a partir de imagens sísmicas. Suprimir a criação de um modelo geométrico intermediário. Extrair horizontes e falhas diretamente da malha. Malha

6 Aplicações Imagens digitais podem ser utilizadas para obter malhas para processos computacionais. Na indústria petrolífera, decisões podem ser tomadas a partir de simulações de processos geológicos que utilizam malhas numéricas geradas a partir de dados sísmicos. Imagens do cérebro humano permitem obter malhas para simulação do fluxo do sangue em suas artérias. 6

7 Método Realçar as características de interesse. Técnicas de processamento de imagens. Gerar um reticulado inicial de átomos em função das características de interesse. Modelo de forças entre átomos. Algoritmo de Reticulado pseudo-regular. Minimizar a função de energia potencial total. Modelo de forças entre átomos. Método do gradiente descendente. Minimizar a função de energia potencial total. Modelo de forças entre átomos. Método do gradiente descendente. Visualização Volumétrica Imagem Sísmica Dados Sísmicos Realce de Características de Interesse Geração de Reticulado Inicial de Átomos Minimização de Energia Potencial Conexão de Átomos Malha Alinhada Simulação

8 Átomos Um átomo é um ponto na imagem sujeito a forças exercidas pelos seus vizinhos. Área de influência é função de uma distância limite D. Uma função de força inter-atômica deve satisfazer certas condições: 8 Interação entre átomos

9 Propriedades Ser nula a partir de uma distância pré-definida, limitando a zona de influência de um átomo. Ser uma função contínua da distância inter- atômica. Ser repulsiva (positiva) para evitar átomos muito próximos. Ser atrativa (negativa) para evitar grandes espaços vazios, quando os átomos estiverem muito distantes.

10 Distância Nominal A distância nominal d é a distância na qual as forças de repulsão passam a ser forças de atração.

11 Modelo de Força Força de interação entre átomos é uma função polinomial, definida por partes : 11 d: distância nominal de um átomo., distância normalizada.

12 Potencial Escalar Para usar técnicas de minimização: força pode ser definida pelo negativo do gradiente de um potencial escalar.

13 Energia Potencial Atômica A energia potencial atômica A é o somatório ponderado da energia associada a cada átomo no sistema. A energia de um átomo é o somatório das forças exercidas sobre ele pelos seus vizinhos: 13

14 Energia Potencial da Imagem A energia potencial da imagem B é o somatório dos campos potenciais associados aos pixels da imagem que contenham átomos. O campo potencial de um ponto b(x i ) é função do valor do pixel (nível de cinza) associado à imagem.

15 Energia Potencial da Imagem O valor do campo potencial b(x i ) está no intervalo [-1,0] O valor do campo potencial depende do tipo de estruturação final dos átomos: Na Triangulação de Delaunay: b(x) = (pixel/255)-1, o que faz com que o nível branco (255) produza o potencial 0 e o nível preto (0) produza o potencial -1. No Diagrama de Voronoi: b(x) = -pixel/255, o que faz com que o nível branco (255) produza o potencial -1 e o nível preto (0) produza o potencial 0.

16 Energia Potencial Total A energia potencial total P é dada pela soma ponderada da energia potencial atômica e a energia potencial da imagem: O fator de escala ß determina a contribuição relativa de A e B. ß=0 os átomos formam um reticulado regular que não necessariamente está alinhada às características de interesse da imagem. ß=1 os átomos são sensíveis apenas às características da imagem, obtendo-se um reticulado altamente irregular. Depende do tipo de estruturação final dos átomos. 16

17 Realce 17 Dimensões: 220 x 220 pixelsDimensões: 206 x 198 pixels Características de interesse podem ser simples de detectar! Ou não?

18 Detector de Sobel Identificar as características de interesse da imagem. Detector de Sobel: diferenciação da imagem suavização da imagem 18 Detector de Sobel

19 Atributo de caos O atributo de caos realça mudanças (gradiente) ao longo das camadas de reflexão. A partir das mudanças, a orientação dominante é calculada usando análise de componentes principais. Adicionar os gradientes dentro de uma matriz de covariância. Decompor nos seus autovetores e autovalores. 19

20 Atributo de caos Camadas suaves e não quebradas têm uma direção dominante: Camadas curvas têm duas direções: Uma falha com regiões irregulares têm gradientes apontando em todas as direções: As falhas são obtidas usando uma máscara vertical ou uma máscara ortogonal na orientação dominante. 20 Atributo de caos: máscara de 6 x 10

21 Operadores Morfológicos Para o realce das características de interesse são usados os operadores morfológicos de dilatação e erosão. Permitem o espaçamento ou adelgaçamento das características de interesse. 21 Dilatação: máscara de 3 x 9

22 Tipos de Reticulados Retangular Hexagonal Pseudo-Regular 22

23 Reticulado Inicial O reticulado inicial de átomos deve ter as seguintes características: minimizar localmente a energia potencial atômica, ser altamente regular, ser consistente com a função de distância nominal. 23

24 Função de Distância Nominal Para uma função de distância nominal constante, é fácil gerar um reticulado regular inicial de pontos que cumpra as propriedades mencionadas. Um reticulado retangular é a escolha mais simples. Um reticulado hexagonal é uma solução melhor para um reticulado inicial de pontos.

25 Função de Distância Nominal O reticulado é altamente regular mesmo com características finas em 2D e 3D. Para uma função de distância não constante pode-se usar um reticulado pseudo-regular de átomos, adaptado de métodos desenvolvidos para refinamento de malhas de Delaunay. Baseia-se no fator r/d, que mede a razão entre o raio r do circuncírculo do triângulo de Delaunay e a distância nominal, d, do átomo na posição do circuncentro.

26 26 Imagem sísmica Função de distância nominal d min = 7 (pixels pretos) d max = 14 (pixels brancos) Construa uma fila de prioridade de triângulos. Posicione um átomo nos 4 cantos da imagem e outro numa posição pseudo-aleatória longe dos cantos. Compute a triangulação de Delaunay das posições dos átomos e adicione os triângulos na fila de prioridade segundo o fator r/d Enquanto a fila não estiver vazia Obtenha e remova o primeiro triângulo t da fila (maior r/d) Crie um novo átomo x i na posição do circuncentro do triângulo t Se x i estiver dentro dos limites da imagem Adicione x i na triangulação de Delaunay. Compute a nova triangulação de Delaunay, e adicione os triângulos na fila de prioridade se r/d( x i ) > c. Remova da fila de prioridade os triângulos que foram destruídos pela atualização da triangulação de Delaunay. Defina o reticulado inicial de átomos com os vértices da Triangulação de Delaunay final. Algoritmo: Reticulado pseudo- regular de átomos 2D: c = D: c = 0.803

27 Minimização da função de energia Após a geração do reticulado inicial, os átomos devem ser movidos para uma configuração que minimize a energia potencial total P. O método do Gradiente (Steepest Descent Algorithm - SDA) é usado para minimizar a função de energia potencial total, que pode possuir vários mínimos locais. A busca é repetida até que o mínimo mais adequado seja encontrado.

28 Otimizador do Reticulado de Átomos 28 A tolerância Є permite controlar as iterações até que o decremento em P seja insignificante. Imagem sísmica Perturbação = 0.2 x d Obter o reticulado inicial x 1, x 2,..., x n Computar a energia potencial total do reticulado inicial P Fazer { P 0 = P Perturbar x 1, x 2,..., x n Fazer{ P i = P Executar um passo do Método do Gradiente } Enquanto P i – P > Є |P i | } Enquanto P 0 – P > Є |P 0 |

29 Triangulação de Delaunay O reticulado de átomos otimizado é estruturada via triangulação de Delaunay ou diagrama de Voronoi. Triangulação de Delaunay e Diagrama de Voronoi tendem a criar bordas (em 2D) e faces (em 3D) alinhadas às características da imagem. A triangulação de Delaunay sempre conecta os átomos com seus vizinhos mais próximos. 29 Triangulação de Delaunay 316 átomos

30 Diagrama de Voronoi 30 O diagrama de Voronoi conecta os circuncentros dos triângulos de Delaunay. Os átomos ficam mais concentrados junto à fronteira das características de interesse.

31 31 Diagrama de Voronoi 652 átomos Reticulado inicial d min = 5 d max = 10 Reticulado otimizado Pert. = 0.2 x d Diagrama de Voronoi sobre o reticulado otimizado

32 Resultados 32 Triangulação de Delaunay 495 átomos dmin = 10 (pixels pretos) dmax = 20 (pixels brancos) Perturbação = 0.1 x d Diagrama de Voronoi 775 átomos dmin = 8 (pixels pretos) dmax = 16 (pixels brancos) Perturbação = 0.1 x d

33 Resultados 33 Sobel 3 x 3 Dilatação 3 x 3 Cérebro

34 Resultados 34 Malha renderizada cor do pixel = circuncentros de triângulos Reticulado otimizado dmin = 3 (pixels pretos) dmax = 9 (pixels brancos) Perturbação = 0.2 x d Malha 1700 átomos

35 Resultados 35 Triangulação de Delaunay gerada sobre o Volume Sísmico do Campo Stratton, no Sul do Texas.

36 Conclusões 36 O realce de características de interesse é fundamental no método apresentado para que o otimizador de pontos produza bons resultados. Nos resultados constata-se que o método alinha a malha adequadamente às características de interesse para imagens suaves em níveis de cinza. Os parâmetros usados no pré-processamento da imagem devem ser estudados mais adequadamente, para que permitam uma automatização no realce dos horizontes e falhas em imagens sísmicas pouco nítidas.

37 Conclusões 37 No resto do método, os parâmetros apresentados nos resultados são aplicáveis a maioria das imagens. Se a imagem de entrada não permitir obter regiões fechadas, talvez porque tenha sido filtrada inapropriadamente, o método não será capaz de fechar os "buracos". O método implementado pode ser usado para segmentar imagens em geral. O número de átomos do reticulado deve ser grande o suficiente para garantir que a maioria deles se alinhem às características de interesse.

38 Sugestões 38 Existem algoritmos de visualização volumétrica [Silva2004] que ajudam a realçar de modo apropriado características geológicas de interesse na sísmica. Por outro lado, pode-se melhorar a qualidade da malha através de uma fase de pós-processamento. O método implementa um modelo de forças que praticamente é independente do minimizador de energia, o que significa que o método pode ser estendido usando outros modelos de forças. Etapa direta de segmentação da malha gerada.

39 Referências 39 [Hale2001] Atomic images – A Method for Meshing Digital Images. Proceedings of the 10 th International Meshing Roundtable, pp [Hale2002] Atomic meshes: from seismic imaging to reservoir simulation. Proceedings of the 8th European Conference on the Mathematics of Oil Recovery [Jalba2004] CPM: A Deformable Model for Shape Recovery and Segmentation Based on Charged Particles. IEEE Transactions on Pattern Analysis and Machine Intelligence [Silva2004] Visualização Volumétrica de Horizontes em Dados Sísmicos 3D. Tese de Doutorado. PUC-Rio


Carregar ppt "Malhas Numéricas a partir de Imagens Sísmicas Karl Apaza Agüero Paulo Roma Cavalcanti Antonio Oliveira Claudio Esperança COPPE – Sistemas - UFRJ."

Apresentações semelhantes


Anúncios Google