專利名稱：：一種利用多點地質統(tǒng)計法重構圖像統(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)計信息重構技術，特別涉及一種利用基于軟硬數據的多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法。
背景技術：
：目前，空間數據可視化技術在地質勘探、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、插值函數參數以及插值結果基本都是確定的，該方法主要包括距離反比加權法、多項式趨勢面法、基函數法以及基于三角網格的方法等。"不確定"性插值方法的"不確定"性一方面表現在選用的插值形式的隨機性上，另一方面表現在插值參數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統(tǒng)計學中的Kriging方法。然而，由于Kriging方法實質是對條件數學期望平均值的估計，并不能定量描述空間數據分布的非均質性，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據并強調以數據的概率模型為基礎。根據相同的數據條件，隨機模擬可以產生許多不同但是等概率的模擬結果，因此成為預測空間數據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(variogram)為基礎，它們被合稱為基于兩點的地質統(tǒng)計方法。而變差函數只能反映空間兩點之間相關性的這個特點使其難以重構一些復雜圖形，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據建模方法。該方法根據先驗知識、點過程理論及優(yōu)化方法表征目標結構體的空間分布，但該方法對于復雜幾何形態(tài)的參數化和數據的條件化都較為困難。鑒于兩點地質統(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果。通過再現高階統(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圖像中，從而再現圖像的統(tǒng)計信息。在MPS中，使用訓練圖像代替變差函數獲取空間數據的結構性，因而可克服兩點地質統(tǒng)計學不能再現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，因而很容易實現采樣數據的條件化，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，所能得到的硬數據非常有限，但是可以獲得相對比較豐富的軟數據(先驗信息)。例如在石油勘探過程中，所能獲得的硬數據(井位數據)往往非常少，而關于所研究變量的軟數據(如地質解釋和地震資料等)卻相對較為豐富。如果能充分利用較為豐富的軟數據，那么必然會提高所建數學模型的可4靠度和精度。
發(fā)明內容由于現有技術中，僅使用硬數據或無條件數據時，圖像統(tǒng)計信息的重構會比較困難而且精度不高。如果在重構過程中加入軟數據，則可以提高圖像重構的準確性。所以，本發(fā)明結合使用軟數據和硬數據，提出了一種利用多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法。本發(fā)明的目的在于利用基于軟、硬數據的多點地質統(tǒng)計方法對圖像統(tǒng)計信息進行重構，在再現訓練圖像特征模式的過程中，將待模擬圖像的軟數據信息與硬數據信息共同作為MPS方法重構圖像的條件數據，以提高重構圖像的精度。為了達到上述目的，本發(fā)明采用如下技術方案(—)利用數據模板掃描訓練圖像獲得數據事件(參見圖1和圖2);設數據模板為、，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由數據模板中n個向量ua位置的n個狀態(tài)值所組成的"數據事件"《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、，…，^。利用數據模板掃描訓練圖像是為了統(tǒng)計一個數據事件dn出現的概率，即數據事件中的n個數據點S(Ul)，S(u2)，…，S(u》分別處于某個狀態(tài)值s、時該數據事件出現的概率Probxv3r9jzsqg=Prob{6XwJ=、；"l，2,…，/}(2)在應用任一給定的數據模板對訓練圖像掃描的過程中，當訓練圖像中的一個數據事件與數據模板的數據事件dn(由待模擬點u和其所在數據模板內的條件數據所組成)相同時，稱為一個重復。在平穩(wěn)假設的前提下，數據事件dn在有效的訓練圖像中的重復數c(dn)與有效的訓練圖像的大小Nn的比值，相當于該數據事件dn出現的概率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個條件數據值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(cpdf，conditionalprobabilitydistributionfunction).根據貝葉斯條件概率公式，該條件概率分布函數可表達為Prob:Pro順")、""S("a)=Va=l,..，"}(4)Pr06諷"0)=；or=1,…,w}上式中，分母為條件數據事件出現的概率；分子為條件數據事件和待模擬點U取某個狀態(tài)值的情況同時出現的概率，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，故模擬結果具有隨機性。這些結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"的數據結構來加速重構過程，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)軟硬數據的結合；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；P(A。)表示事件A。出現的概率，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為中心的數據模板內的硬數據，它包括原始的硬數據和已經模擬過節(jié)點的狀態(tài)值。C表示軟數據。P(A。|B)和P(A。IC)分別表示在已知硬數據B和軟數據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；而軟數據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)域內某個屬性值的變化趨勢。軟數據的獲取方式較多，其數據結果是否準確取決于樣本的生成，調查過程的組織等等。P(A。|C)可以由軟數據C獲得。定義一個事件A。出現的"先驗距離"為aPW一P:(6)b=類似地，可以定義在硬數據B已知情況下A。出現的"先驗距離"為e一c-a示-:ap(4>I在軟數據C已知情況下A。出現的"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。是否出現的相對貢獻。在實際的科學研究中，當B和C來自不同的數據源時，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)多重數據模板；在訓練圖像中想要包含所有可能的數據事件是不可能的，而且由于受到計算機內存和cpu速度的限制，只能選擇合適的數據模板尺寸。由于數據模板的大小有限，在重構的圖像中其實只反映了訓練圖像上有限尺寸下的結構特征。本發(fā)明采用Tran提出的多重模板的思想，利用網格逐漸密集化的多個數據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格數據模板掃描訓練圖像，得到粗網格下的多點統(tǒng)計信息，然后可以模擬得到粗網格下的結果圖像；將粗網格下的內容作為條件數據復制到細網格上，然后使用細網格模板掃描訓練圖像，得到細網格下的多點統(tǒng)計信息，最后模擬得到細網格下的結果圖像。(五)基于軟硬數據的MPS重構方法；步驟1:利用三維的多重數據模板掃描訓練圖像，建立搜索樹；步驟2:部署條件數據，即將采樣點作為初始條件數據分配到最近的網格點上；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據事件。如果U的條件數據的數目為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c(cU小于某個設定的下限r^，那么就先去除數據模板中離u最遠的節(jié)點，此時的條件數據數目就變?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)去除現在數據模板中距u最遠的節(jié)點，然后在搜索樹中尋找對應這n-2個條件數據的條件概率。如此重復下去，如果數據模板中的條件數據數目下降到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)模擬新增的條件數據；繼續(xù)模擬隨機路徑上的其他點。上述步驟3中設定r^的原因是如果在數據模板中心點u周圍的條件數據越多，那么數據事件包含的有效節(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據事件相同的重復。數據事件重復的數目較少意味著該數據事件可能具有特殊性，這會導致模擬結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據模板大小的方法使得數據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據的數目，優(yōu)先模擬那些條件數據較多的節(jié)點。該方法可以提高圖像重構的質量，不過這要以花費更多的cpu時間為代價。上述本發(fā)明方案將軟數據與硬數據信息共同作為多點地質統(tǒng)計法重構圖像的條件數據，減少圖像重構的不確定性，提高圖像重構的精度。可廣泛應用于如地質勘探、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，與僅使用硬數據和無條件數據的情況相比，該方法重構的圖像具有與真實體數據更為相似的結構特征(具體過程參見后續(xù)的實施例)。以下結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據模板示意圖；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據模板示意圖；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據模板掃描訓練圖像時獲得一個數據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)點的二維三重網格結構視圖，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)為第一重網格，附圖3(b)為第二重網格，附圖3(c)為第三重網格。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)各重網格相對應的三重數據模板視圖，圖中的灰色點表示掃描圖像時待模擬點在數據模板中的位置，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構圖，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)為其孔隙結構圖。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)為基于軟硬數據的MPS重構圖像。圖8(a)是重構圖像的外表面圖，圖8(b)是重構圖像的剖面圖(X=40，Y=40，Z=40)，圖8(c)是其孔隙結構圖。圖9(a)和圖9(b)為無條件數據的MPS重構圖像。圖9(a)為無條件數據情況下所得圖像的外表面圖。圖9(b)為無條件數據情況下所得圖像的孔隙結構圖。圖10(a)和圖10(b)為僅使用硬數據的MPS重構圖像。圖10(a)為只使用硬數據情況下所得圖像的外表面圖。圖10(b)為只使用硬數據情況下所得圖像的孔隙結構圖。圖11(a)為結合軟硬數據情況下的"方差立方體"外表面視圖。圖11(b)為僅使用硬數據情況下的"方差立方體"外表面視圖。圖11(c)為無條件數據情況下的"方差立方體"外表面。圖12(a)為結合軟硬數據情況下的"方差立方體"剖面視圖。圖12(b)為僅使用硬數據情況下的"方差立方體"剖面視圖。圖12(c)為無條件數據情況下的"方差立方體"剖面。圖13(a)為結合軟硬數據情況下的方差值餅圖。圖13(b)為僅使用硬數據情況下的方差值餅圖。圖13(c)為無條件數據情況下的方差值餅圖。圖14(a)、圖14(b)和圖14(c)為目標圖像、結合軟硬數據、僅使用硬數據和無條件數據情況下重構圖像的變差函數視圖。圖14(a)為X方向的變差函數。圖14(b)為Y方向的變差函數。圖14(c)為Z方向的變差函數。具體實施例方式為了使本發(fā)明實現的技術手段、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據信息的多點地質統(tǒng)計方法重構圖像統(tǒng)計信息的實例結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據和無條件數據重構砂巖樣本三維圖像的比較。<table>tableseeoriginaldocumentpage9</column></row><table>表1表1為使用軟硬數據，僅使用硬數據和無條件數據三種情況下重構圖像的平均孔隙度。<table>tableseeoriginaldocumentpage9</column></row><table>表2表2為使用軟硬數據，僅使用硬數據和無條件數據三種情況下重構10幅圖像所需的最大內存和cpu時間。在本實施例中，選用的多孔介質為砂巖樣本，砂巖體數據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體素的砂巖體數據進行實驗，由體數據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構圖。訓練圖像的孔隙度是O.1837。在本實施例中，另取一份80X80X80體素的砂巖體數據作為目標圖像。目標圖像是真實情況下多孔介質孔隙和骨架結構特征的體現，可以提供與模擬結果進行對比的參照數據。該目標圖像的孔隙度是O.1863。從目標圖像中采集0.5%的點作為重構圖像時的原始硬數據，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)是其孔隙結構圖，圖6(d)是采樣點圖。在本實施例中，為了獲得重構砂巖的軟數據，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據，重構圖像時每個待模擬的體素的孔隙概率軟數據即是在"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，重構圖像時每個待模擬的體素的骨架概率軟數據即是在"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，為了重構三維砂巖圖像，采用了3重數據模板，對每重數據模板建立一棵搜索樹以存儲對應情況下訓練圖像的cpdf。重構圖像的尺寸為80X80X80體素。圖8(a)是重構圖像的外表面圖，圖8(b)是重構圖像的剖面圖(X=40，Y=40，Z=40)，圖8(c)是其孔隙結構圖?？梢钥闯觯摲椒ㄉ傻目紫对谒胶豌U直方向上多呈不規(guī)則形狀(見圖8(a)和(b))，而其內部的孔隙結構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，可以看出重構圖像具有與目標圖像相似的孔隙和骨架結構，并重現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、硬數據情況下MPS的重構結果進行比較，利用MPS方法分別在無條件數據和只使用硬數據情況下重構砂巖的三維圖像。重構圖像的尺寸均為80X80X80體素。圖9(a)、(b)分別是無條件數據情況下所得圖像的外表面圖和孔隙結構圖。圖10(a)、(b)分別是只使用硬數據情況下所得圖像的外表面圖和孔隙結構圖。這兩種情況下重構的結果圖像均較好地再現了訓練圖像中孔隙和骨架的結構特征。在本實施例中，采用MPS方法分別在無條件數據、只有硬數據和結合軟硬數據情況下各實現10次砂巖的三維圖像重構。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次重構結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)值對應的體素數目占"方差立方體"體素總數的百分比如圖13(a)、(b)、(c)所示，其中用不同顏色對應上述6種取值?？梢娊Y合軟硬數據時方差為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；而無條件數據時方差為0的體素所占比例遠小于另外兩種情況。由此可知結合軟硬數據時重構圖像的體素狀態(tài)值的變化幅度最小，無條件數據時體素狀態(tài)值的變化幅度最大。分別得到三種情況下10幅重構圖像的平均孔隙度，見表1?？梢娊Y合軟硬數據時的孔隙度與目標圖像的孔隙度最為接近。綜上可知，結合軟數據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10幅圖像所需的最大內存和cpu時間見表2(機器配置cpu采用Athlon3G，內存為2GDDR，操作系統(tǒng)WindowsServer2003)?？梢娙N情況下對于最大內存量的需求區(qū)別不大，但是無條件數據情況下重構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圖像在X、Y、Z方向的變差函數曲線，如圖14(a)、(b)、(c)所示。變差函數能夠反映空間變量在某個方向上空間結構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構特征。由圖14(a)、(b)、(c)可見，結合軟硬數據時的重構圖像和目標圖像在X、Y和Z方向的變差函數曲線呈現出相似的變化趨勢，說明兩者在孔隙結構上非常接近。而其他兩種情況的重構圖像與目標圖像在X、Y、Z方向的變差函數均有較大不同，說明它們的孔隙結構與目標圖像差異較大。由于目標圖像是由真實砂巖數據所獲得，因此結合軟硬數據時的重構圖像與真實情況下的砂巖結構最為接近。本發(fā)明的基于軟硬數據信息的多點地質統(tǒng)計方法重構圖像統(tǒng)計信息實施例在本質上屬于圖像可視化的范疇。這項技術可以廣泛應用于地質勘探、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。本發(fā)明要求保護范圍由所附的權利要求書及其等效物界定。權利要求一種利用多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法，其特征在于，該方法包括(1)利用三維的多重數據模板掃描訓練圖像，建立搜索樹；(2)部署條件數據，即將采樣點作為初始條件數據分配到最近的網格點上；(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據事件；如果u的條件數據的數目為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c(dn)小于某個設定的下限rmin，那么就先去除數據模板中離u最遠的節(jié)點，此時的條件數據數目就變?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)去除現在數據模板中距u最遠的節(jié)點，然后在搜索樹中尋找對應這n-2個條件數據的條件概率；如此重復下去，如果數據模板中的條件數據數目下降到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；獲得軟硬數據情況下的條件概率，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)模擬新增的條件數據；繼續(xù)模擬隨機路徑上的其他點。2.根據權利要求l的利用多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法，其特征在于，所述述步驟(3)中設定r^時如果在數據模板中心點u周圍的條件數據越多，那么數據事件包含的有效節(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據事件相同的重復；所述數據事件重復的數目較少意味著該數據事件可能具有特殊性，這會導致模擬結果引入訓練圖像的特殊模式，而不是其包含的一般模式；故采用逐步減小數據模板大小的方法使得數據事件可以在訓練圖像中找到足夠多的重復。3.根據權利要求l的利用多點地質統(tǒng)計法重構圖像統(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據的數目，優(yōu)先模擬那些條件數據較多的節(jié)點；這樣可以提高圖像重構的質量，不過這要以花費更多的cpu時間為代價。4.根據權利要求l的利用多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法，其特征在于，所述步驟(1)中設數據模板為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};由數據模板中n個向量u。位置的n個狀態(tài)值所組成的數據事件《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.根據權利要求l的利用多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法，其特征在于，所述步驟(1)中數據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，并計算對應的條件概率，從而加快模擬速度。6.根據權利要求l的利用多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法，其特征在于，所述步驟(1)中建立搜索樹時，利用網格逐漸密集化的多個數據模板來替代一個大而密集的模板對訓練圖像進行掃描。7.根據權利要求6的利用多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法，其特征在于，所述步驟(1)中建立搜索樹時，先使用稀疏的粗網格數據模板掃描訓練圖像，得到粗網格下的多點統(tǒng)計信息，然后可以模擬得到粗網格下的結果圖像；將粗網格下的內容作為條件數據復制到細網格上，然后使用細網格模板掃描訓練圖像，得到細網格下的多點統(tǒng)計信息，最后模擬得到細網格下的結果圖像。全文摘要本發(fā)明公開了一種利用基于軟硬數據的多點地質統(tǒng)計法重構圖像統(tǒng)計信息的方法。由于現有技術中，僅使用硬數據或無條件數據時，圖像統(tǒng)計信息的重構會比較困難而且精度不高。如果在重構過程中加入軟數據，則可以提高圖像重構的準確性。所以，本發(fā)明方法利用基于軟、硬數據的多點地質統(tǒng)計方法對圖像統(tǒng)計信息進行重構，在再現訓練圖像特征模式的過程中，將待模擬圖像的軟數據信息與硬數據信息共同作為MPS方法重構圖像的條件數據，以提高重構圖像的精度，減少圖像重構的不確定性。本發(fā)明可廣泛應用于如地質勘探、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