Поиск трехмерных изображений методом сравнения контуров в задачах геологического моделирования пласта

Литвинов П.А., Бессмертный И.А. Поиск трехмерных изображений методом сравнения контуров в задачах геологического моделирования пласта // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 2. С. 303–310. doi: 10.17586/2226-1494-2025-25-2-303-310

Введение. Исследованы методы сравнения трехмерных изображений в задачах геологического моделирования пласта с целью повышения их качества. Предлагаемый в данной работе метод сочетает в себе такие преимущества, как глобальное представление формы, инвариантность к трансформациям, устойчивость к шумам и вычислительную эффективность. Разработан и обоснован подход, основанный на применении моментов изображений для анализа геологических данных в задачах геологического моделирования пласта. Метод. Решение задачи сравнения трехмерных изображений достигается применением математического аппарата алгебраических инвариантов. Сущность предлагаемого подхода состоит в вычислении моментов трехмерных изображений для сравнения инвариантов контуров эталона и образца. Результатом сравнения является количественная метрика соответствия сравниваемого контура искомому эталону. Основные результаты. Разработаны программные средства, встроенные в общий конвейер моделирования и анализа пакета Gempy. Метод показал удовлетворительные результаты работы на тестовой геологической модели. Точность распознавания позволяет использовать разработанные средства как рекомендательную систему. Подтверждена возможность применения предлагаемого метода для поиска заданного объекта в геологической модели и ограниченная применимость для верификации упрощенной модели в ходе итерационного расчета. Обсуждение. Выполнено сравнение разработанного метода с метрикой Хаусдорфа, методом сравнения поперечных срезов, методом сравнения ключевых точек с помощью алгоритмов SIFT и SURF, а также методом интерполяции на сетке. Показано, что для представленного метода возможно расширение области применения на более сложных геологических образованиях для работы с неоднородными структурами. Разработанные средства можно интегрировать с системами геологического моделирования, системами управления базами данных и аналитическими платформами.

1. Билибин С.И., Дьяконова Т.Ф., Исакова Т.Г., Истомин С.Б., Юканова Е.А. Трехмерная геологическая модель – необходимый и обязательный этап изучения нефтегазового месторождения // Недропользование XXI век. 2007. № 4. С. 38–42.

 

2. Григорьев Ю.М., Харбанов М.В. Разработка модуля по созданию упрощенной структурной 3D модели нефтяного пласта // Математические заметки ЯГУ. 2013. Т. 20. № 2. С. 246–255.

 

3. Hu M.-K. Visual pattern recognition by moment invariants // IRE Transactions on Information Theory. 1962. V. 8. N 2. P. 179–187. https://doi.org/10.1109/Tit.1962.1057692

 

4. Boyce J.F., Hossack W.J. Moment invariants for pattern recognition // Pattern Recognition Letters. 1983.V. 1. N 5-6. P. 451–456. https://doi.org/10.1016/0167-8655(83)90085-5

 

5. Нгуен З.Т., Хачумов М.В. Метод наведения 3D-модели объекта на 2D-изображение на основе инвариантных моментов // Программные системы: теория и приложения. 2017. Т. 8. № 4(35). C. 209–220.

 

6. Mukundan R., Ramakrishnan K.R. An iterative solution for object pose parameters using image moments // Pattern Recognition Letters. 1996. V. 17. N 12. P. 1279–1284. https://doi.org/10.1016/0167-8655(96)00099-2

 

7. Flusser J. On the independence of rotation moment invariants // Pattern Recognition. 2000. V. 33. N 9. P. 1405–1410. https://doi.org/10.1016/S0031-3203(99)00127-2

 

8. Zitova B., Flusser J. Image registration methods: a survey // Image and Vision Computing. 2003. V. 21. N 11. P. 977–1000. https://doi.org/10.1016/S0262-8856(03)00137-9

 

9. Sadjadi F.A., Hall E.L. Three-dimensional moment invariants // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1980. V. 2. N 2. P. 127–136. https://doi.org/10.1109/TPAMI.1980.4766990

 

10.   Thakare N.M., Thakare V.M. A Supervised Hybrid Methodology for Pose and Illumination Invariant 3D Face Recognition // International Journal of Computer Applications. 2012. V. 47. N 25. P. 24–29. https://doi.org/10.5120/7537-474

 

11. Sommer I., Muller O., Domingues F.S., Sander O., Weickert J., Lengauer T. Moment invariants as shape recognition technique for comparing protein binding sites // Bioinformatics. 2007. V. 23. N 23. P. 3139–3146. https://doi.org/10.1093/bioinformatics/btm503

 

12. Xu D., Li H. 3-D affine moment invariants generated by geometric primitives // Proc. of the 18^th International Conference on Pattern Recognition (ICPR'06). 2006. P. 544–547. https://doi.org/10.1109/icpr.2006.21

 

13. Suk T., Flusser J., Boldyš J. 3D rotation invariants by complex moments // Pattern Recognition. 2015. V. 48. N 11. P. 516–3526. https://doi.org/10.1016/j.patcog.2015.05.007

 

14. Mamistvalov A.G. n-Dimensional moment invariants and conceptual mathematical Theory of recognition n-Dimensional solids // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. V. 20. N 8. P. 819–831. https://doi.org/10.1109/34.709598

 

15. Lowe D.G. Distinctive image features from scale-invariant keypoints // International Journal of Computer Vision. 2004. V. 60. N 2. P. 91–110. https://doi.org/10.1023/b:visi.0000029664.99615.94

 

16. Bay H., Tuytelaars T., Van Gool L. SURF: Speeded up robust features // Lecture Notes in Computer Science. 2006. V. 3951. P. 404–417. https://doi.org/10.1007/11744023_32

 

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License