基于细分曲面的地震数据表示

摘要

图像的两种典型表示方法是光栅图形和矢量图形。光栅图形是一个像素网格，每个像素存储彩色/灰度值或一个索引颜色。基于像素的图像表示已经揭示其在许多应用方面的缺点，例如图像放大和打印。矢量图形使用像曲线和曲面等图形对象定义图像，而不是离散的像素点。矢量表示是可缩放的，且与分辨率无关。矢量图形表示紧凑，需要存储少量的数据，且容易编辑。基于这些优点使得矢量图形广泛应用于个人电脑和互联网。因此，为了更好地存储、编辑、传输和应用图像数据，将传统的光栅图像进行矢量化越来越重要。
　　本文提出了一种以细分为基础的矢量图形图像表示及其创建方法。图形是由具有特征属性的边缘与具有色彩属性的细分曲面表示。基于该图像表示思想，建立了图像曲线特征检测、连续区域剖分、矢量表示创建的一整套实现光栅图像矢量化的自动化算法。
　　该算法首先通过边缘检测得到的边缘用以描述图像的曲线特征；然后构造基于所述曲线边缘的Delaunay三角剖分，Delaunay三角剖分技术将一个区域划分为一组非重叠的三角形；最后用Loop细分算法更新三角网格及三角面片的颜色属性。本文将该矢量化算法应用于数据量巨大的地震数据的图像重建，实验表明本文的图像矢量算法只需存储少量的数据就可较精确地和紧凑地实现了基于矢量的地震数据表示。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题来源及研究的目的和意义

1.2 国内外图像矢量化方法研究现状

1.3 细分曲面技术的理论研究现状

1.4 课题主要研究内容

第2章 典型的细分曲面算法

2.1 细分模式分类

2.2 Doo-Sabin细分模式

2.3 Catmull-Clark细分模式

2.4 Loop细分模式

2.5 改进的Butterfly细分模式

2.6 √3细分模式

2.7 本章小结

第3章 基于特征点提取的细分曲面算法

3.1 基于边缘提取的特征点生成方法

3.2 初始点集的Delaunay三角剖分

3.3 地震数据矢量化算法

3.4 基于三角网格的重建算法

3.5 本章小结

第4章 数值实验

4.1合成地震数据矢量化

4.2 实测地震数据矢量化

4.3 本章小结

结论

参考文献

声明

致谢