2010telb0139 Drissi PDF

N˚ d’ordre : 2010TELB0139
THÈSE
Présentée à
L’ÉCOLE NATIONALE SUPÉRIEURE DES

TÉLÉCOMMUNICATIONS DE BRETAGNE
en habilitation conjointe avec l’université de Rennes 1
pour obtenir le grade de
DOCTEUR De Télécom Bretagne
Mention “Traitement de signal et télécommunications”
par
Noomane DRISSI
Détection des horizons et des discontinuités et fusion d’attributs

dans les images sismiques
Soutenue le 07 Septembre 2010 devant la commission d’examen :
Composition du Jury
Rapporteurs : Olivier LAVIALLE, Professeur, Université de Bordeaux

Kamel HAMROUNI, Professeur, École Nationale d’Ingénieurs de Tunis
Examinateurs : Lotfi SENHADJI, Professeur, Université de Rennes 1

Jean-Marc BOUCHER, Professeur, Télécom Bretagne
Thierry CHONAVEL, Professeur, Télécom Bretagne
Abdel BOUDRAA, Maı̂tre de conférences, École Navale
Invité : Jacques MEUNIER, Ingénieur, Ifremer
Remerciements
Mes premiers remerciements iront à mes deux directeurs de thèse, Messieurs Jean-Marc Bou-
cher et Thierry Chonavel, Professeurs à Télécom Bretagne qui m’ont encadré tout au long de cette
thèse. Je les remercie pour tous leurs efforts pour diriger cette thèse et pour leurs conseils et leur soutien.
Je remercie également Monsieur Ramesh Pyndiah, Professeur et chef du département signal et

communication à Télécom Bretagne qui m’a accepté au sein de son département.
Je remercie Olivier Rabaste Docteur de Télécom Bretagne et co-équipier de l’équipe de football

qui m’a beacoup aidé au début de ma thèse.
Mes remerciements à tout le département signal et communication et à tout les amis à Brest et
à CGGVeritas : Fadoua, Imen, Andrzej, Goulven, Asma, Hmaied, Samar, Mohammed, Monique,
Martine, Abdessalem, Mounir, Abdelhamid et toute la famille Zemirline, Youssouf, Stéphanie,
Rodrigue, Massinissa, Patricia, Houmem, Wael, Anass, l’équipe de foot, Robert, Faouzi, Karim,
Salim, Atto, Safa, Humberto, Nicolas
Un grand merci enfin à Sana, mon épouse, pour son soutien et son encouragement.
1
Dedicace
A mes parents,
A ma femme,
A ma fille,
A mes frères et soeurs,
A toute ma famille
A tous mes enseignants,
Je dédie ce travail.
3
Table des matières
Introduction
1 Le traitement du signal sismique 21

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2 Les ondes acoustiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.1 Propagation des ondes sismiques . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.2 Pénétration et résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3 Acquisition des signaux sismiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.1 Acquisition terrestre (Onshore) . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.2 Acquisition Marine (Offshore) . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4 Traitement des signaux sismiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4.1 Formatage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4.2 Filtrage F − K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4.3 Correction des amplitudes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4.4 Atténuation des multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4.5 Déconvolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.4.6 Vitesse des ondes P et des ondes S . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4.7 Analyse de la vitesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.4.8 Corrections statiques et corrections dynamiques . . . . . . . . . . . . . . . . . 29
1.4.9 Migration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.5 Interprétation sismique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.5.1 Interprétation structurale et stratigraphique . . . . . . . . . . . . . . . . . . 32
1.5.2 Interprétation lithologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.6 Attributs sismiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.6.1 Trace complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5
6 TABLE DES MATI ÈRES
1.6.2 Attributs instantanés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

1.6.3 Attributs géométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.6.4 Pendage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.6.5 Attributs de courbure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.6.6 Attributs de similarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.7 Cas particulier d’acquisition : la sismique des puits . . . . . . . . . . . . . . . . . . . 41
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2 Détection des horizons sismiques à l’aide des contours actifs 43

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Les méthodes existantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.1 Pointé manuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.2 Interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.3 Corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.4 Voxel multiattributs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.5 Coupes en temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.6 Morphologie mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.7 Autres méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3 Difficultés du suivi des horizons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4 Généralités sur les contours actifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.1 Les contours GVF (gradient vector flow contours) . . . . . . . . . . . . . . . 50
2.5 Adaptation de l’algorithme aux données stratifiées . . . . . . . . . . . . . . . . . . . . 51
2.6 Modèle synthétique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.6.1 Milieu stratifié horizontalement . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.6.2 Milieux géologiquement plus complexes . . . . . . . . . . . . . . . . . . . . . 55
2.6.3 Application dans le domaine du tir (SP) . . . . . . . . . . . . . . . . . . . . . 56
2.6.4 Sensibilité au bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.7 Analyse du comportement des contours sur des données réelles . . . . . . . . . . . . . 57
2.7.1 Initialisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.7.2 Simulation et résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.7.3 Influence du paramètre µ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.7.4 Influence du pas de l’initialisation . . . . . . . . . . . . . . . . . . . . . . . . 58
2.7.5 Analyse de zones irrégulières . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
TABLE DES MATIÈRES 7
2.8 Utilisation des attributs sismiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

2.9 Détection des discontinuités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.9.1 Données synthétiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.9.2 Données réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.10 Evaluation des performances du pointé . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3 Entropie Cumulative Résiduelle Généralisée et Applications 65

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2 Entropie cumulative généralisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2.1 Limites de l’entropie de Shannon . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.2.2 Entropie cumulative résiduelle généralisée . . . . . . . . . . . . . . . . . . . . 66
3.2.3 Premières propriétés de la GCRE . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.3 Entropie conditionnelle, information et entropie maximale . . . . . . . . . . . . . . . 69
3.3.1 Entropie conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.2 Taux d’entropie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.3 Entropie maximale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.4 Exemple : application à l’identification de systèmes . . . . . . . . . . . . . . . 72
3.4 La GCRE : un nouvel attribut sismique . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.4.1 Calcul à partir de l’histogramme . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.4.2 Calcul basé sur la matrice de cooccurence . . . . . . . . . . . . . . . . . . . . 75
3.4.3 Application à la détection des horizons sismiques . . . . . . . . . . . . . . . . 77
3.4.4 Résultats quantitatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.5 Application à la comparaison des images sismiques . . . . . . . . . . . . . . . . . . . 81
3.5.1 Mesures de répétabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.5.2 Application sur des traces synthétiques . . . . . . . . . . . . . . . . . . . . . 82
3.5.3 Application sur des images synthétiques . . . . . . . . . . . . . . . . . . . . . 86
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4 Fusion des attributs sismiques à l’aide de la théorie de l’évidence 91

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2 Etat de l’art de la classification des faciès sismiques . . . . . . . . . . . . . . . . . . . 92
4.2.1 Etat de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2.2 Difficultés de la classification automatisée . . . . . . . . . . . . . . . . . . . . 95
8 TABLE DES MATI ÈRES
4.2.3 Démarche proposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

4.3 Classification par la théorie de l’évidence . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3.1 Rappel sur la théorie de Dempster Shafer . . . . . . . . . . . . . . . . . . . . 96
4.3.2 Application à la classification d’attributs . . . . . . . . . . . . . . . . . . . . 100
4.3.3 Application à la détection de failles . . . . . . . . . . . . . . . . . . . . . . . 107
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5 Conclusion et perspectives 113
A Matrices de cooccurence 117
B Paramètres d’acquisition des données réelles 119

Liste des figures
1.1 Ondes incidente, transmise et réflechie. . . . . . . . . . . . . . . . . . . . . . . . . . 22

1.2 Principe de la sismique marine. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3 Filtrage FK. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4 Multiple et primaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5 Quelques types de multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.6 Correction NMO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.7 Points de réflexions et point milieu. . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.8 La convention SEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.9 Les réflecteurs et la signification géologique . . . . . . . . . . . . . . . . . . . . . . . 33
1.10 Evolution historique des attributs [11] . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.11 Classification des attributs [18]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.12 Trace complexe [87]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.13 Définition de la courbure. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.14 Profil sismique vertical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.1 Méthode basée sur la corrélation (d’après [28]). . . . . . . . . . . . . . . . . . . . . . 44

2.2 Méthode basée sur la connectivité des voxels (d’après [28]). . . . . . . . . . . . . . . . 45
2.3 Méthode basée sur les coupes en temps (d’après [28]). . . . . . . . . . . . . . . . . . . 46
2.4 Le saut du pointé automatique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5 Evènement incohérent à côté de la discontinuité et arrêt de l’horizon. . . . . . . . . . . 48
2.6 Effet directionnel de la détection. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.7 Construction des vecteurs tangents et gradients au contour actif . . . . . . . . . . . . . . . . . . 53
2.8 Modèle en temps et le modèle en profondeur correspondant. . . . . . . . . . . . . . . . 54
2.9 Détection des horizons par les contours actifs. . . . . . . . . . . . . . . . . . . . . . . 54
2.10 Quelques structures géologiques plus complexes . . . . . . . . . . . . . . . . . . . . . 55
9
10 LISTE DES FIGURES
2.11 Détection sur un tir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.12 Erreur moyenne en fonction de ln(σb2 ) pour µ = 0.08, µ = 0.12 et µ = 0.16. . . . . . 57
2.13 Influence du paramètre µ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.14 Influence de l’initialisation, µ = 0.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.15 Zone irrégulière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.16 Discontinuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.17 Détection des discontinuités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.18 Variation des attributs sismiques le long d’un horizon. De haut en bas : Amplitude
sismique, phase instantanée, fréquence instantanée et cohérence . . . . . . . . . . . . 64
3.1 10 tracés de IS (α) (haut) et IC (α) (bas) en fonction de α. Trait pointillé : moyenne des
200 réalisations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.2 Image initiale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.3 Attribut de phase instantanée correspondant. . . . . . . . . . . . . . . . . . . . . . . 76
3.4 GCRE correspondant à l’attribut de phase. . . . . . . . . . . . . . . . . . . . . . . . . 76
3.5 HS correspondant à l’attribut de phase. . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.6 Exemples de matrices de cooccurence pour un offset de 3 pixels. . . . . . . . . . . . . . 77
3.7 Entropie de Shannon pour un rayon égal à 5. . . . . . . . . . . . . . . . . . . . . . . 79
3.8 GCRE pour un rayon égal à 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.9 Observation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.10 Y en utilisant HS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.11 Y en utilisant la GCRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.12 Le contour s’alignant sur le réflecteur . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.13 Section synthétique : translation de la trace de base dans la première colonne. . . . . . 84
3.14 Comparaison entre les mesures de répétitivité, du haut en bas : IS , IC , N RM S et la

valeur de la translation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.15 Section synthétique : rotation de la trace de base. . . . . . . . . . . . . . . . . . . . . 85
3.16 Comparaison entre les mesures de répétitivité, du haut en bas : IS , IC , N RM S et le

déphasage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.17 Section synthétique : bruitage de la trace de base. . . . . . . . . . . . . . . . . . . . . 86
3.18 Comparaison entre les mesures de répétitivité, du haut en bas : IS , IC , N RM S et σb2 . . 86
3.19 Données 4D synthétiques(l’échelle verticale est le temps et l’horizontale est le numéro

de la trace) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
LISTE DES FIGURES 11
3.20 Calcul de l’IC et de N RM S2D en deux dimensions (l’échelle verticale est le temps et
l’horizontale est le numéro de la trace) . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.1 Analyse non supervisée basée sur les nuées dynamiques. Figure extraite de [51]. . . . . 93
4.2 Meta-attribut. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.3 Fonction de masse consonante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.4 Comparaison des deux énergies pour une même trace sismique . . . . . . . . . . . . . 101
4.5 Données réelles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.6 Décision pour l’amplitude absolue intégrée, Rouge : {HA}, Bleue : {LA}. Blanc :
{HA, LA}. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.7 Décision pour l’énergie moyenne de vibration, Rouge : {HA}, Bleue : {LA}. Blanc :
{HA, LA}. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.8 Fusion des deux attributs. Rouge : {HA}, Bleue : {LA}, Blanc : {HA, LA}. . . . . . 105
4.9 Décision pour l’amplitude absolue integrée. Rouge : {HA}, Bleue : {LA}, Blanc :
{HA, LA}. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.10 Décision pour l’énergie moyenne de vibration. Rouge : {HA}, Bleue : {LA}, Blanc :
{HA, LA}. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.11 Fusion des deux images. Rouge : {HA}, Bleue : {LA}, Blanc : {HA, LA}. . . . . . . 107
4.12 Données réelles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.13 Section 2D migrée en profondeur (d’après H. Nouzé,IFREMER) . . . . . . . . . . . . 108
4.14 Coherence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.15 Similarité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.16 Energie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.17 Méta-attribut F aille. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Liste des tableaux
3.1 Les valeurs de la GCRE correspondants aux images de la figure 3.6. . . . . . . . . . . 77

3.2 Les valeurs de HS correspondants aux images de la figure 3.6. . . . . . . . . . . . . . 77
3.3 Estimation de a et b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.1 Fusion des deux jeux de masses. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
13
Introduction
La géophysique est une branche des sciences de la terre qui s’intéresse à l’étude des pro-
priétés physiques de la terre. Elle comprend plusieurs méthodes telles que la sismologie, la
sismique réflexion et la sismique réfraction, le géomagnétisme, la prospection électrique et
la méthode des anomalies gravimétriques. Parmi les méthodes qui ont eu le plus de succès
surtout en prospection pétrolière notons en particulier la méthode de sismique réflexion.
La sismique réflexion a fait ses débuts pendant les années 1920 et est depuis restée la méthode
la plus utilisée pour la recherche des hydrocarbures à cause de sa simplicité et de son coût très
réduit en comparaison aux méthodes de prospection classiques telles que les forages et les
carrottages. La sismique réflexion est basée sur le principe de propagation des ondes acous-
tiques. En effet, des ondes acoustiques sont créées à la surface de la terre. Elles se propagent
le long du sous-sol et se réflechissent sur les différentes interfaces entre les strates du sous-
sol. L’étude de l’énergie réfléchie permet de recalculer les vitesses de l’onde et la structure
(géométrie) des milieux traversés qui permettent par la suite de retrouver les caractéristiques
physiques de chaque couche géologique traversée.
Les principes de base de la propagation des ondes et la géométrie des raies restent valables
quelque soit le type de l’acquisition, terrestre ou marine. Cependant, des différences aux ni-
veaux de la géométrie de l’acquisition existent entre ces deux milieux d’acquisition. L’acqui-
sition marine est généralement de type Of f − End (flûte tirée par un bateau) contrairement à
l’acquisition terrestre où on peut avoir plusieurs types (zig-zag, double zig-zag,...). D’autres
différences au niveau du traitement existent, à cause de la nature des données marines qui su-
bissent le problème des multiples (réflexions multiples) et les données terrestres qui souffrent
d’un SNR faible et de différences d’élévation entre les sources et les récépteurs (statiques).
Les signaux enregistrés à l’acquisition sismique sont ensuite traités. Il est important de noter
que les données sismiques ne sont pas utilisables sans les données géométriques et topogra-
phiques. Le traitement comporte trois étapes essentielles qui sont :
⋄ la déconvolution,
⋄ la sommation,
⋄ la migration.
Plusieurs autres étapes existent, qui ont pour but l’amélioration du rapport signal sur bruit.
On peut citer par exemple le filtrage, le filtrage FK et les corrections dynamiques, etc. L’ana-
lyse des vitesses est aussi une étape très importante dans le traitement puisqu’elle permet de
15
16 INTRODUCTION
retrouver d’une manière exacte la profondeur de l’interface de réflexion.

Au sein du département Signal et Communication de Télécom Bretagne, on s’est intéressé à la
déconvolution des signaux issus de la sismique réflexion marine à travers les thèses d’Oliver
Rosec [75] et de Benayad Nsiri [65]. Ces travaux ont porté essentiellement sur l’amélioration
de la résolution temporelle des signaux en suivant des approches 1D et 2D.
Dans cette thèse, nous avons choisi de pousser plus notre travail vers l’interprétation et la
caractérisation des réservoirs à l’aide de différentes méthodes du traitement du signal et
d’image. Notre choix est fondé sur plusieurs raisons :
1. la grande variété des méthodes de déconvolution existantes et l’utilisation essentielle-
ment de deux méthodes efficaces ( predictive deconvolution et spiking deconvolution)
qui ont fait leurs preuves dans le traitement des données sismiques ont diminué notre
intérêt pour la déconvolution ;
2. le succès que présentent les méthodes de traitement d’image appliquées à la sismique
réflexion ;
3. l’intérêt énorme des attributs sismiques à l’industrie pétrolière et leur nombre qui ne
cesse d’augmenter ;
4. le besoin urgent des ingénieurs réservoirs en matière de nouvelles méthodes
d’intégration de différents types de données pour une meilleure compréhension de la
structure du réservoir ;
5. mon activité industrielle actuelle a favorisé ma sensibilisation aux aspects précédents.
Le signal auquel on s’intéresse dépend du type et du but de l’acquisition. En général, on
considère comme du signal les réflexions des ondes primaires P et tout le reste comme du
bruit. Mais parfois, dans les acquisitions en trois composantes par exemple, les réflexions des
ondes secondaires S sont considérées comme du signal en plus des ondes P , ce qui a une
influence directe sur la séquence de traitement à appliquer.
Dans le chapitre 1, nous présentons l’acquisition sismique ainsi qu’une description des
différentes étapes du traitement et l’introduction des notions de trace complexe et d’attri-
buts sismiques qui seront utilisées dans les chapitres suivants.
L’interprétation est l’étape qui vient après le traitement des données. Elle est très im-
portante et très difficile et nécessite plusieurs années d’expérience. L’interprétation est la
compréhension de la structure, de la lithologie et de la stratigraphie de la zone étudiée. Cette
tâche est très consommatrice en temps. Elle nécessite des analyses qualitatives et quantita-
tives de la sismique pour la détermination des groupes de réflexion sismique qui ont des
paramètres communs comme par exemple l’amplitude ou la fréquence. Ces groupes sont les
faciès que l’expert doit inclure dans un modèle géologique pour mieux comprendre et ca-
ractériser un réservoir éventuel. L’interprétation comprend la classification et l’identification
des faciès, l’association verticale et latérale et la calibration avec les données au niveau des
puits.
L’interprétation est devenue de plus en plus automatisée et basée sur des grandeurs quan-
titatives. Plusieurs programmes commerciaux existent pour faciliter la tâche de l’utilisateur.
INTRODUCTION 17
Mais, malgré cette évolution, l’avis du spécialiste (géologue et géophysicien) est toujours
nécessaire. L’interprétation est basée sur l’identification des horizons sismiques et des dis-
continuités ainsi que d’autres structures géologiques particulières.
Au cours de l’interprétation et de l’étude du réservoir les spécialistes ont besoin de plusieurs
étapes intermédiaires pour bien accomplir leur mission :
⋄ détecter les horizons principaux de l’image sismique ;
⋄ générer, créer et simuler des attributs sismiques ;
⋄ réaliser les études de plusieurs sismiques 3D à travers le temps (4D) ;
⋄ fusionner les attributs et toutes les données non sismiques.
La détection des horizons sismiques est confrontée à plusieurs difficultés tel que le rapport
signal sur bruit faible, l’effet directionnel de la détection,...
Dans le chapitre 2, nous introduisons une nouvelle méthode de suivi automatique des
réflecteurs. Elle est fondée sur la méthode des contours actifs. Notre nouvelle méthode pro-
fite des avancées des méthodes de détection de bord en traitement d’image pour l’appliquer
à la détection des horizons et des discontinuités, sur les images sismiques en particulier. Cette
approche repose sur l’optimisation d’une fonction d’énergie liée à l’image sismique.
Après la détermination des horizons principaux dans l’image, on s’intéresse à la génération
des attributs sismiques. Les attributs sont une mesure quantitative d’une caractéristique
sismique d’intérêt. Ils sont apparus depuis les années 1930 et continuent à étre utilisées
avec succès jusqu’à maintenant. Actuellement, de nouveaux attributs sont en train d’ap-
paraı̂tre. Les attributs sismiques aident énormément les spécialistes pour la prédiction et la
caractérisation des réservoirs. Avant les années 1990, l’utilisation des attributs était basée
presque exclusivement sur les attributs d’amplitudes instantanées. Après cette date, d’autres
attributs sont apparus. Ils sont basés sur des calculs mono et multi-traces. Actuellement, les
attributs de texture émergent. Des informations comme l’entropie, l’inertie, l’énergie et l’ho-
mogéneité de l’image nous renseignent beaucoup sur les caractéristiques sismiques.
Dans le chapitre 3, nous nous intéressons à la mesure de l’entropie. Nous introduisons une
nouvelle mesure de l’entropie nommée Entropie Cumulative Résiduelle Généralisée. Nous
étudions les propriétés de cette nouvelle mesure de l’information afin de pouvoir l’utiliser
comme un attribut sismique et comme un outil de détection des objets saillants dans une
image sismique. Nous montrons également son utilité pour la caractérisation des réservoirs
et les études 4D.
La multitude des attributs sismiques et le besoin urgent des ingénieurs réservoirs en matière
de nouvelles méthodes d’intégration de toutes ces informations et d’autres types de données
non sismiques nous poussent à aborder le thème de la fusion et de l’intégration des informa-
tions sismiques et non sismiques afin d’obtenir une meilleure compréhension de la structure
et de l’évolution du réservoir.
Dans le chapitre 4, nous introduisons la théorie de Dempster-Shafer (ou théorie de l’évidence)
qui est le cadre conceptuel de notre méthode d’intégration et de fusion des attributs. Cette
méthode permet de fusionner plusieurs types de données à travers des fonctions de croyance.
Elle permet d’éviter la nécessité d’avoir une base de données pour laquelle on aura souvent
18 INTRODUCTION
besoin d’un grand nombre d’échantillons statistiquement indépendants, comme c’est le cas
pour les réseaux de neurones, et surtout de dépasser la construction de mesures probabilistes
de plusieurs types de données qui n’ont pas un caractère aléatoire simple.
Enfin, notre dernier chapitre est réservé aux conclusions sur ce travail et aux perspectives
pour de prochains travaux.
1
CHAPITRE
Le traitement du signal
sismique
1.1 Introduction
La géophysique est une branche des sciences de la Terre qui a pour but l’étude des pro-
priétés du globe terrestre [33]. La géophysique comprend plusieurs disciplines tel que la gra-
vimétrie, la sismologie, le géomagnétisme et la sismique.
La sismique se divise essentiellement en deux branches : la sismique réflexion et la sismique
réfraction. Elles se basent toutes les deux sur la propagation des ondes acoustiques dans le
sous-sol. La sismique réfraction est plus coûteuse et plus difficile à mettre en oeuvre que
la sismique réflexion qui est largement utilisée, vues son efficacité et son prix relativement
réduit. Dans ce chapitre, nous présenterons différents aspects de la sismique réflexion. Nous
commencerons par la présentation de l’acquisition des données. Ensuite, nous détaillerons
les différentes étapes du traitement des données. Nous expliquerons plus particulièrement le
phénomène de migration. Nous introduisons ensuite la théorie de la trace complexe et nous
présentons les attributs sismiques qui en découlent. Enfin, nous donnerons un aperçu du
profil sismique vertical.
1.2 Les ondes acoustiques
La sismique réflexion est une méthode de prospection géophysique qui se base sur l’emis-
sion d’une onde sonore qui pénètre et se propage dans le sol et se réfléchit sur les interfaces
qui séparent les couches géologiques de caractéristiques différentes [33].
1.2.1 Propagation des ondes sismiques
Soit une interface séparant un milieu 1 de densité ρ1 (ou masse volumique) et dont la
vitesse de propagation de l’onde est V1 et un milieu 2 de densité ρ2 et dont la vitesse de
propagation de l’onde est V2 et i, r et t les angles de l’onde incidente, de l’onde réfléchie et
celle de l’onde transmise, respectivement, mesurés par rapport à la normale à la surface. Les
19
20 CHAPITRE 1 : L E TRAITEMENT DU SIGNAL SISMIQUE
relations qui relient ces angles avec les vitesses sont appelées lois de Snell-Descartes :
i = r, (1.1)
sin i sin t
= . (1.2)
V1 V2
On définit aussi l’impédance acoustique, notée Z, qui est le produit de la vitesse de propaga-
tion de l’onde sismique par la masse volumique :
Z = ρV. (1.3)
Soient Ai , Ar et At les amplitudes des ondes incidente, réfléchie et transmise respectivement.

On appelle coefficient de réflexion, noté R, et de transmission, noté T , les quantités :
Ar
R= , (1.4)
Ai
At
T = . (1.5)
Ai
En incidence normale, ces mêmes quantités peuvent être exprimées à l’aide de l’impédance
acoustique Z de la façon suivante :
Z2 − Z1
R= , (1.6)
Z2 + Z1
2Z1
T = . (1.7)
Z2 + Z1
La figure 1.1 montre les directions d’incidence, de réflexion et de transmission suivies par
l’onde au niveau d’une interface entre deux couches différentes.
Onde réfléchie
Onde incidente
Z1
milieu 1
milieu 2
Z2
Onde transmise
Figure 1.1: Ondes incidente, transmise et réflechie.
1.2.2 Pénétration et résolution
Les ondes de hautes fréquences (de courte longueur d’onde) ne pénètrent dans le sous-
sol que sur une faible distance alors que les ondes de basses fréquences (de longueur d’onde
élevée) pénètrent sur de grandes profondeurs dans le sous sol. Contrairement à la profon-
deur de pénétration dans le sous-sol, la possibilité de distinguer deux couches proches est
Section 1.3 : Acquisition des signaux sismiques 21
plus grandes pour les ondes de hautes fréquences que pour les ondes de basses fréquences.
Cette capacité à distinguer les couches proches est appelée résolution. Pour différencier deux
couches séparées d’une distance d, la longueur d’onde doit être inférieure à 2d [33, 52].
On distingue 3 classes de sismique réflexion selon la profondeur du milieu à étudier
1. La sismique réflexion profonde : les fréquences varient entre 5 et 80 Hz, d’où une
pénétration de quelques kilomètres avec une résolution de l’ordre d’une centaine de
mètres.
2. La sismique réflexion à profondeur moyenne : les fréquences sont entre 50 et 400 Hz. La
pénétration peut dépasser 1 km et la résolution est de l’ordre d’une dizaine de mètres.
3. La sismique réflexion peu profonde : c’est la sismique à très haute résolution (THR). La
pénétration peut atteindre les 100 mètres et la résolution est de l’ordre du mètre. Les
fréquences varient entre 300 et 1000 Hz.
1.3 Acquisition des signaux sismiques
L’acquisition des signaux sismiques se base sur le principe de la propagation des ondes
sonores. En effet, des ondes sonores créées par une source se propagent dans le sous-sol
et elles se réflchissent en rencontrant les interfaces entre les différentes couches de la terre.
Les signaux qui reviennent ainsi à la surface sont récoltés par des capteurs sismiques. On
distingue deux types d’acquisition sismique en fonction du milieu d’acquisition
1.3.1 Acquisition terrestre (Onshore)
L’acquisition terrestre se déroule sur terre. Les sources sismiques sont essentiellement de
deux types : les explosifs et les camions vibrants. Les explosifs génèrent des impulsions très
courtes dans le temps mais très énergétiques et qui sont très bien approximées par des on-
delettes à phase minimale. Les camions vibrants génèrent des signaux à phase nulle appelés
sweep dont on peut régler plusieurs paramètres comme la durée, le domaine fréquentiel, la
réponse fréquentielle, etc...
Les capteurs sismiques sur terre sont appelés géophones et contiennent un circuit avec un ai-
mant et une bobine. Le déplacement des particules du sous-sol va générer un déplacement re-
latif entre la bobine et l’aimant et, par suite, un courant qui est proportionnel au déplacement.
Selon la direction verticale, longitudinale ou transversale le géophone capte les ondes P de
compression, S1 de cisaillement longitudinal ou S2 de cisaillement transversal.
Récemment, un autre type de capteur sismique a été introduit. Il s’agit des accéléromètres.
Ces capteurs sont basés sur les M EM S. Ils permettent une réduction de la distorsion du
signal ainsi qu’une augmentation de la bande passante, comparée à celle des géophones [41].
1.3.2 Acquisition Marine (Offshore)
L’acquisition marine se déroule en milieu marin. Les sources sismiques sont des canons
à eau, des canons à air ou bien des explosifs. Les explosifs ne sont plus utilisés à cause du
risque environnemental pour la faune marine. Les canons à air ou à eau génèrent des bulles
dans l’eau, la fluctuation de la taille de la bulle engendre une fluctuation de la pression et par
la suite la création d’une onde sonore qui va se propager dans le fond marin et le sous sol.
Après réflexion, les signaux seront enregistrés par les capteurs sismiques qui sont appelés
dans ce cas des hydrophones.
Les hydrophones sont constitués d’un élément piézo-éléctrique qui génère un courant suite à
une déformation causée par une différence de pression. Comme les ondes de cisaillement ne
se propagent pas dans l’eau, les hydrophones ne captent que les ondes P de compression. Le
principe de cette méthode est montré par la figure 1.2.
direction de
offset la navigation
surface
Streamer bateau
eau
Source
sous sol
Figure 1.2: Principe de la sismique marine.
1.4 Traitement des signaux sismiques
Le signal sismique dépend de la nature de l’acquisition. Il est généralement constitué par

les réflexions primaires des ondes P. Les réflexions secondaires des ondes P sont des mul-
tiples. Dans le cas d’une acquisition en 3 composantes, les ondes S sont aussi considérées
comme du signal utile. Tout ce qui n’est pas du signal utile est considéré comme du bruit.
Le traitement des signaux sismiques comprend plusieurs étapes qui ne sont pas toujours or-
données de la même façon, qui se chevauchent et qui dépendent du but (ex : recherche scien-
tifique ou industrielle) et du type de l’acquisition. Nous présentons ici les étapes principales
de cette chaı̂ne.
1.4.1 Formatage
Les signaux récoltés à l’issue d’une compagne sismique ont subi plusieurs opérations de
multiplexage, de numérisation et d’amplification avant d’être enregistrés sur des cassettes
Section 1.4 : Traitement des signaux sismiques 23
(Tapes) sous un format standard SEG-D de la Society of Exploration Geophysics (SEG). Pour
être lues localement dans une chaı̂ne de traitement, ces cassettes doivent être formatées et par
la suite vérifiées.
L’acquisition est souvent faite avec un pas d’échantillonnage de 2ms alors que le traitement
est généralement fait à une cadence de 4ms. Un réechantillonage est alors effectué et l’appli-
cation d’un filtre anti-repliement est alors nécessaire.
1.4.2 Filtrage F − K
Une des étapes fondamentales est l’atténuation du bruit linéaire. Cette étape se fait dans
le domaine F − K : fréquence F - nombre d’onde K. Les évènements avec un pendage (in-
clinaison par rapport à l’horizontale) apparent dans le domaine du tir apparaissent comme
des lignes droites qui passent par l’origine dans le domaine F − K. En conséquence, deux
évènements avec le même contenu fréquentiel mais deux pendages différents seront séparés
dans ce domaine et ainsi filtrés, d’où son utilité. Le passage à ce domaine se fait à l’aide de la
transformée de Fourier 2D.
La figure 1.3 montre le plan F − K et comment le signal et le bruit sont séparés.
Signal
Bruit
Bruit
- Pendage +
Figure 1.3: Filtrage FK.
1.4.3 Correction des amplitudes
L’amplitude du signal sismique subit une atténuation qui doit être corrigée. L’atténuation
est causée par trois facteurs [52] :
1.4.3.1 La divergence géométrique
Ce terme est le plus important parmi les différents types d’atténuation. L’énergie de la
source sismique est répartie sur une sphère dont le rayon r augmente avec le temps. Aussi,
l’amplitude décroit en fonction de 1r . Pour illustrer l’importance de l’atténuation, prenons
un exemple d’un milieu homogène de vitesse constante v = 3000 m/s avec des chemins
d’ondes rectilignes et d’une source d’amplitude 1. Après seulement 1s, l’amplitude du signal
est seulement de 0.00033 !
1.4.3.2 La transmission
A part la réflexion et la transmission, il peut y avoir un phénomène de conversion d’onde

(onde P devient onde S) qui implique une perte d’énergie acoustique au niveau des interfaces
qui va se transformer en chaleur.
1.4.3.3 L’absorption
L’absorption est caractérisée par le coefficient Q d’absorption, indépendant de la

fréquence. Soit A(t) l’amplitude en fonction du temps. Nous avons :
πf t
A(t) = A(0) exp(− ) (1.8)
Q
L’atténuation dépend donc à la fois du temps et de la fréquence.
1.4.4 Atténuation des multiples
Un multiple est une contribution au signal sismique générée par un rayon qui s’est
réfléchi plus d’une fois. Les multiples peuvent être classés en multiples courts et mul-
tiples longs. Leur reconnaissance est souvent difficile. Il existe plusieurs techniques pour les
atténuer comme la déconvolution prédictive qui permet de prédire les multiples à partir du
signal, la déconvolution prédictive associée à la transformation τ − p (dans ce domaine les
multiples sont exactement périodiques) ou même la correction NMO (les multiples auront
une vitesse plus faible et donc ils ne seront pas parfaitement horizontaux).
La figures 1.4 explique le phénomène de multiple. L’amplitude d’un multiple peut être com-
parable et parfois plus grande que celle d’un primaire. La figure 1.5 présente quelques types
de multiples
S R
Primaire
Multiple
sous sol
Temps
Figure 1.4: Multiple et primaire

Multiple interbed Multiple intrabed Multiple diffracté
Figure 1.5: Quelques types de multiples
1.4.5 Déconvolution
La déconvolution est le processus mathématique inverse à la convolution. En sismique,

c’est l’opération qui permet d’obtenir la séquence des réflectivités à partir des traces ob-
servées. La déconvolution permet l’amélioration de la résolution temporelle du signal.
Les méthodes de déconvolution supposent souvent les hypothèses suivantes :
⋄ la séquence de réflectivité est aléatoire
⋄ l’ondelette est à phase minimale
⋄ l’ondelette ne varie pas au cours de sa propagation et est indépendante de la géologie.
Il existe plusieurs méthodes de déconvolution [43, 79, 68, 102, 73, 90, 78, 54]. Nous en
présentons ci-dessous quelques exemples.
Déconvolution Inverse (SD)
Ce type de déconvolution est basé sur le filtrage inverse. En effet, si on suppose que l’on-
delette w est connue, il suffit qu’on filtre la trace par un filtre de réponse impulsionnelle w−1
pour avoir la séquence de réflectivité en sortie [72]. Parmi les inconvénients de cette méthode,
notons l’ignorance que l’on a souvent de l’ondelette w et aussi la nécessité d’avoir une onde-
lette à phase minimale ce qui est parfois contraignant. De plus cette méthode de filtrage est
souvent peu satisfaisante en présence de bruit.
Déconvolution predictive (PD)
Ce type de déconvolution est basé sur un filtre déconvolueur de longueur variable. Il

est utile pour l’atténuation des multiples. En se basant sur l’idée que les multiples sont des
reproductions d’une réflexion primaire, ceux-ci peuvent donc être estimés (prédits) à partir
du signal observé sur une durée limitée t [67].
Déconvolution par minimisation de l’entropie (MED)
Cette méthode suppose que la séquence de réflectivité est non-gaussienne et cherche un

filtre qui maximise un critère de distance à la gaussianité de la sortie. Une approche pos-
sible consiste à minimiser l’entropie du signal de sortie, d’où son nom M inimum Entropy
Deconvolution [103, 27, 92, 15].
Déconvolution bayésienne
Cette méthode est basée sur la maximisation d’une probabilité a posteriori. On introduit
l’information a priori et l’optimisation s’effectue à l’aide des méthodes de Monte Carlo [53,
75, 76, 65, 62]
1.4.6 Vitesse des ondes P et des ondes S
Dans un milieu élastique, la vitesse de l’onde acoustique est exprimée par la formule
suivante : s
ME
V = (1.9)
ρ
où M est le module d’élasiticité, E est le module d’Young et ρ est la densité. Le module
d’élasticité dépend de plusieurs paramètres géologiques tels que :
⋄ la lithologie
⋄ l’âge de la roche
⋄ la profondeur
⋄ la pression
⋄ la porosité
⋄ le fluide interstitiel.
Pour les ondes P de compression, la vitesse dans les solides est
s
K + 43 µ
VP = (1.10)
ρ
et dans un liquide
s
K
VP = (1.11)
ρ
où K est le module d’incompressibilité (Bulk Modulus) et µ est le module de cisaillement.

Concernant les ondes S de cisaillement, la vitesse dans les solides est
µ
r
VP = (1.12)
ρ
tandis que la vitesse dans les liquides est nulle.

En pratique, le rapport des vitesses des ondes P et S est
s
1
VS −σ
= 2 ≈ 0.58 (1.13)
VP 1−σ
où σ est le coefficient de Poisson.

Comme les ondes P sont plus rapides, elles sont enregistrées avant les ondes S qui sont
plus dévastatrices. Notons que ce phénomène permet de mettre au point des méthodes de
prévention contre les séismes et les tsunamis.
1.4.7 Analyse de la vitesse
Il existe plusieurs types de vitesse. On peut citer la vitesse d’intervalle qui est la vitesse
dans les couches géologiques, la vitesse quadratique moyenne, la vitesse NMO utilisée pour
la sommation (stacking) et aussi la vitesse apparente. L’estimation de la vitesse se fait à l’aide
de la fonction de semblance que nous allons développer ultérieurement.
1.4.8 Corrections statiques et corrections dynamiques
La couche superficielle (Weathering layer, Near surface layer, Unconsolidated layer ) in-
troduit des anomalies de temps dans les traces. Ces anomalies sont causées principalement
par :
1. la différence d’élévation des sources et des récepteurs,
2. la variation de la profondeur de la couche superficielle,
3. la variation de la vitesse dans cette couche.
Les corrections statiques consistent à corriger ces anomalies en introduisant une translation
dans le temps des échantillons de la trace qui est constante le long d’une même trace sis-
mique. On ramène les traces à un plan fixe de référence appelée Datum plane. C’est comme
si les sources et les géophones étaient situés sur ce même plan.
On peut déterminer les vitesses dans la couche de surface par les arrivées directes de l’onde
ou par une étude des temps des puits (uphole times). Les problèmes de corrections statiques
sont plus difficile en onshore qu’en of f shore puisqu’en mer la première couche est l’eau où
la vitesse est relativement connue 1500 m/s.
Les rayons qui se sont réfléchis sur le même point commun multiple (CDP) ont la même in-
formation sismique pour différentes distances source-récepteur (offset). La correction dyna-
mique (Normal Move Out) consiste à ramener ces différentes traces au même plan horizontal
comme s’ils avaient le même offset. Cette correction est différente d’une trace à une autre se-
lon l’offset et nécessite la connaissance d’un champ de vitesse . L’équation à deux termes de
la NMO est la suivante :
X2
Tx2 = T02 + 2 (1.14)
V
où Tx est le temps à un offset X et T0 est le temps à un offset nul et V est la vitesse.
Après l’application de la NMO dans le domaine du point milieu de reflexion (CMP), on
somme les traces (stack). Les maxima d’énergie seront ajoutés constructivement alors que le
bruit aléatoire sera sommé destructivement, d’où l’intéret de la sommation pour la réduction
du bruit aléatoire.
La figure 1.6 montre la correction NMO et la forme hyperbolique des réflexions. Après cor-
rection, les échantillons seront sommés (stack) selon l’horizontale (droite en trait pointillés).
Offset
0
T
0
temps
Figure 1.6: Correction NMO.
1.4.9 Migration
La plupart des traitements sismiques supposent une stratification horizontale, ce qui im-
plique que le point de réflexion est exactement au point milieu entre la source et le récepteur.
En réalité, cette hypothèse n’est que rarement vraie. La stratification est inclinée et le point de
réflexion est différent du point milieu. L’opération de migration permet de replacer les points
de réflexion dans la bonne position par rapport au point milieu [33, 107].
S1 S2 R2
R1
Point milieu
Profondeur
Réflecteur incliné
Figure 1.7: Points de réflexions et point milieu.
Il existe quatre types de migrations :
1. Post-Stack Time migration : est la migration après sommation dans le temps,
2. Post-Stack Depth migration : est la migration après sommation en profondeur,
3. Pre-Stack Time Migration (PSTM) : est la migration avant sommation en temps,
4. Pre-Stack Depth Migration (PSDM) : est la migration avant sommation en profondeur.
Le choix du type de la migration dépend de la complexité de la géologie et de la complexité

du champ de vitesse. Pour un champ de vitesse simple, une migration après sommation en
temps est suffisante si la géologie est simple. Si la géologie est complexe, une migration après
sommation en profondeur est plus adéquate. Pour un champ de vitesse très complexe, une
migration avant sommation en temps ou en profondeur est nécessaire selon que la géologie
est simple ou complexe respectivement. Pour une explication détaillée de la migration et de
la différence avec les corrections NMO et DMO, nous invitons le lecteur à lire l’article de B.
Russel [77].
1.5 Interprétation sismique
L’interprétation sismique est l’analyse de données pour générer des modèles et des
prévisions raisonnables sur les propriétés et les structures du sous-sol [81]. La référence
[61] présente une bonne introduction à l’interprétation sismique. Cette discipline se divise
en deux grandes catégories :
1.5.1 Interprétation structurale et stratigraphique
La structure est la disposition spatiale des roches. L’interprétation structurale consiste à

déterminer les failles et les horizons sismiques les plus importants sur une section sismique.
Les couches géologiques sont déterminées à l’aide des impédances acoustiques et des coeffi-
cients de réflexion. La figure 1.8 montre la relation entre les coefficients de réflexion, la vitesse,
et la polarité du signal sismique pour la convention SEG.
Vitesse Réflectivité Signaux synthétiques
- 0 +
Polarité normale (SEG) Polarité inverse (SEG)
Figure 1.8: La convention SEG
La disposition des réflecteurs sismiques a aussi une signification importante. En effet,

celle-ci renseigne sur la façon dont s’est réalisé le mécanisme de la sédimentation. La figure
1.9 donne des exemples de relations entre la géométrie des réflecteurs et la sédimentologie.
Section 1.6 : Attributs sismiques 31
Intérieur
Parallèle Divergent
Base
Onlap (élévation du niveau marin) Downlap (baisse du niveau marin)
Toit
Troncation (surface d’érosion) Toplap (niveau marin constant)
Figure 1.9: Les réflecteurs et la signification géologique
1.5.2 Interprétation lithologique
La lithologie est la description macroscopique de la nature du contenu minéral, la taille

des grains, la texture et la couleur des roches [81]. Ainsi, par exemple, en cas d’absence de
réflexion ou d’un masquage acoustique on peut déduire l’existence d’un dôme de sel et ainsi
la nature de la roche. L’interprétation lithologique consiste donc à préciser la lithologie des
roches à partir des données sismiques. La technologie des bright spots a présenté le début de
ce type d’interprétation [2].
1.6 Attributs sismiques
Un attribut sismique est toute mesure quantitative d’une caractéristique sismique

d’intérêt [22, 88, 38]. Dans [22], Chopra et., al., présentent un aperçu historique des attri-
buts sismiques. Ces attributs ont évolué depuis les bright spots jusqu’aux meta attributs. La
figure 1.10 présente un résumé historique du développement des principaux attributs.
Une possibilité de classification des attributs sismiques est donnée par la figure 1.11 extraite
de [18].
1960
Digital recording of seismic data
Bright-spot technology
1970
Seismic data in color Seismic attributes offered in color commercially
First seismic attributes introduced

Concept of seismic attributes presented
Complex trace analysis
Seismic inversion introduced Energy crisis

Complex trace analysis presented
Complex trace analysis and stratigraphy Seismic inversion
Complex trace analysis in Geophysics

1980
Response attributes
Response attributes introduced
Proliferation of attributes
Interval attributes
3D seismic emerges
1990
Comeback of attribute analysis
Crossplotting of attributes
Attributes classified
Pattern recognition/neural network Coherence attribute introduced
analysis on attributes
Texture attributes introduced Spectral decomposition

Elastic inversion introduced
Multiattribute analisis picks up
2000
Application of curvature
More work on horizon attributes attribute demonstrated
Attributes on their way to a promising future
Figure 1.10: Evolution historique des attributs [11]
1.6.1 Trace complexe
Dans [87, 89], T. Taner a introduit la notion de trace complexe à partir de laquelle on peut
extraire une multitude d’attributs instantanés.
Soit f (t) une trace réelle. On appelle signal analytique ou trace complexe la quantité
F (t) = f (t) + jf ∗ (t) (1.15)
où f ∗ est la transformée de Hilbert de f .

F peut s’écrire aussi sous sa forme trigonométrique
F (t) = e(t). exp(jφ(t)) (1.16)

La figure 1.12 montre la construction de la trace complexe selon Taner et. al. [87].
SEISMIC DATA
TIME AMPLITUDE FREQUENCY ATTENUATION
Pre-Stack Post-Stack Pre-Stack Post-Stack Pre-Stack Post-Stack Pre-Stack Post-Stack

AVO intercept Inst. Q factor
Velocity
AVO gradient Slope spectralvfreq
Interceptxgradient Slope inst. freq.
Far-near difference
Fluid factor
Horizon Window Horizon Window Horizon Window

Time Coherence Relection amplitude Instantaneous freq.
Isochron Contunity Composite amplitude Response freq.
Trend Semblance Relative impedance Envelope-weighted freq.
Residuel Covariance Reflection strenght time derivative freq.
Dip Peak-trough diff Amplitude ratio
Azimuth Dip max. corr Amplitude/background
Difference Azmth max. corr
Edge SNR
Illumination Parallel bed indicator
Inst. phase Chaotic bed indicator HYBRID
Cosine phase Trace difference Wave shape
Curvature
Loop area
Roughness
Arc length
GROSS
Reflection width
GROSS SELECTION DISTRIBUTION Average inst. freq.
Energy half-time RMS inst. freq.
Total absolute amp.
Maximum amplitude Slope refl. strenght No. Zero crossinggs
Total energy
Largest negative amplitude Slope at half energy Peak spectral freq.
Average energy
Max absolute amp. Ratio pos to neg 1st dominant freq.
Av. refl. strength
Peak-trough diff. 2nd dominant freq.
RMS amplitude
3rd dominant freq.
Average peak amp.
Spectral bandwidth
Variance of amplitude
Percent greater than
Figure 1.11: Classification des attributs [18].

Trace en quadrature
(imaginaire)
Temps
Trace réelle
Trace complexe
Figure 1.12: Trace complexe [87].
1.6.2 Attributs instantanés
Les attributs instantanés sont calculés sur une fenêtre de temps. Ils dérivent généralement
des attributs de base : amplitude, phase et fréquence instantanées, introduits par Taner et
Sheriff [89].
1.6.2.1 Amplitude instantanée
L’amplitude instantanée e est l’enveloppe de la trace complexe et est égale au module de

la trace complexe :
p
e(t) = |F (t)| = f 2 (t) + f ∗2 (t). (1.17)
Elle est appelée force de réflexion (reflection strength). L’amplitude instantanée représente la
racine de l’énergie instantanée totale du signal. Elle permet la détection des zones de forte
énergie et de grande amplitude. Elle est aussi sensible aux changements de l’impédance
acoustique, à la lithologie et à la porosité [22, 87, 51]. C’est pourquoi [87] propose d’utiliser
cet attribut pour la détection des bright spots, dim spots et flat spots qui sont des anoma-
lies d’amplitude qui peuvent indiquer la présence d’hydrocarbures. Un changement latéral
de l’amplitude instantanée indique aussi une variation latérale de l’épaisseur des couches
géologiques. Cependant, l’amplitude instantanée a une résolution plus faible que l’ampli-
tude du signal d’origine, définie par la trace sismique.
1.6.2.2 Phase instantanée
La phase instantanée est définie par

f ∗ (t)
φ(t) = arctan( ). (1.18)
f (t)
Elle met en valeur la continuité des réflecteurs. Il est important de noter que la phase instan-
tanée est associée à un point dans le temps et non pas à une fréquence comme la transformée
de Fourier. Comme la phase est indépendante de l’amplitude et de l’amplitude instantanée
de la trace, elle permet de mettre en valeur des zones d’incohérence de faibles amplitudes.
Elle est utile pour le suivi latéral des réflecteurs, la détection des inhomogénéités et les chan-
gements stratigraphiques latéraux.
1.6.2.3 Amplitude normalisée
Le cosinus de la phase instantanée cos(φ(t)) , appelé aussi amplitude normalisée est une
grandeur équivalente à l’amplitude, sans l’effet de l’amplitude instantanée [87, 51, 20]
1.6.2.4 Dérivée de l’amplitude instantanée
(e ) 2 ′
La dérivée e = de(t)
′
dt = 2e(t) de l’amplitude instantanée est utilisée pour la description des
variations verticales de l’amplitude et aussi la caractérisation des séquences stratigraphiques
verticales [20].
1.6.2.5 Fréquence instantanée
La fréquence instantanée w(t) est la dérivée de la phase instantanée

dφ(t)
w(t) = . (1.19)
dt
La fréquence instantanée tend à changer rapidement au niveau des interfaces hydrocarbure-
eau. Des basses fréquences sont observées lors des réflexions à partir de strates situées juste
au dessous des sables gazeux et des réservoirs. Les réflexions plus profondes apparaissent
normales (sans anomalies de fréquence). La fréquence instantanée est aussi un bon indicateur
des variations latérales de faciès. Elle est également utilisée pour estimer l’atténuation des
ondes sismiques dans le sous-sol et pour aider à la mesure de la répétitivité des intervalles
géologiques. La présence de la dérivée dans l’expression (1.19) rend la fréquence instantanée
moins stable en présence de bruit [20, 87].
1.6.2.6 Accélération instantanée
C’est la dérivée de la fréquence instantanée

w(t) d2 φ(t)
γ(t) = = (1.20)
dt dt2
Comme les hydrocarbures et les zones saturées en eau provoquent des atténuations, cet at-
tribut peut indiquer les limites des fluides. L’accélération instantanée est aussi utilisée pour
indiquer le taux d’atténuation et d’absorption [20].
1.6.2.7 Largeur de bande instantanée
Cet attribut est donné par l’équation suivante

′
e (t)
σ(t) = . (1.21)

2πe(t)
C’est une approximation de la largeur de la bande passante du signal. Il est aussi sensible
au bruit, d’où l’importance du lissage. Il permet la visualisation des effets d’absorption des
fréquences par les roches [51, 9].
1.6.2.8 Facteur de qualité instantanée
Il est donné par l’équation suivante :

πw(t)
Q(t) = , (1.22)
2decay(t)
′
e (t)
où decay(t) = 2πe(t) . C’est une approximation du facteur de qualité qui quantifie l’absorption
de l’onde sismique au cours de la propagation [51, 9].
1.6.3 Attributs géométriques
1.6.4 Pendage
Le pendage définit l’orientation des horizons sismiques. Dans le cas d’une sismique 2D il
s’agit du pendage apparent. Il existe plusieurs méthodes de calcul du pendage.
1.6.4.1 A partir des attributs instantanés
Barnes, a introduit dans [10] une formulation possible à l’aide des attributs instantanés.
La dérivée de la phase instantanée se décompose en deux termes : la fréquence instantanée
temporelle wt et la fréquence instantanée horizontale wx . Le pendage est alors donné par
wx
γ = −arctan( ). (1.23)
wt
En trois dimensions, on aura une autre composante de fréquence wy et par la suite le pendage
γ et l’azimuth ζ sont donnés par
q
wx2 + wy2
γ = arctan( ), (1.24)
|wt |
wx
ζ = arctan( ) + π. (1.25)
wy
1.6.4.2 A partir de la corrélation
On calcule la corrélation entre une trace et les versions décalées de la trace voisine pour un
ensemble de valeurs du décalage. Le décalage donnant la corrélation maximale correspond
au pendage des horizons sismiques.
1.6.4.3 Par les polynômes trigonométriques
L’échantillonnage de la sismique est généralement de 4 ms, d’où l’impossibilité d’esti-

mer un pendage plus fin en utilisant la méthode précédente. La référence [51] utilise les po-
lynômes trigonométriques pour un calcul plus précis des corrélations et ainsi obtenir des
résultats plus fins et plus stables par rapport au bruit.
1.6.5 Attributs de courbure
La courbure est une mesure qui quantifie localement l’éloignement d’une courbe à la ligne
droite. Il existe plusieurs mesures de la courbure telles que la courbure maximale, la cour-
bure minimale, la courbure moyenne et la courbure gaussienne. Les évènements linéaires et
cohérents vont donner une courbure nulle. La variation de la courbure constitue un bon in-
dicateur des failles et des fractures [88].
La courbure peut être calculée en utilisant l’inverse du rayon du cercle osculateur aux hori-
zons K = 1/R. L’interprétation géométrique de la courbure est donnée sur la figure 1.13
Cercle osculateur
K=1/R
Courbe
Figure 1.13: Définition de la courbure.
Cet attribut a été utilisé dans plusieurs travaux dans la litérature [71, 84, 21, 26]. Ceux-ci
montrent que les attributs de courbure sont adaptés à la détection des failles et aussi à la
prédiction de l’intensité de fracturation d’une section à partir des données calibrées.
1.6.6 Attributs de similarité
Ces attributs calculent la ressemblance entre les traces voisines dans un même cube sis-
mique. Les discontinuités sont facilement mises en valeur à l’aide des attributs de similarité.
On peut distinguer les attributs suivants
1.6.6.1 Semblance
Elle est donnée par la formule suivante

Pn Pq i 2
j=−n ( i=0 fj+k )
S= Pq Pn i )2
. (1.26)
q i=0 j=−n (fj+k
où fij est l’échantillon i de la j ème trace.

La semblance représente le rapport de l’énergie de la trace somme et la somme des énergies
des traces. La semblance varie entre 0 si les traces voisines sont indépendantes et 1 lorsque les
traces sont identiques. L’angle pour lequel la semblance est maximale correspond à l’angle
du pendage des réflecteurs. La semblance est aussi importante dans le calcul des vitesses
sismiques [86].
1.6.6.2 Cohérence
Bahorich et Farmer [6] ont introduit l’attribut de cohérence en 1995. Cet attribut est donné
par l’équation
s
Cf 1 f 2 Cf 1 f 3
c1 = p p (1.27)
Cf 1 f 1 Cf 2 f 2 Cf 1 f 1 Cf 3 f 3
où f 1 et f 2 sont deux traces consécutives selon la direction inline et f 1 et f 3 selon la direction
crossline et Cf 1 f 2 est le maximum de corrélation entre f 1 et f 2 .
Pour tenir compte du pendage, l’attribut c1 est calculé pour plusieurs valeurs du pendage, la
valeur maximale de c1 correspond à la bonne valeur du pendage des réflecteurs. Pour faire
intervenir un nombre de traces plus grand, Marfurt et al., [59, 36] ont introduit la matrice de
covariance des traces suivante
 
fj1 f fj1 f ... fj1 fjq
j=n  2 1
fj fj fj2 fj2 ... fj2 fjq 
X 
C= 
 :
 (1.28)
j=−n 
: : :  
fjq fj1 fjq fj2 ... fjq fjq
où f 0 , f 1 , ...f q sont des traces connues sur une fenêtre verticale de taille 2n + 1.
Le nouvel attribut de cohérence est alors donné par :
P
i,j Cij
c2 = P . (1.29)
i Cii
Section 1.7 : Cas particulier d’acquisition : la sismique des puits 39
Pour réduire le niveau du bruit introduit par le calcul de la matrice de covariance des traces,
on peut utiliser seulement la composante dominante, ce qui nous donne l’attribut c3 introduit
dans [36] :
λ1
c3 = P (1.30)
i λi
où λ1 est la plus grande valeur propre de C.

Enfin, [7] a introduit la cohérence en utilisant le tenseur structurel. Soit T le tenseur structurel
et λ sa plus grande valeur propre. La cohérence est alors donnée par
λ1
cgst = . (1.31)
tr(T )
1.7 Cas particulier d’acquisition : la sismique des puits
Le profil sismique vertical (VSP) est un cas particulier de la sismique. C’est une méthode
sismique à haute résolution. Il permet
⋄ l’amélioration de la résolution verticale et latérale de la sismique en surface
⋄ la corrélation directe entre la sismique en surface et la formation en profondeur
⋄ la discrimination directe des primaires et des multiples
⋄ la calibration de la sismique en surface
On place verticalement les capteurs dans un puit. La source sismique émet des ondes acous-
tiques qui se propagent dans le sous-sol. Les réflexions sur les différentes surfaces seront
enregistrées à des profondeurs variables contrairement aux signaux de la sismique normale
qui sont enregistrés à la surface. La figure 1.14 représente le dispositif d’acquisition dans une
campagne VSP.
1.8 Conclusion
Dans ce chapitre, nous avons présenté la sismique réflexion, de l’acquisition à l’in-

terprétation en passant par toute la chaı̂ne du traitement des signaux issus de la cam-
pagne sismique. Nous avons présenté aussi un résumé de la théorie de la trace complexe
et des différents attributs sismiques. Le processus de traitement des signaux sismiques est
néanmoins spécifique à chaque projet. La chaı̂ne présentée dans ce chapitre ne constitue
qu’un cas simple de traitement. D’autres méthodes de débruitage et d’amélioration du rap-
port signal à bruit existent pour chacun des milieux terrestre et marin.
Capteurs
Source
Surface
Couche 1
Couche 2
Couche 3
Figure 1.14: Profil sismique vertical

2
CHAPITRE
Détection des horizons

sismiques à l’aide des
contours actifs
2.1 Introduction
Un horizon sismique est défini comme une limite entre deux couches du sous-sol de ca-
ractéristiques physiques et chimiques différentes. Cette limite peut être représentée par un
alignement de signaux de réflexion. La détection des horizons est une étape nécessaire pour
la construction des images sismiques et leur interprétation géologique, qui se base sur une
bonne détection et caractérisation des réflecteurs.
Dans ce chapitre, nous considérons le problème de la détection automatique des réflecteurs
dans les images sismiques. Nous commençons par énumérer les différentes méthodes ac-
tuellement existantes pour le pointé automatique des horizons. Ensuite, nous présenterons
la méthode des contours actifs sur laquelle se base notre méthode de détection. Puis, nous
détaillerons l’application de cette méthode à la fois sur des données synthétiques et sur des
données réelles. Les discontinuités d’horizons peuvent aussi être mises en évidence par cette
méthode et cela sera appliqué aussi sur les données synthétiques et réelles. Une évaluation
des performances obtenues termine le chapitre.
2.2 Les méthodes existantes
Il y a plusieurs méthodes actuellement utilisées de pointé d’horizons sur les images sis-
miques. Les principales méthodes comprennent le pointé manuel, le pointé basé sur l’inter-
polation, celui basé sur la corrélation, le pointé basé sur la recherche de voxel multiattributs
et le pointé basé sur les coupes temps [28, 85].
2.2.1 Pointé manuel
C’est la méthode la plus longue et la plus précise, qui nécessite la présence d’un expert.
Cependant, elle reste le seul recours en cas de données très bruitées, où les autres méthodes
41
42 CHAPITRE 2 : D ÉTECTION DES HORIZONS SISMIQUES À L’ AIDE DES CONTOURS ACTIFS
ne peuvent pas être appliquées, Comme dans le cas où le signal n’est pas cohérent.
2.2.2 Interpolation
C’est une méthode un peu plus élaborée que la précédente. On utilise une interpolation
entre les points de contrôle. Cette méthode suppose que les horizons sont localement lisses.
Si cette hypothèse n’est pas vraie, le résultat de la méthode n’est pas satisfaisant.
2.2.3 Corrélation
La méthode consiste à positionner des points de contrôle sur la section. On prend la por-
tion du signal centrée sur le point et on calcule la corrélation avec la trace suivante selon
un ensemble de pendages défini à l’avance. Si la corrélation maximale est acceptable alors
on introduit le nouveau point de cette trace et on passe à la trace suivante. Cette méthode
est coûteuse en terme de temps de calcul mais elle donne des résultats qui sont robustes par
rapport au bruit. La figure 2.1 résume cette méthode.
Fenêtre de recherche
Direction du pointé
Graine
Points détectés
Figure 2.1: Méthode basée sur la corrélation (d’après [28]).
2.2.4 Voxel multiattributs
On caractérise chaque point du cube sismique par les valeurs d’un ensemble d’attributs
préalablement choisi par l’interpréteur ce qui définit un voxel multiattribut. On choisit l’in-
Section 2.2 : Les méthodes existantes 43
terval de valeurs de chaque attribut et on selectionne un voxel graine. L’horizon est alors
extrait en cherchant les voxels connectés au voxel graine. Cette méthode est présentée sur la
figure 2.2.
Connectivité 6 (face-face)
Voxel détecté
Voxel graine Pic non détectés
Connectivité 26 (face-face,
arête-arête, sommet-sommet)
Figure 2.2: Méthode basée sur la connectivité des voxels (d’après [28]).
2.2.5 Coupes en temps
C’est une méthode innovante qui vise à détecter les horizons sur les coupes temps.
Toutes les coupes temps qui traversent l’anticlinal étudié sont placées côte à côte. Ensuite,
on sélectionne les lignes de chaque coupe qui correspondent au même évènement. Les
différentes lignes apparaissent comme des anneaux qui s’ajustent l’un dans l’autre. Le grand
avantage de cette méthode est qu’elle est très rapide. En effet, par la sélection de quelques
lignes, l’interpréteur détecte la totalité de l’horizon. La figure 2.3 illustre cette méthode plus
en détail.
Vue en perspective
Structure découpée
Segments pointés
Figure 2.3: Méthode basée sur les coupes en temps (d’après [28]).
2.2.6 Morphologie mathématique
La morphologie mathématique est basée sur quatre opérations : l’érosion, la dilatation,

la fermeture et l’ouverture. En appliquant ces différents opérateurs sur des horizons extraits
présentant des trous, la fermeture permet une meilleure continuité latérale et un lissage des
bords des horizons, alors que l’ouverture élimine les points isolés.
Section 2.3 : Difficultés du suivi des horizons 45
2.2.7 Autres méthodes
Il existe aussi d’autres méthodes moins conventionnelles : des méthodes basées sur la re-
connaissance du faciès horizon en utilisant les réseaux de neurones et les attributs sismiques
[48, 1, 63], des méthodes basées sur la classification [16], des méthodes basées sur la squeletti-
sation [16, 57], des méthodes basées sur l’association probabiliste de données [104] ainsi que
des algorithmes basés sur la décomposition multi-échelle [19].
2.3 Difficultés du suivi des horizons
Les méthodes de détection et le suivi automatique des horizons utilisent des hypothèses
communes. Il s’agit essentiellement de la continuité locale des horizons, la connectivité des
données et la consistance de la phase à interpréter. L’interpréteur peut même faire des er-
reurs d’interprétation s’il ne connait pas la méthode exacte utilisée et si ces hypothèses sont
largement violées [28, 40, 51]. Il existe plusieurs inconvénients du pointé automatique des
horizons. On peut citer :
⋄ A l’intérieur d’une même couche, les réflecteurs sont parallèles, similaires et proche. Le
pointé automatique peut sauter d’un horizon à un autre comme le montre la figure 2.4.
⋄ le rapport signal sur bruit doit être suffisamment élevé pour que le pointé suive bien
l’horizon.
⋄ les évènements à détecter ne sont pas toujours cohérents, par exemple à la limite d’une
zone de montée de gaz ou d’un dôme de sel (figure 2.5).
⋄ l’arrêt de l’horizon face à une discontinuité (figure 2.5).
⋄ l’effet directionnel de la détection. Clairement la détection sur la figure 2.6 est plus aisée
en partant de droite vers la gauche que de gauche à droite.
Horizon 1
Horizon 2
Figure 2.4: Le saut du pointé automatique.

Discontinuité
Horizon
Figure 2.5: Evènement incohérent à côté de la discontinuité et arrêt de l’horizon.
Horizon 1
Horizon 2
Horizon 3
Figure 2.6: Effet directionnel de la détection.
Afin de répondre en partie à ces inconvénients et surtout d’exploiter la forme particulière des
horizons sismiques, constitués surtout de structures linéiques, nous avons pensé à utiliser la
méthode des contours actifs, qui a fait ses preuves en détection de contour et segmentation
d’images et qui permet théoriquement d’associer automatiquement une courbe à un contour
dans une image. En effet, le but de la méthode des contours actifs est de détecter des formes
géométriques dans une image en tenant compte d’un a priori sur les formes attendues. La
nature élastique du contour lui permet de s’adapter à des configurations prédéterminées.
Dans le paragraphe qui suit, nous présentons les principes théoriques sur lesquels se basent
la méthode des contours actifs.
2.4 Généralités sur les contours actifs
Les contours actifs sont une méthode de segmentation introduite par Kass, Wtikin et Ter-
zopolous pendant les années 80 [47]. Depuis, cette méthode ne cesse de se développer et
plusieurs variantes sont apparues qui permettent chacune de surmonter quelques difficultés
rencontrées dans la forme originale. Les contours actifs ont eu plusieurs domaines d’applica-
tion qui regroupent l’imagerie médicale, le suivi d’objets en mouvement, le sonar, la détection
Section 2.4 : Généralités sur les contours actifs 47
des routes, l’imagerie satellite, etc...

Un contour actif (snake) est défini comme une courbe paramétrée C, fermée ou non, qui
évolue au cours du temps. Cette évolution se fait en minimisant une fonction E appelée
énergie [47]. En notant la courbe
C(s) = (x(s), y(s)), s ∈ [0, 1], (2.1)
la fonction énergie du contour peut être définie par :

Z 1
′ ′′
E= L(C(s), C (s), C (s), s)ds (2.2)
0
2
′′ 2

′ ′′ 1 ′
avec L(C(s), C (s), C (s), s) = 2 [α(s) C (s) + β(s) C (s) ] + Eext (C(s)).
′ ′′
C (s) est la dérivée première de C (par rapport à l’abscisse curviligne s), C (s) est la dérivée
seconde, le coefficient α est le paramètre d’élasticité, le coefficient β est le paramètre de rigi-
dité et Eext (C(s)) est l’énergie externe au contour, reliée à l’image à analyser.
Soit une image en niveau de gris I(x, y), les énergies externes utilisées habituellement sont
essentiellement [106] :
(1)
Eext (x, y) = − |∇I(x, y)|2 (2.3)
(2)
Eext (x, y) = − |∇[Gσ (x, y) ∗ I(x, y)]|2 (2.4)
1 x+y
où Gσ (x, y) est une densité Gaussienne 2D de variance σ 2 : Gσ (x, y) = 2πσ 2 exp(− 2σ 2 )) et ∇
est l’opérateur gradient. Pour les images binaires (noir et blanc), les énergies ci-dessous sont
utilisées :
(3)
Eext (x, y) = I(x, y) (2.5)
(4)
Eext (x, y) = Gσ (x, y) ∗ I(x, y) (2.6)
La longueur du contour est définie comme l’intégrale de la dérivée première le long de celui-
′ 2
R1
ci. La minimisation de la quantité 0 21 [α(s) C (s) ds cause donc une diminution de la lon-
gueur totale du contour. Le paramètre α intervient donc pour régler l’élasticité du contour.
Plus α est grand, plus le contour se contracte.
′′ 2
R1
L’intégrale de la dérivée seconde 0 β(s) C (s) le long du contour est liée à la courbure du
contour. Le paramètre β est donc un coefficient de rigidité. Si le paramètre β augmente, il
évite la discontinuité de la dérivé première et les points anguleux.
Un contour qui minimise l’énergie E doit satisfaire l’équation dite d’Euler. Dans le cas où α
et β sont constants, celle ci s’écrit :
d2 ∂L

∂L d ∂L
− + 2 = 0 (2.7)
∂C ds ∂C ′ ds ∂C ′′
′′ ′′′′
αC (s) − βC (s) − ∇Eext = 0. (2.8)
On cherche donc une courbe de longueur et courbure minimale qui s’ajuste sur les contours
de l’image. On peut aussi voir cette équation comme un bilan de forces :
Fint + Fext = 0 (2.9)

′′ ′′′′
où Fint = αC (s) − βC (s) et Fext = −∇Eext .
Pour résoudre l’équation d’Euler (2.8), nous pouvons considérer C comme une fonction du
temps C(t, s) et appliquer une méthode de gradient pour trouver itérativement ce minimum.
Avec Ct (s, t) la dérivée par rapport à t, on a :
′′ ′′′′
Ct (s, t) = αC (s, t) − βC (s, t) − ∇Eext (2.10)
Quand on atteint le régime stationnaire, Ct (s, t) s’annule et on aura la solution [47, 105, 106].
2.4.1 Les contours GVF (gradient vector flow contours)
Les contours actifs définis en [47] sont très sensibles à l’initialisation, au champ de capture
des forces et ne permettent pas la détection des concavités. C. Xu et J. L. Prince ont donc
introduit [105, 106] les contours GVF à l’aide d’un champ de force F extérieure différent du
cas classique pour améliorer ces problèmes.
Soient f (x, y) une image et V (x, y) = (u(x, y), v(x, y)) un champ de vecteurs. On cherche Fext
tel que
F = arg max ǫ(V ) (2.11)
V
Z Z
ǫ(V ) = µ(u2x + u2y + vx2 + vy2 ) + |∇f |2 |V − ∇f |2 dxdy (2.12)
où ux = ∂u ∂u ∂v ∂v
∂x , uy = ∂y , vx = ∂x , vy = ∂y et µ est un paramètre de pondération à régler par
l’utilisateur selon le niveau du bruit. Qualitativement, V va s’approcher de ∇f au voisinage
des bords à détecter lorsque |∇f | sera très grand, et sera non nul et lissé quand |∇f | est petit
loin des frontières à détecter. Trouver la solution revient à résoudre les équations d’Euler
indépendante en u et v suivantes :

d ∂L d ∂L ∂L
+ − =0 (2.13)
dx ∂ux dy ∂uy ∂u

d ∂L d ∂L ∂L
+ − =0 (2.14)
dx ∂vx dy ∂vy ∂v
c’est à dire
µ∇2 u − (u − fx )(fx2 + fy2 ) = 0 (2.15)
µ∇2 v − (v − fy )(fx2 + fy2 ) = 0 (2.16)
où ∇2 est l’opérateur Laplacien.

Pour résoudre ce système d’équation, on considère u et v comme fonction du temps. On aura
donc
µ∇2 u(x, y, t) − (u(x, y, t) − fx (x, y))(fx2 (x, y) + fy2 (x, y)) = ut (x, y, t) (2.17)
µ∇2 v(x, y, t) − (v(x, y, t) − fy (x, y))(fx2 (x, y) + fy2 (x, y)) = vt (x, y, t) (2.18)
Section 2.5 : Adaptation de l’algorithme aux données stratifiées 49
Notons :
b(x, y) = fx2 (x, y) + fy2 (x, y) (2.19)

c1 (x, y) = b(x, y)fx (x, y) (2.20)
c2 (x, y) = b(x, y)fy (x, y). (2.21)
Discrétisons les équations à l’aide d’une méthode de différence finie avec i, j et t les in-
dices correspondant à x , y et le temps respectivement. Les différents pas sont ∆x, ∆y et
∆t selon l’axe des abscisses, l’axe des ordonnées et le temps respectivement. Le schéma de
discrétisation est le suivant :
1 n+1
ut = (u − uni,j ) (2.22)
∆t i,j
1 n+1 n
vt = (v − vi,j ) (2.23)
∆t i,j
1
∇2 u = (ui+1,j + ui,j+1 + ui−1,j + ui,j−1 − 4ui,j ) (2.24)
∆x∆y
1
∇2 v = (vi+1,j + vi,j+1 + vi−1,j + vi,j−1 − 4vi,j ) (2.25)
∆x∆y
(2.26)
on aura donc :
1
un+1 n n n n n n
i,j = (1 − bi,j ∆t)ui,j + r(ui+1,j + ui,j+1 + ui−1,j + ui,j−1 − 4ui,j ) + ci,j ∆t (2.27)
n+1
vi,j n
= (1 − bi,j ∆t)vi,j n
+ r(vi+1,j n
+ vi,j+1 n
+ vi−1,j n
+ vi,j−1 n
− 4vi,j ) + c2i,j ∆t (2.28)
avec
µ∆t
r= . (2.29)
∆x∆y
Pour que l’algorithme itératif converge, r doit satisfaire la condition suivante : r ≤ 41 . Comme
les pas spatiaux et µ sont fixés, alors :
∆x∆y
∆t ≤ . (2.30)
4µ
Lorsque l’équation se stabilise (t → ∞) on obtient alors la force F [106]. F est la force
extérieure qui va relier le contour aux données et qui va influencer le mouvement de celui-ci.
2.5 Adaptation de l’algorithme aux données stratifiées
Les horizons sismiques présentent une structure linéique stratifiée qui n’est pas parfaite-
ment reproduite par les contours actifs. En particulier certaines zones d’un contour peuvent
correspondre à des transitions entre plusieurs strates différentes vers lesquelles convergent
différentes parties de ce contour. Pour améliorer la détection, notre nouvelle méthode consiste
à imposer une contrainte de parallélisme à la stratification sur les contours pour les adapter
à la structure stratifée de l’image sismique [31, 29].
Soient M (x, y) un point qui appartient réellement au réflecteur H et g le gradient de l’image

I(x, y). Le vecteur unitaire t tangent à H en M est défini par :
" #
1 Iy
t= q (2.31)
Ix2 + Iy2 −Ix
où Ix et Iy sont les dérivées partielles de I(x, y). On a bien sur :
< g, t >= 0 (2.32)
où < ., . > est le produit scalaire. Considérons maintenant le cas du contour (C). Suppo-
sons que ce contour soit constitué de N points (ou noeuds). Dans le cas où (C) est collé au
réflecteur H, la condition que doit satisfaire chaque point de contrôle Vi ,i = 1, ..N , du contour
est :
< g, ti >= 0 (2.33)
où ti est le vecteur tangent au contour au point i. Pour définir la tangente, nous nous référons
à [55]. Pour cela, on commence par définir un vecteur direction pour chaque noeud Vi :
pi − pi−1
di−1 = (2.34)
kpi − pi−1 k
pour i = 2, .., N où pi est la position du point Vi et dN = dN −1 . Les vecteurs tangents sont
alors définis par :
di + di−1
ti = , i = 2, ..N (2.35)
kdi + di−1 k
avec t1 = t2 .
La figure (2.7) illustre cette méthode. La construction de ces vecteurs n’aura pas une influence
sur les équations de l’évolution du contour. Ces vecteurs seront utilisés pour la sauvegarde
ou la supression d’un point du contour après son évolution.
En pratique nous commençons par calculer le gradient qui va par la suite pousser les contours
à évoluer. Lorsque ceux-ci se stabilisent, après un nombre donné d’itérations, on parcourt le
contour afin d’en éliminer les portions qui ne vérifient pas la condition (2.33). Nous laissons
une marge de liberté pour la direction du contour telle que : < g, ti >= cos(θ + π2 ) où |θ| ≤
θmax , et θmax est fixé par l’utilisateur et représente grossièrement la direction de stratification.
Section 2.6 : Modèle synthétique 51
gi
ti
Vi
Vi−1 di
Vi+1
di−1
Figure 2.7: Construction des vecteurs tangents et gradients au contour actif
2.6 Modèle synthétique
2.6.1 Milieu stratifié horizontalement
Nous allons introduire un modèle synthétique en temps comprenant 4 couches sous le

fond marin.
Prenons une section synthétique de longeur correspondant à 2s et de période
d’échantillonnage de 4ms. On choisit de caractériser le modèle par l’ensemble des triplets
(densité, vitesse, largeur temporelle) suivant :
ρ0 = 1, v0 = 1500m/s, ∆T = 400ms
ρ1 = 1.9, v1 = 2000, ∆T = 400ms
ρ2 = 2, v2 = 2500, ∆T = 400ms
ρ3 = 2.5, v3 = 2700, ∆T = 400ms
ρ4 = 3, v4 = 3000, ∆T = ∞.
(2.36)
En utilisant la relation du chapitre précédent liant coefficient de réflexion et impédance acous-

tique, on trouve les coefficients de réflexions : R1 = 0.4340 (correspondant au fond marin),
R2 = 0.1364, R3 = 0.1489 et R4 = 0.1429.
La figure 2.8 montre le modèle en profondeur.
Surface
Eau rho=1 , v=1500 m/s
600
R1
rho=1.9, v=2000 m/s

1400
R2
rho=2, v=2500 m/s

2400
R3
rho=2.5, v=2700 m/s
3480 R4
rho=3, v=3000 m/s
Profondeur (m)
Figure 2.8: Modèle en temps et le modèle en profondeur correspondant.
50
100
150
200
250
300
350
400
450
500
50 100 150 200 250 300 350 400 450 500
Figure 2.9: Détection des horizons par les contours actifs.
Nous effectuons la convolution de cette séquence de réflectivité avec l’ondelette de Ricker

W av de fréquence centrale f0 = 40 Hz donnée par l’équation suivante
W av(t) = (1 − 2π 2 f02 t2 ) exp(−π 2 f02 t2 ). (2.37)

Section 2.6 : Modèle synthétique 53
On ajoute ensuite du bruit blanc gaussien de variance σb2 . La figure 2.9 montre la section
sismique résultante ainsi que le résultat de la détection des horizons à l’aide des contours
actifs.
2.6.2 Milieux géologiquement plus complexes
Nous avons appliqué la détection en utilsant les contours actifs sur d’autres motifs
géologiques plus complexes. Le résultat est montré sur la figure 2.10. Les contours sont par-
faitement alignés sur les réflecteurs.
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
450 450
500 500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
(a) Synclinal (b) Anticlinal
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
450 450
500 500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
(c) Réflecteur incliné (d) Inconformité.
Figure 2.10: Quelques structures géologiques plus complexes
L’existence de concavité dans les structures géologiques comme par exemple l’inconfor-
mité ou l’anticlinal justifient l’utilisation des contours actifs GVF puisque ceux-ci permettent
une bonne détection des zones concaves.
2.6.3 Application dans le domaine du tir (SP)
Nous simulons ici un tir SP quelconque dans une configuration Off-end marine dont la
distance entre les hydrophones est de 20 m. Nous supposons aussi que la vitesse dans le
sous-sol est constante et est de 1500 m/s. La figure 2.11 montre que le contour actif s’aligne
sur l’hyperbole de la réflexion.
50
100
150
200
250
300
350
400
450
500
50 100 150 200 250 300 350 400 450 500
Figure 2.11: Détection sur un tir
Ce résultat est aussi valable pour une collection de CDP à cause de la même forme hyper-
bolique de la réflection sauf que la collection CDP présente moins de traces et une distance
entre traces égale à la moitié de celle d’un tir.
2.6.4 Sensibilité au bruit
Nous nous interessons dans ce paragraphe à l’étude quantitative de la méthode des

contours actifs par rapport au bruit. Nous avons pris une image sismique initiale contenant
un horizon d’amplitude 1 et un fond d’amplitude 0 et nous avons ajouté du bruit blanc gaus-
sien de variance σb2 . La figure 2.12 présente la variation de la distance moyenne (ou erreur
moyenne) entre la position finale du contour actif et la position réelle de l’horizon sismique
en fonction du logarithme de la variance du bruit ln(σb2 ). Cette figure montre que pour toutes
les valeurs de µ testées (cf. equation (2.12)), l’erreur reste acceptable (< 1 pixel) pour des
valeurs du bruit inférieure à 0.0075. Plus grand que cette variance, l’erreur diverge.
Section 2.7 : Analyse du comportement des contours sur des données réelles 55
6
µ=0,08
µ=0,12
µ=0,16
Erreur3
0
−18 −16 −14 −12 −10 −8 −6 −4 −2
ln(σ2)
b
Figure 2.12: Erreur moyenne en fonction de ln(σb2 ) pour µ = 0.08, µ = 0.12 et µ = 0.16.
2.7 Analyse du comportement des contours sur des données réelles
Les données réelles que nous allons utiliser sont extraites de la campagne marine très
hautes résolution HYDRATECH fournies par l’IFREMER [42, 64].
2.7.1 Initialisation
En pratique, les horizons sismiques sont en général horizontaux ou bien légèrement in-
clinés. Nous pouvons donc utiliser cette information a priori pour initialiser les contours par
une ligne horizontale. Comme dans l’image il peut y avoir plusieurs réflecteurs, nous utili-
sons plusieurs lignes initiales parallèles et horizontales séparées par un pas ∆ selon l’axe des
temps.
2.7.2 Simulation et résultats
Nous avons utilisé les programmes de [105] pour l’implémentation des contours GVF. Les
valeurs des paramètres sont : α = 0.05, β = 0, γ = 1 et θmax = π6 . Ces valeurs ont été fixées en
se basant sur différentes simulations. les valeurs de µ et ∆ sont variables.
Les figures qui suivent montrent les résultats. Nous remarquons l’existence de plusieurs ho-
rizons sismiques principaux. Pour obtenir d’autres réflecteurs secondaires, il nous suffit de
diminuer le pas ∆ ainsi que le paramètre de régularisation µ de l’équation (2.12).
2.7.3 Influence du paramètre µ
Dans l’équation (2.12) le paramètre µ se présente comme un paramètre de régularisation

de la force extérieure. Pour détecter les réflecteurs les plus significatifs, il faut imposer une
force suffisante pour pousser les contours vers les maxima d’amplitude, d’où la nécessité de
choisir µ grand. D’autre part, pour détecter plus de réflecteurs de plus faibles amplitudes, il
faut diminuer µ pour que les contours s’accrochent plus aux petits détails de l’image. Nous
avons fait varier le paramètre µ de régularisation. La figure (2.13) confirme que si µ augmente,
les contours se libèrent des réflecteurs isolés et des zones à faibles amplitudes et convergent
vers les réflecteurs les plus forts.
2.7.4 Influence du pas de l’initialisation
Si le nombre d’itérations du gradient est suffisament grand, alors ∆ n’a pas d’influence sur
la détection alors que si le nombre d’itérations est petit, un pas ∆ plus grand va donner moins
de réflecteurs. Ceci est expliqué par le fait que dans ce cas, les contours initiaux s’accrochent
localement aux réflecteurs même si ceux-ci n’ont que de faibles amplitudes.
2.7.5 Analyse de zones irrégulières
Nous allons maintenant considérer une image plus complexe qui présente plusieurs zones
de cassure et de discontinuité. Appliquons les contours actifs sur l’image avec les paramètres
suivant : µ = 0.1 et ∆ = 10ms. La figure (2.15) montre les résultats de notre simulation. Les
extrémités des réflecteurs sont détectées sans connaissance sur les parties qui appartiennent
aux mêmes réflecteurs de part et d’autres des discontinuités. Cela permet donc de bien mettre
en évidence des zones de fracture dans l’image sismique.
2.8 Utilisation des attributs sismiques
Pour le suivi des horizons, l’interprétation apportée par le gradient de l’image est sou-
vent insuffisante, car bruitée ou trop faible. Pour améliorer la détection, l’utilisation d’autres
attributs sismiques permet de favoriser l’attraction du contour et l’élimination des parties qui
ne correspondent pas réellement à un réflecteur. En effet, la condition d’orthogonalité paraı̂t
dans certains cas insuffisante à la détection à cause de la discontinuité. Pour résoudre ce type
de problème, l’attribut de cohérence c2 peut être employé avec pour condition en chaque
point du contour
c2 > λ (2.38)
où λ est une constante fixée par l’utilisateur.

Section 2.8 : Utilisation des attributs sismiques 57
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
450 450
500 500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
(a) µ = 0.05 (b) µ = 0.1
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
450 450
500 500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
(c) µ = 0.18 (d) µ = 0.2
Figure 2.13: Influence du paramètre µ.

50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
450 450
500 500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
(a) ∆ = 10ms (b) ∆ = 20ms
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
450 450
500 500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
(c) ∆ = 50ms (d) ∆ = 100ms
Figure 2.14: Influence de l’initialisation, µ = 0.1.

Section 2.9 : Détection des discontinuités 59
50
100
150
200
250
300
350
400
450
500
50 100 150 200 250 300 350 400 450 500
Figure 2.15: Zone irrégulière
2.9 Détection des discontinuités
Comme cela a été signalé au paragraphe 2.7.5, l’utilisation des contours actifs dans le suivi
des horizons sismiques montre aussi les endroits de rupture, ce qui conduit à envisager leur
utilisation pour suivre la discontinuité selon l’axe des profondeurs.
2.9.1 Données synthétiques
Nous simulons une discontinuité qui traverse une succession d’évènements cohérents
comme il est montré sur la figure 2.16(a). Comme on l’a vu au chapitre précédent, il existe
plusieurs attributs sismiques capables de mettre en valeur les discontinuités telles que les
failles, les chenaux,...etc. La figure 2.16(b) montre l’attribut de cohérence correspondant. Nous
allons utiliser la matrice de cohérence comme terme d’attache aux données qui permettra de
déplacer le contour vers les zones d’incohérence. Nous supposons ici que les discontinuités
sont verticales (hypothèse réaliste pour les zones de montée de gaz mais qui peut être lar-
gement violée pour les chenaux ou les failles). Aussi, nous admettons que les discontinuités
elles-mêmes sont continues.
2.9.2 Données réelles
Nous avons initialisé deux contours verticalement sur des données réelles issuent de
la campagne HYDRATECH. La cohérence permet de définir le gradient qui va attirer les
contours vers les discontinuités. La figure 2.17 montre la détection sur la section et l’attribut
de cohérence respectivement. Notons que malgré une allure parfois discontinue les limites
de la zone de discontinuité sont très bien repérées par la technique de contour actif.
50 50
100 100
150 150
200 200
250 250
300 300
350 350
400 400
450 450
500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450
(a) Le contour détecte la discontinuité (b) Cohérence
Figure 2.16: Discontinuité
50
50 0.9
100
100
0.8
150
150
0.7
200
200
0.6
250
250
0.5
300
300
0.4
350
350
0.3
400
400
0.2
450
450
500 0.1
50 100 150 200 250 300 350 400 50 100 150 200 250 300 350
(a) Le contour détecte les discontinuités (b) Cohérence
Figure 2.17: Détection des discontinuités

Section 2.10 : Evaluation des performances du pointé 61
2.10 Evaluation des performances du pointé
Une fois l’horizon sismique estimé par le contour actif, nous évaluons le pointé extrait. On
peut extraire les valeurs de quelques attributs et étudier leurs variations le long du contour.
La figure 2.18 montre les attributs de l’amplitude, de la phase instantanée, de la fréquence
instantanée et de la cohérence respectivement.
2.11 Conclusion
Dans ce chapitre, nous avons introduit une nouvelle méthode de suivi des horizons sis-
miques et de détection des discontinuités basée sur la méthode des contours actifs. Cette
nouvelle méthode utilise comme attributs l’amplitude sismique et la cohérence. L’utilisation
d’autres attributs sismiques est aussi envisageable pour améliorer la continuité et la corres-
pondance des horizons détectés au travers des discontinuités. L’initialisation des contours
peut être améliorée à l’aide d’une méthode de détection que nous allons introduire dans le
chapitre suivant.
Nous avons développé cette méthode dans le cadre d’une sismique 2D. Néanmoins, une ex-
tension à la sismique 3D peut être faite grâce aux surfaces déformables qui sont l’extension
des contours actifs à une dimension supérieure.
0.4
0.2
0
0 10 20 30 40 50 60
1
0.5
−0.5
0 10 20 30 40 50 60
100
50
0
0 10 20 30 40 50 60
1
0.5
0
0 10 20 30 40 50 60
Figure 2.18: Variation des attributs sismiques le long d’un horizon. De haut en bas : Ampli-
tude sismique, phase instantanée, fréquence instantanée et cohérence
3
CHAPITRE
Entropie Cumulative
Résiduelle Généralisée et
Applications
3.1 Introduction
La détection de faciès, d’objets ou de traits remarquables dans les images sismiques est
une étape primordiale pour une bonne compréhension de la structure du sous-sol et une
étape clef pour l’étude du réservoir. Les attributs sismiques présentent un outil puissant pour
aider les utilisateurs (géophysiciens, ingénieurs réservoir, géologues) à prendre des décisions
concernant la nature de la roche, les caractéristiques physiques et acoustiques du sous sol,
etc...
En 1984, les attributs de texture sont apparus dans [56]. L’utilisation de l’image sismique
était alors limitée par la nature de la sismique 2D (couverture faible, pas de voisinage latéral,
azimuth fixe,...) . Avec le développement de la sismique 3D, plusieurs mesures statistiques
sont apparues qui ont pour but essentiellement la classification de l’image sismique. Des
mesures comme l’énergie, le contraste, l’homogénité ou l’entropie sont très utiles pour la ca-
ractérisation du signal sismique [97, 98, 100, 101, 34, 35]. L’entropie constitue l’attribut le plus
important, avec l’énergie, pour l’étude du désordre de l’image et la prédictibilité du signal
[22].
Dans ce chapitre nous commençons par rappeler les limites de l’entropie de Shannon. En-
suite, nous introduisons une nouvelle mesure d’incertitude baptisée Entropie Cumulative
Résiduelle Généralisée (Generalized Cumulative Residual Entropy : GCRE). Cette nouvelle
mesure est une extension de la CRE introduite dans [70]. Nous présentons une étude détaillée
des propriétés de cette nouvelle entropie et une comparaison de ses propriétés avec celles de
l’entropie de Shannon. Nous étudions ensuite les applications de la GCRE : nous montrons
que la GCRE peut être utilisée comme un attribut sismique capable de détecter des anomalies.
Nous utilisons aussi la GCRE comme un critère de détection dans un algorithme introduit
dans [44]. Enfin, nous montrerons l’utilité de l’information mutuelle pour des applications en
reservoir et en comparaison de sections sismiques.
63
64 CHAPITRE 3 : E NTROPIE C UMULATIVE R ÉSIDUELLE G ÉN ÉRALIS ÉE ET A PPLICATIONS
3.2 Entropie cumulative généralisée
3.2.1 Limites de l’entropie de Shannon
L’entropie différentielle de Shannon d’une variable aléatoire réelle X de densité de pro-

babilité p est définie par Z
HS = − p(x) log p(x)dx. (3.1)
Cette définition est une extension au cas continu de l’entropie de Shannon initialement définie
dans le cas discret. Néanmoins, l’entropie différentielle souffre de quelques limites [99, 69].
Nous pouvons ici énumérer les plus significatives :
1. elle n’est définie que pour les distributions qui ont une densité de probabilité (absence
de définition pour les distributions mixtes discrètes-absolument continues)
2. elle n’a pas un signe constant. Contrairement au cas discret, l’entropie différentielle peut
être négative
3. l’approximation de l’entropie différentielle en utilisant l’entropie de distributions empi-
riques est difficile
4. elle est indépendante des valeurs prises par la variable aléatoire ce qui est, dans quelques
cas, contraignant. Les valeurs de la variable sont aussi une information.
Pour palier à ces limites, nous introduisons ici une nouvelle mesure d’entropie. Il s’agit
de l’entropie cumulative résiduelle généralisée (Generalized Cumulative Residual Entropy
GCRE). En plus de surmonter ces problèmes, cette nouvelle mesure d’information possède
plusieurs propriétés semblables à celles de l’entropie de Shannon. Notons que cette nouvelle
entropie généralise la CRE (Cumulative Residual Entropy) introduite dans [70] et visant à
répondre aux limitations évoquées précédemment. A la différence de la définition proposée
dans [70], notre approche n’impose pas la positivité du support de la loi de probabilité.
Dans ce qui suit, nous détaillerons la définition, les propriétés et les applications de la GCRE.
3.2.2 Entropie cumulative résiduelle généralisée
Soient X = [X1 , ..., Xn ]T un vecteur aléatoire de dimension n et FXc sa fonction de

répartition complémentaire : FXc (X) = P (X > x) = P (Xi > xi , i = 1, ..n). L’entropie cu-
mulative résiduelle généralisée (Generalized Cumulative Residual Entropy GCRE) de X est
notée HC (X) et est définie par
Z ∞
HC (X) = − P (X > λ) log(P (X > λ))dλ. (3.2)
−∞
L’existence de la GCRE de X est prouvée sans plus d’hypothèses que pour la CRE de X dans
[70]. En effet, en supposant que pour tout i, ∃ p > n tel que E(|Xi |p ) < ∞, on a le théorème
suivant
Théorème : 1 Soit X un vecteur aléatoire alors HC (X) < ∞.

Section 3.2 : Entropie cumulative généralisée 65
Démonstration Nous allons utiliser les deux inégalités suivantes :

pour tout α ∈ ]0, 1[ et x ∈ [0, 1]
e−1 α
|x log x| ≤ x , (3.3)
1−α
et
|x log x| ≤ 1 − x. (3.4)
De ces inégalités, on déduit que
e−1
−P (X > t) log P (X > t) ≤ P (X > t)α 1[0,∞] (t) + (1 − P (X > t))1]−∞,0[ (t).
1−α
(3.5)
Or,
α
1
P (X > t)α 1[0,∞] (t) ≤ 1[0,1] (t) + E[|X|p
] 1]1,∞[ (t)].
tp
Ainsi, en notant u = −t, on aura
(1 − P (X > t))1]−∞,0] (t) = P (X ≤ t)1]−∞,0] (t) ≤ 1[−1,0[ (t) + P (X ≤ t)1]−∞,−1[ (t)

≤ 1]0,1] (u) + P (X ≤ −u)1]1,∞] (u)
≤ 1]0,1] (u) + P (−X ≥ u)1]1,∞] (u)
≤ 1]0,1] (u) + P (| − X| ≥ u)1]1,∞] (u)
1
≤ 1]0,1] (u) + p E[| − X|p ]1]1,∞] (u). (3.6)
u
En choisissant 0 < α < 1 < p avec pα > 1, il vient finallement que
1
0 ≤ −G(t) log G(t) ≤ 1|t|≤1 (t) + E[|X|p ]1|t|>1 (t), (3.7)
|t|p
ce qui montre que HC (X) est finie et positive.
3.2.3 Premières propriétés de la GCRE
La GCRE est une fonction positive. C’est aussi une fonction concave de la distribution :
HC (αP1 + (1 − α)P2 ) ≥ αHC (P1 ) + (1 − α)HC (P2 ) (3.8)
où α ∈ [0, 1]. La GCRE possède également d’autres propriétés, semblables aux propriétés de
l’entropie de Shannon.
3.2.3.1 Invariance par translation
∀a ∈ Rn , HC (X + a) = HC (X). (3.9)
Cette propriété est aussi vérifiée pour l’entropie de Shannon [24].

3.2.3.2 Invariance par changement d’échelle
Il est clair que

∀a ∈ R+ , HC (aX) = aHC (X). (3.10)
Pour le cas où a < 0, l’égalité n’est pas forcément vérifiée. Néanmoins, pour les distributions
symétriques l’équation (3.10) sera satisfaite pour tout réel a.
On dira qu’une distribution est symétrique si elle vérifie la relation suivante :
∃µ, ∀x, FXc (µ − x) = 1 − FXc (µ + x). (3.11)
Pour de telles distributions on peut énoncer le théorème suivant :
Théorème : 2 Pour une variable aléatoire qui satisfait l’equation de symétrie (3.11), on a
∀a ∈ R, HC (aX) = |a|HC (X). (3.12)
Démonstration Compte tenu de la relation (3.10), il suffit de vérifier que HC (−X) = HC (X)
Z
c c
−HC (−X) = F−X (x) log F−X (x)dx
R
Z
c c
= F−X (x − µ) log F−X (x − µ)dx
ZR
= FX (−x + µ) log FX (−x + µ)dx
ZR
= (1 − FX (x + µ)) log((1 − FX (x + µ))dx
ZR
c c
= FX (x + µ) log(FX (x + µ)dx
ZR
c c
= FX (x) log(FX (x)dx
R
= −HC (X). (3.13)
3.2.3.3 Indépendance
Si les composantes du vecteur aléatoire X sont indépendantes et ont un support semi-

borné à gauche (ou borné) alors
Z
HC (X) = −FXc (x) log FXc (x)dx (3.14)
Πi ]mi ,∞]
X
= (Πj6=i (E[Xj ] − mj )) HC (Xi ). (3.15)
i
Cette égalité se justifie par la relation suivante :

Z ∞ Z ∞
FXc i (u)du = [uFXc i (u)]∞
mi + uPXi (du) = −mi + E[Xi ]. (3.16)
mi mi
Section 3.3 : Entropie conditionnelle, information et entropie maximale 67
3.3 Entropie conditionnelle, information et entropie maximale
3.3.1 Entropie conditionnelle
Cette définition découle de celle donnée par Rao et. al., [70]. L’entropie cumulative
résiduelle généralisée de X sachant que Y = y est définie par
Z
HC (X|Y = y) = −P (X > x|Y = y) log P (X > x|Y = y)dx. (3.17)
Rn
Dans [70], les auteurs ont montré que le conditionnement réduit l’entropie. En effet, cette
affirmation est le résultat du théorème suivant
Théorème : 3 Pour tout X et Y

HC (X|Y ) ≤ HC (X) (3.18)
on a égalité ssi X et Y sont indépendants.
Comme conséquence à ce théorème, si X → Y → Z est une chaı̂ne de Markov, alors nous

avons l’inégalité du traitement des données (data processing inequality) pour la GCRE :
HC (Z|X, Y ) ≤ HC (Z|X). (3.19)
Cette équation est évidement vérifiée par l’entropie de Shannon [24].
3.3.2 Taux d’entropie
3.3.2.1 Taux d’entropie
Soit {Xi } un processus stochastique. On définit le taux d’entropie de ce processus par
HC (X) = lim HC (Xn |Xn−1 , Xn−2 , ..., X1 ), (3.20)

n→∞
lorsque la limite existe.
Théorème : 4 La limite de l’équation (3.20) existe pour un processus stationnaire.
Démonstration
HC (Xn+1 |Xn , ..., X1 ) ≤ HC (Xn+1 |Xn , ..., X2 )

≤ HC (Xn |Xn−1 , ..., X1 ). (3.21)
La première ligne est la conséquence de l’équation 3.18 et la deuxième découle de la stationnarité du

processus (cf. [24] pour la démonstration équivalente dans le cas de l’entropie de Shannon).
3.3.2.2 Taux d’information mutuelle
Soient X et Y deux variables aléatoires, on définit l’information mutuelle cumulative

entre X et Y par
IC (X; Y ) = HC (X) − HC (X|Y ). (3.22)
Théorème : 5 IC est positive et s’annul ssi X et Y sont indépendants.
Démonstration Par application directe de l’inégalité (3.18).

Pour un vecteur aléatoire X = (X1 , X2 , ..., Xn ) de taille n, l’information mutuelle est définie
par
Xn
IC (X) = HC (Xi ) − HC (Xn |Xn−1 , ..., X1 ). (3.23)
i=1
Dans le cas d’un processus stochastique {Xi }i∈N∗ , nous avons HC (X) =
limn→∞ HC (Xn |Xn−1 , ..., X1 ) et la limite existe pour les processus stationnaires. Le taux
d’information mutuelle est alors défini par
t=T
1X
IC (X) = lim HC (Xt ) − HC (X), (3.24)
T →∞ T
t=1
où HC (Xt ) est l’entropie de la variable Xt .
3.3.3 Entropie maximale
Dans [70], le problème d’entropie maximale a été abordé indirectement pour caractériser
la distribution exponentielle qui est la distribution d’entropie CRE maximale sur le support
positif et sous contrainte de moyenne. Dans [69], l’auteur développe l’analyse des distribu-
tions d’entropie maximale sur un support positif et montre que la famille de distributions de
Weibull est celle de CRE maximale.
Dans cette partie, nous utilisons une méthode de calcul variationnel pour chercher la distri-
bution pour laquelle l’entropie cumulative résiduelle généralisée est maximale sous certaines
contraintes. Les cas de support positif et des distributions exponentielles représentent des cas
particuliers de notre approche [32].
3.3.3.1 Position du problème
Parmi les fonctions de répartition complémentaire symétriques au sens de l’équation

(3.11), on cherche celle qui maximise la GCRE dans le problème d’optimisation sous
contrainte suivant : (
maxF c HC (F c )
R (3.25)
R ri (x)p(x)dx = ci , i = 1, . . . , m,
d
où p(x) = − dx F c (x), (ri )i=1,m et (ci )i=1,m sont des fonctions à valeurs réelles de classe C 1 et
des coefficients réels respectivement. La solution de ce problème est donnée par le théorème
suivant :
Théorème : 6 Quand la relation de symétrie (3.11) est vérifiée, la solution du problème (3.25), quand
elle peut être atteinte, est de la forme
1
F c (x) = Pm ′ (x ≥ µ). (3.26)
1 + exp[ 1 λi ri (x − µ)]
Démonstration
Z µ Z ∞
−HC (X) = F c (x) log(F c (x))dx + F c (x) log(F c (x))dx (3.27)
−∞ µ
Z Z
= F c (x + µ) log(F c (x + µ))dx + F c (x + µ) log(F c (x + µ))dx (3.28)
R− R+
Z Z
= (1 − F c (µ − x)) log(1 − F c (µ − x))dx + F c (x + µ) log(F c (x + µ))dx(3.29)
R− R+
Z
= [(1 − F c (µ + x)) log(1 − F c (µ + x)) +F c (µ + x) log(F c (µ + x))] dx. (3.30)
R+
Soit f˜ défini par

m
f˜(F c (x), −p) = −(1 − F c (µ + x)) log(1 − F c (µ + x)) − F c (µ + x) log(F c (µ + x)) +
X
λi (−p(x))ri (x).(3.31)
1
Notons que (F c (x))′ = −p(x). La référence [91] donne la solution d’un problème sous contraintes
intégrales, montre que la solution F c du problème (3.25) est la solution de l’équation
d ˜
f−p (x) = f˜F c (x), (3.32)
dx
où la notation gu représente la dérivée partielle de la fonction g selon sa composante u. L’équation
(3.31) nous donne
m
d ˜ X ′
f−p (x) = λi ri (x) (3.33)
dx 1
et
f˜F c (x) = log(1 − F c (µ + x)) − log F c (µ + x). (3.34)
Alors,
m
1 − F c (µ + x) X ′
log c
= λi ri (x) (3.35)
F (µ + x) 1
et
1
F c (x) = Pm ′ , (3.36)
1 + exp( 1 λi ri (x − µ))
pour x ∈ [µ, ∞[.
3.3.3.2 Exemple
Soient les contraintes sur la moyenne et la variance de la distribution E[X] = µ et E[X 2 ] =

σ 2 . Alors la distribution (symétrique) qui maximise l’entropie est donnée par
1
FXc (x) = , (3.37)
1 + exp(λ1 + 2λ2 x)
pour x > 0.
C’est la fonction de répartion de la distribution logistique. Les contraintes sur les moments
donnent λ1 = − √µπ3σ
et λ2 = 2√π3σ . La densité de probabilité correspondante est définie sur R
par :
π
π exp(− σ√ 3
(x − µ))
pX (x) = √ π . (3.38)
σ 3 (1 + exp(− σ√3 (x − µ)))2
La distribution logistique a plusieurs applications dans le domaine de la fiabilité, biologie,
marketing ou de l’analyse de données [8].
3.3.3.3 Variable aléatoire positive
En utilisant la même démarche pour des lois a support positif, nous pouvons démontrer
que la solution du problème (3.25) obtenue en intégrant cette contrainte de positivité du sup-
port est de la forme :
i=m
X
c ′
F (x) = exp(− λi ri (x)), (3.39)
i=1
pour x ∈ [0, ∞[. Ce résultat a été démontré initialement par Rao dans [69] en utilisant
l’inégalité Log-somme rappelée par le théorème suivant :
Théorème : 7 Pour des nombres non négatifs a1 ,a2 ,..an et b1 ,b2 ,..bn
n n Pn
X ai X ai
ai ≥ ( ai ) log Pin (3.40)
bi i bi
i=1 i
ai
avec égalité si et seulement si bi est constant.
Sur un support positif et avec des contraintes sur les moments d’ordre un et deux, la dis-
tribution qui maximise l’entropie est de la forme F c (x) = exp(−λ1 − 2λ2 x) pour x > 0.
Cette solution, si elle existe, est une distribution exponentielle. Les moments doivent vérifier
l’égalité suivante :
E[X 2 ] = 2(E[X])2 , (3.41)
Si cette égalité n’est pas vérifiée, le problème n’admet pas de solution.

Rappelons que, plus généralement, Rao [69] a montré que la distribution (positive) qui maxi-
mise l’entropie résiduelle cumulative sous contrainte de la connaissance des n premiers mo-
ments est de la forme d’une distributions de Weibull.
3.3.4 Exemple : application à l’identification de systèmes
Afin d’illustrer l’intérêt potentiel de la GCRE, considérons un processus Y = (Yn )n∈Z

MA(1) d’ordre 1 généré par un bruit blanc X = (Xn )n∈Z et bruité par un bruit blanc N :
Yn = Xn − aXn−1 + Nn . (3.42)
On observe une réalisation de l’entrée X et la sortie correspondante pour Y et on veut estimer

le coefficient a sans aucune information a priori sur les distributions de X et de Y . Nous
utiliserons donc l’information mutuelle pour l’estimation de a.
Nous notons Ŷnα = Xn − αXn−1 et nous cherchons à estimer a par une maximisation de
l’information mutuelle :
n o
aS = arg max IS (Ŷnα , Yn ) (3.43)
α
n o
= arg max HS (Ŷnα ) − HS (Ŷnα |Yn ) (3.44)
α
n o
aC = arg max IC (Ŷnα , Y ) (3.45)
α
n o
= arg max HC (Ŷnα ) − HC (Ŷnα |Yn ) (3.46)
α
où HS est l’entropie de Shannon et HC est l’entropie cumulative résiduelle.

Pour la simulation, nous avons choisi X gaussien et pour la loi de N une loi de Laplace :
λ
pN (x) = exp(−λ|x|). (3.47)
2
La valeur de a est prise égale à 0.5, la variance du bruit est égale à 0.2 et la taille des observa-
tions est de 400 échantillons.
Nous avons réalisé 200 simulations. L’estimation de aS a donné un biais de 0.032 est une va-
riance de 0.18 tandis que celle de aC a donné un biais de 0.004 et une variance de 0.06.
La figure 3.1 montre l’avantage de l’utilisation de l’entropie cumulative résiduelle comparé à
l’utilisation de l’entropie de Shannon. On note
1. une concavité plus importante pour la IC par rapport à IS ,
2. une courbe plus lisse pour IC que pour IS .
Les courbes de IC sont plus régulières à cause de l’utilisation des fonctions de répartitions
dans l’expression de l’entropie (intégrales des densités contre les densités pour le calcul de
IS ), ce qui entraı̂ne la plus grande régularité des fonctions èstimées.
(a)
1.1
1
I
S
0.9
0.8 α
0 0.2 0.4 0.6 0.8 1
(b)
1.1
1
IC
0.9
0.8 α
0 0.2 0.4 0.6 0.8 1
Figure 3.1: 10 tracés de IS (α) (haut) et IC (α) (bas) en fonction de α. Trait pointillé : moyenne
des 200 réalisations.
3.4 La GCRE : un nouvel attribut sismique
L’entropie extraite de la texture de l’image sismique est un attribut très important pour
l’analyse de l’image. En effet, l’entropie décrit l’organisation des pixels de l’image. Une
grande valeur de l’entropie est obtenue quand les différentes valeurs possibles des pixels
sont équiprobables cela peut correspondre géologiquement à des structures chaotiques, des
discontinuités ou bien du bruit dans l’image sismique. Quand une valeur ou un pixel est plus
probable que les autres pixels du voisinage la valeur de l’entropie diminue. Ce qui peut être
traduit par un horizon sismique. Les attributs de texture en général et l’entropie en particulier
constituent encore un sujet de recherche très important. Aussi, un intérêt croissant est accordé
à l’utilisation et l’amélioration du calcul de l’entropie comme attribut sismique [100]. L’entro-
pie d’une image est calculée de deux façons différentes. Une première méthode consiste à cal-
culer l’entropie directement à partir de l’histogramme de l’image et une deuxième méthode
consiste à extraire l’entropie des matrices de cooccurences.
3.4.1 Calcul à partir de l’histogramme
Soit une image quelconque I. On peut voir I comme la représentation des réalisations
d’une variable aléatoire X. L’histogramme de l’image est une méthode rapide pour l’es-
timation de la densité de X. A partir de cette estimation, on calcule facilement l’entropie
de la variable X. L’utilisation de l’histogramme pour l’estimation de la GCRE est justifiée
théoriquement dans [70, 99]. L’amélioration de cette estimation pourra se faire en estimant
Section 3.4 : La GCRE : un nouvel attribut sismique 73
plus précisement la densité à l’aide d’autres méthodes telles que des méthodes à noyau [46].
Notons cependant que cela n’est pas très critique, car dans les calculs d’entropie l’estimation
de la loi de probabilité se trouve être intégrée.
La figure 3.3 présente l’attribut de la phase instantanée de l’image initiale 3.2 et la figure 3.4
montre la GCRE correspondant à l’attribut de phase, calculée sur des fenêtres de taille 11×11.
Le choix de l’attribut de phase est justifié par sa bonne capacité à mettre en évidence les di-
continuités. Ainsi, l’estimation de la loi est réalisée localement sur 121 points. Cette taille est
conseillée par Larbunye [51]. A partir de ces deux figures, nous pouvons conclure que les
régions dont la valeur de la GCRE est forte correspondent aux régions d’anomalie de phase
instantanée et qui peuvent être associées à des phénomènes structurels précis.
Contrairement à la GCRE qui présente un aspect linéique ressemblant à celui de la phase ins-
tantanée, l’entropie de Shannon HS , représentée sur la figure 3.5, montre un caractère plus
aléatoire et ne permet pas une bonne localisation des anomalies.
3.4.2 Calcul basé sur la matrice de cooccurence
Les matrices de cooccurences GLCM (cf. annexe A) présentent une autre méthode de
calcul de l’attribut entropie. La version normalisée de la GLCM nous donne une mesure
probabiliste dont on peut extraire les attributs d’homogénité, l’inertie, l’énergie et l’entro-
pie. Nous utiliserons la matrice de cooccurence pour le calcul de la GCRE. Des exemples de
matrices de cooccurence sont présentés sur la figure 3.6. Les valeurs correspondantes de la
GCRE et de l’entropie de Shannon HS sont données dans les tableaux 3.1 et 3.2. Ces résultats
montrent que la valeur de l’entropie est minimale pour l’angle qui correspond au pendage
des réflecteurs. C’est la direction d’ordre maximum. Cela est en conformité avec le principe
général de l’augmentation de l’entropie avec le désordre. Une application directe est la re-
cherche de l’angle du pendage des données sismiques. En effet, le pendage est l’angle cor-
respondant à l’entropie minimale. Une autre application envisageable est l’utilisation de la
GCRE pour la classification des faciès comme dans [100].
0.25
10
0.2
20
0.15
30
0.1
40
0.05
50
0
60
70 −0.05
80 −0.1
90 −0.15
100
10 20 30 40 50 60 70 80 90 100
Figure 3.2: Image initiale.

data
10 150
20
100
30
50
40
50 0
60
−50
70
−100
80
90
−150
100
10 20 30 40 50 60 70 80 90 100
Figure 3.3: Attribut de phase instantanée correspondant.
GCRE
1
10
0.95
20
0.9
30
0.85
40
50 0.8
60
0.75
70
0.7
80
0.65
90
10 20 30 40 50 60 70 80 90
Figure 3.4: GCRE correspondant à l’attribut de phase.
H
1
10
0.98
20
30
0.96
40
50 0.94
60
0.92
70
80
0.9
90
10 20 30 40 50 60 70 80 90
Figure 3.5: HS correspondant à l’attribut de phase.

0 π/10 π/5 3π/10 2π/5

1 1 1 1 1
256 256 256 256 256

1 π/2 256 1 3π/5 256 1 7π/10 256 1 4π/5 256 1 9π/10 256
1 1 1 1 1
256 256 256 256 256

1 π 256 1 −π/10 256 1 −π/5 256 1 −3π/10 256 1 −2π/5 256
1 1 1 1 1
256 256 256 256 256

1 −π/2 256 1 −3π/5 256 1 −7π/10 256 1 −4π/5 256 1 −9π/10 256
1 1 1 1 1
256 256 256 256 256

1 256 1 256 1 256 1 256 1 256
Figure 3.6: Exemples de matrices de cooccurence pour un offset de 3 pixels.
0.6583 0.9029 1.1584 1.1584 0.8444

0.8748 0.8447 1.2644 1.2644 1.1905
0.6583 1.1905 1.2644 1.2644 0.8447
0.8748 0.8444 1.1584 1.1584 0.9029
Tableau 3.1: Les valeurs de la GCRE correspondants aux images de la figure 3.6.
0.3779 0.4267 0.4295 0.4295 0.4174

0.4174 0.4170 0.4299 0.4299 0.4247
0.3779 0.4247 0.4299 0.4299 0.4170
0.4170 0.4174 0.4295 0.4295 0.4267
Tableau 3.2: Les valeurs de HS correspondants aux images de la figure 3.6.
3.4.3 Application à la détection des horizons sismiques
Une méthode récente de détection des objets saillants dans les images basée sur l’entropie
a été introduite par Kadir [44, 45]. Le principe de cette méthode repose sur la rareté des objets
à détecter. En effet tout ce qui est rare dans une image est saillant et il est important de le
détecter. La rareté signifie à la fois une rareté dans l’espace de l’image (exemple : d’un pixel
de l’image à un autre) et aussi la rareté selon l’échelle ( dans ce cas le rayon variable d’un
voisinage circulaire).
On utilise l’entropie pour l’évaluation de la rareté dans l’espace de l’image. Cependant,
cette mesure, à elle seule, n’est pas suffisante. Pour mettre en évidence cette insuffisance, on
considère une image formée de bruit blanc Gaussien. L’entropie (de Shannon) dans n’importe
quelle fenêtre de l’image est maximale (elle est constante) mais cette fenêtre ne comprend au-
cun objet saillant. Pour pallier à cette insuffisance, on ajoute une grandeur qui mesure la
rareté entre échelles (pour le même pixel une fenêtre de rayon r1 et une fenêtre de rayon r2 ).
Dans ce cas, un objet est considéré saillant s’il est rare dans l’espace de l’image et en même
temps est rare selon l’échelle. Si l’image n’est constituée que de bruit, toutes les échelles ont
la même valeur de rareté et par suite aucun objet n’est saillant. La méthode développée par
Kadir [44, 45] repose sur deux mesures : une mesure dans l’espace (l’entropie) et une mesure
inter-échelle basée sur le voisinage.
3.4.3.1 Mesure entre échelles
Soient X1 et X2 deux variables aléatoires qui représentent les valeurs des pixels qui se
trouvent à l’intérieur d’une fenêtre de rayon rx1 et les valeurs des pixels qui se trouvent à
l’intérieur d’une fenêtre de rayon rx2 centrée sur le même pixel respectivement. Une me-
sure entre échelles W est une mesure qui compare deux distributions de probabilités. W doit
donner une faible valeur quand les distributions X1 et X2 sont similaires et une grande va-
leur quand les deux distributions sont très différentes. Deux mesures ont été proposées : la
différence des modules W1 et la divergence de Kullback-Leibler W2 :
X
W1 = |pX1 (x) − pX2 (x)|, (3.48)
x
X pX1 (x)
W2 = pX1 (x) log . (3.49)
x
pX2 (x)
En particulier, on a la propriété évidente W1 ≤ 2 et la valeur maximale est atteinte lorsque X1
et X2 ont des supports disjoints.
3.4.3.2 Mesure de remarquabilité
La mesure de remarquabilité en chaque pixel x de l’image est donnée par l’équation sui-
vante :
Y (s, x) = H(s, x) × W (s, x), (3.50)
où s est l’échelle (cercle de rayon s) et H(s, x) est une mesure de l’entropie locale calculée
dans le voisinage de rayon s et W est une mesure inter-échelles. L’entropie H sera maximale
dans le cas d’un objet rare dans l’image et W sera maximale dans le cas d’un objet rare en
échelle (un objet présent uniquement pour quelques échelles). Par exemple, dans le cas d’un
bruit blanc, l’entropie est maximale mais à travers l’échelle (dans notre cas des cercles de
rayons différents) W est nulle d’où l’absence d’objets saillants dans l’image.
On cherche ensuite l’échelle s pour laquelle H(s, x) est maximale. D’après [44], cette approche
est meilleure que de chercher l’échelle pour laquelle Y ou bien W est extrémale.
sp = {s, H(s, X) > H(s − 1, X)} ∩ {s, H(s, X) > H(s + 1, X)} (3.51)
3.4.3.3 Détection
On calcule Y en chaque pixel de l’image, puis on retient les pixels pour lesquels cette
mesure est supérieure à un certain seuil. [30] présente les étapes de cette détection. On calcule
la droite des moindres carrés qui passe par les points détectés. On utilise ensuite cette droite
pour l’initialisation d’un algorithme de contour actif (GVF) pour améliorer la localisation des
horizons. Le contour actif est utilisé parce que les horizons peuvent être curvilignes [106].
L’utilisation des deux mesures d’entropie de Shannon et cumulative résiduelle, a révélé trois
points essentiels :
1. Les deux entropies mettent en évidence la présence des réflecteurs forts.
2. L’entropie cumulative résiduelle ne met pas en valeur les réflecteurs faibles.
3. Latéralement, les horizons sont plus uniformes en utilisant l’entropie de Shannon qu’en
utilisant la GCRE.
Le premier point montre que les deux mesures d’entropie sont valables pour la détection
des réflecteurs forts alors que les deux autres remarques résultent de la propriété (3.12). En
effet, la GCRE d’une variable multipliée par une constante dépend de l’amplitude de la
constante d’une façon multiplicative alors que pour l’entropie de Shannon l’entropie dépend
additivement du logarithme de la constante. Ces remarques sont mises en évidence sur les
figures 3.7 et 3.8.
Shannon
100
1
0.8
80
0.6
0.4 60
0.2
0 40
100
90
80 20
70
60
50
40
30
20 0
10
0
Figure 3.7: Entropie de Shannon pour un rayon égal à 5.

GCRE
1
100
0.8
0.6 80
0.4
60
0.2
0 40
100
90
80
70 20
60
50
40
30
20
10 0
0
Figure 3.8: GCRE pour un rayon égal à 5.
3.4.4 Résultats quantitatifs
Dans ce paragraphe, on va étudier l’influence de la mesure de l’entropie sur la détection

d’un réflecteur.
3.4.4.1 Influence du seuillage
On calcule la mesure Y de l’équation (3.50) en chaque pixel puis on applique un seuillage

pour détecter les pixels les plus importants. Le seuillage utilisé est un seuillage localement
adaptatif [82] qui dépend des statistiques locales de l’image. La valeur du seuil de la mesure
Y : TY est donnée par l’équation suivante :
TY = mY + k ∗ σY (3.52)
où mY et σY sont respectivement la moyenne et l’écart type de Y . La valeur de k est fixée par
l’utilisateur. Pour cette simulation, nous avons fixé k à une valeur de 0.85 pour le calcul de Y
en utilisant l’entropie de Shannon et k fixé à 1.87 pour Y calculée en utilisant la GCRE.
Ensuite, on va approcher les points détectés par une droite des moindres carrées. L’équation
de la droite des moindres carrés est y = ax + b. Le tableau (3.3) donne les valeurs des coeffi-
cients a et b pour les deux mesures d’entropie.
Section 3.5 : Application à la comparaison des images sismiques 79
HS GCRE
â b̂ â b̂
-0.1586 36.3139 -0.1404 35.6162
Tableau 3.3: Estimation de a et b
Ce tableau montre que les valeurs des coefficients a et b sont comparables en utilisant les
deux mesures d’entropie. Les figures 3.10 et 3.11 montrent les pixels détectés qui vont être
utilisés pour l’estimation de la droite des moindres carrés en utilisant l’entropie de Shannon
et la GCRE respectivement, pour les données réelles de la figure 3.9. Nous remarquons que
les pixels détectés à l’aide de l’entropie de Shannon sont plus dispersés que dans le cas de la
détection en utilisant la GCRE. La droite des moindres carrés peut être utilisée par la suite
comme initialisation d’un algorithme de suivi. La figure 3.12 montre la position finale de la
droite après application d’un contour actif de type GVF [106].
3.5 Application à la comparaison des images sismiques
La surveillance et le monitoring des reservoirs est une tâche très importante et coûteuse
pour les compagnies pétrolières en termes de moyens humains et financiers. Au cours de la
production et l’extraction du pétrole, la couche d’hydrocarbures diminue petit à petit jusqu’à
l’impossibilité de l’extraction. Les coefficients de réflexion changent en fonction des positions
des différentes interfaces gaz-pétrole et pétrole-eau qui varient au cours du temps. On est
amené souvent à faire plusieurs campagnes d’acquisition sismique pour détecter les chan-
gements dans la sismique. Cependant, il faut seulement trouver les changements dus à la
géologie (au réservoir) et minimiser l’influence de la variabilité de l’acquisition. On est donc
amené à introduire des mesures qui permettent la comparaison entre deux sections sismiques
acquises à des temps différents T0 et T0 + ∆T pour mesurer la répétabilité de la sismique. Il
s’agit de la sismique 4D (3D en fonction du temps). On considère souvent la première acqui-
sition, au temps T0 , comme la base et la sismique d’un temps ultérieur T0 + ∆T comme le
moniteur.
On s’intéresse dans cette partie à montrer l’utilité des information mutuelles (IS et IC ) pour
la mesure de répétabilité de la sismique et la comparaison entre deux sections.
3.5.1 Mesures de répétabilité
Deux mesures de répétabilité sont connues : la moyenne quadratique normalisée N RM S

et la prédictabilité P RED [50]. Pour deux traces at de la base et bt du moniteur dans un
intervalle [t1 , t2 ], ces deux mesures sont données par les équations (3.53) et (3.55) :
200 × RM S(at − bt )
N RM S = (3.53)
RM S(at ) + RM S(bt )
avec
s
Pt2 2
t1 (xt )
RM S(xt ) = (3.54)
N
et N est le nombre d’échantillons dans l’intervalle [t1 , t2 ].
P
Φab (τ ) × Φab (τ )
P RED = P (3.55)
Φaa (τ ) × Φbb (τ )
où Φab est la corrélation croisée entre les deux traces at et bt :
t2
X
Φab (τ ) = at (m)bt (m + τ ) (3.56)
m=t1
D’après [50], la N RM S est très sensible aux moindres changements des données. La
prédictabilité P RED n’est pas sensible aux différences de statiques, aux différences de phases
et aux différences d’amplitudes. Elle est sensible seulement au bruit et aux changements de
la réflectivité. La N RM S est plus utilisée et a une grande importance pour les campagnes
4D. Plusieurs études ont détaillé la réponse de la N RM S et sa sensibilité par rapport au
bruit, aux translations et aux différences d’amplitude [37]. Nous étudions ici la sensibilité de
la N RM S à la translation (dans le temps), à la rotation de phase et au bruit additif et nous
allons comparer la réponse obtenue à celle de l’information mutuelle.
3.5.2 Application sur des traces synthétiques
Nous allons comparer le comportement des différentes mesures de répétitivité et les in-
formations mutuelles sur des traces synthétiques. Soit at une trace considérée comme la base
et la trace bt = T (at ) considérée comme le moniteur, où T (.) est une transformation appliquée
à a.
Translation
Dans ce cas, bt = at+t0 est une version translatée de a et T (.) est l’opérateur de trans-
lation. La figure 3.13 montre l’image synthétique I correspondante : I = [at , at+1 , ..., at+n ].
L’échelle verticale étant le temps et l’horizontale est le numéro de la trace. La trace 1 est
la trace base (translation de 0 échantillons), la trace 2 est la trace de base translatée de 1
échantillon,..., la trace j est la trace de base translatée de j échantillons. On introduit des
échantillons nuls au début de la trace translatée et on coupe la trace à la fin pour avoir une
longeur 315 échantillons.
10
15
20
25
30
35
40
45
50
10 20 30 40 50 60 70 80 90 100
Figure 3.9: Observation.
10
15
20
25
30
35
40
45
50
10 20 30 40 50 60 70 80 90 100
Figure 3.10: Y en utilisant HS
10
15
20
25
30
35
40
45
50
10 20 30 40 50 60 70 80 90 100
Figure 3.11: Y en utilisant la GCRE

10
15
20
25
30
35
40
45
50
10 20 30 40 50 60 70 80 90 100
Figure 3.12: Le contour s’alignant sur le réflecteur
50
100
150
200
250
300
50 100 150 200 250 300
Figure 3.13: Section synthétique : translation de la trace de base dans la première colonne.
0.5
0
0 50 100 150 200 250 300
1
0.5
0
0 50 100 150 200 250 300
200
100
0
0 50 100 150 200 250 300
300
200
100
0
0 16 31 50 100 150 200 250 300
Figure 3.14: Comparaison entre les mesures de répétitivité, du haut en bas : IS , IC , N RM S et

la valeur de la translation.
Au niveau de la trace 31, les différentes mesures présentent un extremum. En effet, cette
valeur correspond à deux traces en opposition de phase. Par contre au niveau de la trace 16
les quantités IS et IC marquent bien un minimum qui correspond à une trace en quadrature
retard de phase avec la trace de base. La mesure N RM S est insensible à cet effet.
Changement de phase
Dans ce cas, bt = ℜ {at exp(−iφ)} et T (.) est l’opérateur rotation. Le changement de la

phase a une influence sur les attributs de répétitivité. Cependant, les réponses de IS et IC
d’une part et N RM S d’autre part sont différentes. N RM S dans ce cas n’est pas extrémale au
niveau de la trace 26 contrairement à IS et IC . Cette trace correspond à une quadrature retard
de phase avec la trace de base. La figure 3.15 montre la section synthétique. L’échelle verticale
est le temps et l’échelle horizontale est le numéro de la trace où on applique à chaque fois une
rotation de phase.
50
100
150
200
250
300
10 20 30 40 50 60 70 80 90 100
Figure 3.15: Section synthétique : rotation de la trace de base.
0.5
0
0 20 40 60 80 100 120
1
0.5
0
0 20 40 60 80 100 120
200
100
0
0 20 40 60 80 100 120
10
0
0 20 26 40 60 80 100 120

le déphasage.
Bruitage
Dans ce cas, bt = at + nt où nt est un bruit gaussien. La trace moniteur est une version
bruitée de la trace de base par un bruit gaussien de variance σn2 . La figure 3.17 montre la suite
des traces bruitées et la figure 3.18 montre la valeur des mesures de matching correspondants.
50
100
150
200
250
300
10 20 30 40 50 60 70 80 90 100
Figure 3.17: Section synthétique : bruitage de la trace de base.
0.5
0
0 10 20 30 40 50 60 70 80 90 100
1
0.5
0
0 10 20 30 40 50 60 70 80 90 100
15
10
0
0 10 20 30 40 50 60 70 80 90 100
1
0.5
0
0 10 20 30 40 50 60 70 80 90 100

σb2 .
3.5.3 Application sur des images synthétiques
Nous générons une image simple A considérée comme base en utilisant une trace sis-
mique réelle pour les abscisses de 1 à 40. De 41 à 60, la même trace est multipliée par un coeffi-
cient égale à 0.6. De 61 à 80, seulement du bruit gaussien de variance 10−4 et de 81 à 100 seule-
ment du bruit gaussien de variance 10−6 . L’image moniteur B est telle que : B = 0.9A + N
avec N est une image de bruit blanc gaussien de variance 510−4 . Cette simulation est sem-
blable à celle proposée dans [50]. La figure 3.19 montre le résultat du calcul des différentes
mesures de prédictibilité et de répétitivité entre les deux images A et B. Notons que le calcul
est fait trace par trace. Les nouvelles mesures IS et IC reproduisent la même allure que celles
de N RM S et de P RED inversées, les deux informations mutuelles peuvent donc être uti-
lisées comme mesures alternatives à P RED et N RM S. Cependant, les mesures IS et P RED
sont nettement moins performantes que IC et N RM S. En effet, ces dernières détectent avec
une grande précision les ruptures dans la suite des séquences enregistrées aux abscisses 40,
60 et 80.
20 20
40 40
60 60
80 80
100 100
120 120
140 140
160 160
180 180
200 200
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
(a) Base (b) Différence
100
20
50
40
0
0 10 20 30 40 50 60 70 80 90 100
100
60
50
80
0
100 0 10 20 30 40 50 60 70 80 90 100
150
120 100
50
140
0
0 10 20 30 40 50 60 70 80 90 100
160 150
180 100
200 50
10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
(c) Moniteur (d) Du haut en bas : IS , IC , N RM S et P RED
Figure 3.19: Données 4D synthétiques(l’échelle verticale est le temps et l’horizontale est le

numéro de la trace)
Ces différentes mesures de ressemblance entre les images sont efficaces mais elles ne pro-
fitent pas de l’information du voisinage puisqu’elles sont calculées trace par trace. Nous in-
troduisons la mesure N RM S2D que nous définissons comme suit :
kA − Bk
N RM S2D = 200 ∗ (3.57)
kAk + kBk
où A et B sont deux voisinages (carrés) des deux images à comparer et k.k est la norme eucli-
dienne d’une matrice.
Nous générons l’image de base donnée par la figure 3.20(a). L’image moniteur de la figure
3.20(b) est égale à l’image de base plus du bruit blanc gaussien de variance 0.001 partout
sauf entre la ligne 41 et la ligne 70 où l’image moniteur est égale à l’image de base multi-
pliée par 0.8 en ajoutant un bruit blanc gaussien de même variance 0.001. Nous utilisons ici
un voisinage carré de coté 21. Cela revient à dire que nous considérons en chaque point de
l’image les 10 traces d’avant et les 10 traces d’après et les 10 échantillons avant et les 10 après.
Cette simulation s’interprète comme un changement dans les caractéristiques d’un réservoir
après exploitation. Les figures 3.20(c) et 3.20(d) montrent que IC et N RM S2D permettent de
détecter ces changements. Cependant, les transitions sont plus nettes avec IC qui apparaı̂t
donc comme un attribut particulièrement intéressant pour le monitoring de réservoirs.
10 10
20 20
30 30
40 40
50 50
60 60
70 70
80 80
90 90
100 100
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
(a) Base. (b) Moniteur.
1 0.6
10 10
0.9
0.5
20 20
0.8
30 30
0.7
0.4
40 0.6 40
50 0.5 50 0.3
60 0.4 60
0.2
70 0.3 70
80 0.2 80
0.1
90 0.1 90
100 0 100 0
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
(c) IC . (d) N RM S2D .
Figure 3.20: Calcul de l’IC et de N RM S2D en deux dimensions (l’échelle verticale est le temps
et l’horizontale est le numéro de la trace)
Section 3.6 : Conclusion 87
3.6 Conclusion
Dans ce chapitre, nous avons introduit une nouvelle mesure de l’entropie appelée Entro-
pie Cumulative Résiduelle Généralisée GCRE. Nous avons détaillé les différentes propriétés
de cette nouvelle mesure d’informations. A l’aide de quelques exemples nous avons montré
le champ vaste des applications de cette mesure. A la fin du chapitre, nous avons traité le cas
qui nous intéresse plus particulièrement dans le cadre de cette thèse qui est l’application de
la GCRE à la sismique 3D et 4D.
4
CHAPITRE
Fusion des attributs

sismiques à l’aide de la
théorie de l’évidence
4.1 Introduction
La sismique réflexion vise en particulier à détecter l’existence de champs pétroliers. Ce-

pendant, à partir des résultats bruts fournis par la sismique seule, on ne peut pas décider si
un forage doit être entrepris ou pas. Une étude géologique approfondie fait partie du proces-
sus de détection et localisation des hydrocarbures de manière essentielle.
Pour connaı̂tre la géologie du sous-sol, on a recours aux observations fournies par la sis-
mique des puits. Au niveau de ces puits forés, la structure du sous-sol sera connue parfaite-
ment, mais cette connaissance est limitée car le nombre de puits est limité pour des raisons
économiques évidentes. Pour connaı̂tre la structure géologique du sous-sol à distance des
puits, on utilise la sismique. En pratique, on commence par calibrer la sismique au niveau
des puits pour faire la correspondance entre les faciès géologiques et les faciès sismiques puis
on essaye d’étendre la relation entre ces deux faciès au reste du réservoir analysé.
Les faciès sismiques constituent un groupe de réflexions dont les caractéristiques (ampli-
tudes, continuité, géométrie de réflexion, fréquence,...) diffèrent de ceux des groupes adja-
cents. Ils permettent la description du réservoir qualitativement et quantitativement [100].
Connaı̂tre les faciès revient donc à classifier l’image sismique en régions de caractéristiques
communes.
Pour faire la classification, on a souvent recours aux différents attributs sismiques qui per-
mettent de distinguer les différentes caractéristiques du signal sismique. Le nombre de ces
attributs est très grand ce qui rend la classification plus difficile au niveau du choix des attri-
buts à utiliser.
Une solution à ce problème a été proposée dans la littérature. Il s’agit de la fusion des attri-
buts qui vise à exploiter la complémentarité entre les réponses et la redondance des données
pour réduire l’incertitude sur l’information. Plusieurs méthodes de fusion ont été utilisées en
vu de construire des méta-attributs, de partitionner des classes ou de prendre des décisions
[23, 3, 25].
89
90 CHAPITRE 4 : F USION DES ATTRIBUTS SISMIQUES À L’ AIDE DE LA TH ÉORIE DE L’ ÉVIDENCE
Nous considérons ici le problème de la fusion des attributs et de la classification.

Dans ce chapitre, nous allons commencer par introduire les différentes méthodes de classi-
fication des images sismiques actuellement employées, ainsi que leurs inconvénients. Puis,
nous proposons d’utiliser la théorie de l’évidence [83] pour effectuer cette fusion. Par la suite,
nous construirons deux types de fonctions de masse (deux fonctions de distribution de la
croyance) et nous montrerons les résultats de la fusion auxquels elles conduisent. Nous ter-
minerons ce chapitre par une application à la détection de failles sur des données réelles de
la campagne HYDRATECH fournies par IFREMER.
4.2 Etat de l’art de la classification des faciès sismiques
4.2.1 Etat de l’art
La classification de l’image sismique consiste à partitionner l’image en un ensemble

de régions disjointes. Dans chaque région, les caractéristiques telles que l’amplitude, la
fréquence ou tout autre attribut sismique sont communes. La classification aboutit donc à
des faciès sismiques qui seront très utiles pour la description et la caractérisation du réservoir
étudié.
Nous détaillerons dans ce paragraphe les méthodes de classification les plus connues dans la
littérature.
K-moyennes
La méthode des K-moyennes est une méthode de classification qui vise à partitionner
un champ de points de dimension n en sous ensembles disjoints [108, 13, 60]. La séparation
s’effectue à l’aide d’une métrique qui est souvent la distance Euclidienne ou de Minkowski.
Cette méthode est largement utilisée à cause de sa simplicité et de sa rapidité. La connaissance
a priori du nombre de classes K est nécessaire. Il est à noter que cette méthode est sensible
au bruit mais qu’elle donne de bons résultats pour la détection de certains types d’anomalies
telles que les anomalies d’AVO (Amplitude Versus Offset) [23]. Le principe de l’algorithme
est le suivant :
1. Un ensemble de K points est choisi aléatoirement comme centre des classes : c1 , c2 , .., cK .
2. Une partition est créée telle que chaque point est assigné à la classe dont le centre est le
plus proche.
3. Actualisation des centres par le recalcul des barycentres des classes.
4. Répétition des étapes précédentes jusqu’à la convergence
On peut ainsi classer chaque point définitivement dans une classe donnée (décision) ou bien
construire une probabilité d’appartenance du point à chaque classe c1 , c2 , .., cK qui sera in-
versement proportionnelle à la distance entre le point et le centre de la classe considérée [51].
Section 4.2 : Etat de l’art de la classification des faciès sismiques 91
Analyse en composante principale (ACP)
Cette méthode n’est pas exactement une méthode de classification, mais elle est utilisée
pour réduire la dimension des données avant d’appliquer la classification. Etant donné un
espace d’observation initial de dimension n, l’ACP cherche à représenter ce nuage de points
dans un espace de dimension q inférieure (souvent q = 1, 2, 3). Elle constitue une approche
très utile, vu l’augmentation considérable du nombre d’attributs sismiques. Une limitation
de cette méthode est que les composantes principales retenues après application de l’ACP ne
représentent plus la même signification physique que les données initiales et qu’il est souvent
difficile de trouver la signification géologique [23, 51]. Après réduction, on peut cependant
reconstruire une approximation des données.
Un exemple de méthode basée sur l’ACP est la méthode introduite dans [66] qui a été reprise
par Labrunye dans [51]. Le principe de cette méthode est résumé par la figure 4.1. Selon
[51], d’abord, un ensemble d’attributs est sélectionné. L’ACP permet ensuite de synthétiser
l’information qu’il contient. Une segmentation est appliquée après pour donner une carte de
faciès sismiques qui sera calibrée avec la carte de faciès gélogiques au niveau des puits. Le
résultat est une carte de faciès géologiques.
Figure 4.1: Analyse non supervisée basée sur les nuées dynamiques. Figure extraite de [51].
Données de puits Sismique initiale Attributs
...
X1 X2 Xi Xi+1
m1 m2 mi mi+1 mL
+
m
Décision
Figure 4.2: Meta-attribut.

Section 4.2 : Etat de l’art de la classification des faciès sismiques 93
Réseaux de neurones
Les réseaux de neurones sont largement utilisés pour la construction de nouveaux attri-
buts, la fusion et la classification [3, 96, 100, 39, 58]. Dans [3], les réseaux de neurones sont
utilisés pour construire plusieurs types de méta-attributs. Cet article présente aussi une com-
paraison entre un méta-attribut de faille et un simple attribut de similarité. Les résultats de la
comparaison montrent que le méta-attribut donne des failles plus continues que celles obte-
nues par un seul attribut.
Deux types de réseaux de neurones sont essentiellement utilisés en sismique : la quantifi-
cation vectorielle (VQ) et les cartes auto-organisées (Self organizing Maps ou SOM) [23]. La
première est une méthode de segmentation proche de la méthode des K-moyennes . Les SOM
sont très utilisées dans le monde industriel [49]. Elles constituent une méthode moins sen-
sible au bruit et donnent des résultats comparables aux résultats donnés par la méthode des
K-moyennes [51, 23, 12]
Fusion floue
Valet [93] et Valet et., al., [94, 95] ont introduit une méthode de classification basée sur les
ensembles flous et sur les fonctions d’appartenance. Ils utilisent un raisonnement IF-THEN et
ils décrivent les attributs linguistiquement. Ils comparent les résultats avec ceux d’un expert.
La différence entre les deux résultats peut être minimisée grâce à un choix plus judicieux des
attributs initiaux.
4.2.2 Difficultés de la classification automatisée
Pour contruire un système automatisé qui permet la détection et la classification des

différents faciès sismiques à partir des données sismiques et des attributs, il y a plusieurs
difficultés à surmonter. Nous pouvons citer essentiellement les problèmes suivants :
1. Les données à fusionner sont fournies à des échelles différentes, par exemple les données
des puits sont de très haute résolution tandis que la sismique a une résolution plus faible.
2. La nécessité d’avoir une grande base de données pour avoir le maximum de cas de figure
pour la phase d’apprentissage des méthodes supervisées.
3. L’intégration de la connaissance de l’expert.
4. Le choix des attributs de départ est très important et un grand nombre d’attributs est
coûteux.
5. L’interprétation géologique directe des résultats.
4.2.3 Démarche proposée
Dans ce paragraphe, nous introduisons une méthode de fusion. Elle permet de surmonter
plusieurs difficultés et surtout la nature différente des données initiales. Elle est décrite dans
les étapes suivantes

1. Choix des M sources : les sources peuvent être des attributs, des faciès géologiques recon-
nus aux puits ou même une interpretation initiale grossière. Le choix des attributs sismiques
est fortement lié au faciès détecté.
2. Construction des M fonctions de masses élémentaires : c’est l’étape la plus difficile de l’ap-
proche puisque les fonctions de masses traduisent l’information dont on dispose.
3. Fusion des sources en utilisant la règle de combinaison de Dempster de l’équation 4.21.
4. Décision : plusieurs alternatives sont possibles pour cette phase.
Cette méthode est présentée sur la figure 4.2.
4.3 Classification par la théorie de l’évidence
4.3.1 Rappel sur la théorie de Dempster Shafer
La théorie de l’évidence, nommée aussi théorie de Dempster Shafer, est une théorie
mathématique basée sur des fonctions de croyance et de plausibilité (ces termes seront définis
dans les paragraphes suivants) et qui permet la combinaison de différentes sources d’infor-
mation [83]. La grande diversité des sources d’information en géophysique en général et
en sismique en particulier fait de la théorie de l’évidence un bon outil de manipulation de
l’incertitude des données sismiques et un cadre mathématique rigoureux pour la fusion de
différentes sources d’information. Nous présentons dans ce qui suit quelques notions fonda-
mentales de la théorie de Dempster Shafer.
4.3.1.1 Notions fondamentales
Soit θ un ensemble de N hypothèses wi exclusives et exaustives. θ est appelé cadre de

discernement. Le cardinal de l’ensemble des parties de θ est 2N . Cet ensemble sera notée 2θ .
On definit une fonction de masse élémentaire (Basic Probability assignment BPA) de 2θ dans
[0, 1] par
m(∅) = 0 (4.1)
2θ −1
X
m(Aj ) = 1. (4.2)
j=0
où Aj ∈ 2θ .
Les éléments Aj de 2θ de masse m(Aj ) non nulle sont alors appelés les éléments focaux de m.
Il est important de noter que lorsque les éléments focaux de m se réduisent aux seuls single-
tons, la notion de masse élémentaire correspond alors à une mesure de probabilité.
La notion d’incertitude dans la théorie de l’évidence est une généralisation de la théorie
de probabilité. La notion de probabilité ne permet pas de distinguer entre l’incertitude et
l’imprécision. Elle mesure l’incertitude et elle suppose que l’imprécision sur cette valeur est
Section 4.3 : Classification par la théorie de l’évidence 95
nulle [4, 5, 17].

D’autres mesures d’incertitudes peuvent aussi être définies, telles que la fonction de croyance
(Belief Bel), la fonction de Plausibilité P ls et la fonction de communalité Q [4] :
X
Bel(Ai ) = m(Aj ) (4.3)
Aj ⊆Ai
X
P ls(Ai ) = m(Aj ) (4.4)
Aj ∩Ai 6=∅
X
Q(Ai ) = m(Aj ) (4.5)
Ai ⊆Aj
La croyance et la plausibilité représentent la vraisemblance respectivement minimale et maxi-

male d’un évènement. La fonction de communalité a un intérêt pratique dans le calcul de la
somme orthogonale des masses que nous allons voir ultérieurement dans ce chapitre.
Les fonctions de croyance et de plausibilité sont liées par
P ls(A) = 1 − Bel(Ac ) (4.6)
Inversement, la fonction de masse peut être introduite à partir de la fonction de croyance par
X
m(Aj ) = (−1)Card(Aj −Ai ) Bel(Ai ) (4.7)
Ai ⊆Aj
4.3.1.2 Fonctions de croyance particulières
Croyance triviale
Elle est définie par
m(θ) = 1 (4.8)
m(wi ) = 0, (4.9)
pour tout wi 6= θ. Cette croyance traduit l’ignorance totale.
Croyance à support certain
C’est une fonction de croyance focalisée sur un singleton wi . Elle est définie par
m(wi ) = 1 (4.10)
m(A) = 0, (4.11)
pour tout A de θ telle que A 6= wi .

Croyance à support simple
Elle est définie par
m(A) = s, (4.12)
m(θ) = 1 − s, (4.13)
m(B) = 0, ∀B ∈ 2θ − {A, θ} (4.14)
Croyance bayésienne
Dans ce cas, les éléments focaux sont réduits aux singletons du cadre de discernement.
Les notions de croyance, de plausibilité, de masse et de probabilité sont alors identiques :
Bel(Ai ) = P l(Ai ) = m(Ai ) = P rob(Ai ) (4.15)
pour tout Ai du cadre de discernement θ.
Croyance consonante
La fonction de croyance consonante est définie par :
Bel(∅) = 0 (4.16)
Bel(θ) = 1 (4.17)
Bel(A ∪ B) = min(Bel(A), Bel(B)) (4.18)
Les éléments focaux dans ce cas sont tous emboı̂tés les uns dans les autres comme le montre
la figure 4.3.
{w1} {w1,w2} {w1,w2,..,wk} {w1,..,wn}
Figure 4.3: Fonction de masse consonante
La fonction de plausibilité vérifie la relation
P l(A ∪ B) = max(P l(A), P l(B)) (4.19)
La référence [4] met en valeur l’équivalence entre les croyances et plausibilités consonantes
avec les notions de nécessité et de possibilité de la théorie des possibilités.
4.3.1.3 Combinaison de sources distinctes
En théorie de l’évidence, l’obtention d’une fonction de masse m à partir d’une combi-

naison orthogonale (ou somme orthogonale) de M fonctions de masses mi , i = 1, .., M est
assurée par la règle de Dempster
m(.) = ⊕M
i=1 mi (.) (4.20)
 
M
1 X Y 
m(A) = × mj (Aj ) , (4.21)
(1 − K)  
A1 ∩A2 ...∩AM =A6=∅ j=1
où Aj désigne un sous-ensemble quelconque du cadre de discernement.

Le facteur 1 − K est un facteur de normalisation. K est appelé inconsistance de la fusion.
Si K = 0, alors les sources (mi ) sont compatibles. Si 0 < K < 1, alors les sources sont
partiellement compatibles. Dans le cas où K = 1, les sources sont en conflit et on ne peut pas
normaliser la combinaison des sources [80].
La combinaison peut être écrite simplement en utilisant la fonction de communalité Q
M
1 Y
Q(A) = × Q(Ai ), (4.22)
1−K
i
La loi de combinaison a des propriétés mathématiques intéressantes. En effet, elle est com-
mutative et associative. Elle a un élément neutre qui est la croyance triviale (où toute la masse
est assignée à tout l’ensemble) et un élément absorbant qui est la croyance certaine. La com-
binaison d’une masse quelconque avec une fonction de masse bayésienne est une fonction de
masse bayésienne [4].
4.3.1.4 Conditionnement
Une croyance conditionnellement à un évènement A est la somme orthogonale d’une

croyance quelconque et d’une croyance telle que mA (A) = 1 et on a
Bel(B ∪ Ac ) − Bel(Ac )
Bel(B|A) = (4.23)
1 − Bel(Ac )
P l(B ∩ A)
P l(B|A) = , (4.24)
P l(A)
La notion de conditionnement peut intervenir lorsqu’on traite des données de puits. En effet,
on peut très bien caractériser nos faciès avec une crédibilité égale à 1.
4.3.1.5 Affaiblissement
L’affaiblissement par un facteur a ∈ [0, 1] est une opération qui consiste à diminuer le
degré de certitude assigné à la source d’information
Bela (E) = 1 (4.25)

Bela (A) = (1 − a) ∗ Bel(A), (4.26)
pour tout A 6= E. Ceci est équivalent à la transformation suivante sur la fonction de masse
ma (E) = a + (1 − a) ∗ m(E) (4.27)

a
m (A) = (1 − a) ∗ m(A) (4.28)
pour tout A 6= E [4]. Cette opération est très utile. En effet, elle permet d’affaiblir l’infor-
mation apportée par des attributs par rapport à d’autres selon le types de faciès qu’on veut
détecter (faille, cheminée de gaz, horizon, dôme de sel,...) ou aussi affaiblir l’information d’un
jeune utilisateur par rapport à un interpréteur expert. Une autre possibilité est de partir de
données probabilistes et ensuite les affaiblir.
4.3.1.6 Prise de décision
C’est la décision de choisir l’hypothèse w∗ la plus vraisemblable parmi les N hypothèses

du cadre du discernement θ.
Plusieurs critères de décision ont été utilisés. Les critères les plus utilisés sont le maximum de
croyance pour les hypothèses simples, le maximum de plausibilité. D’autres critères hybrides
ont aussi été utilisés comme max Bel+P 2
ls
et max Bel(A) − Bel(Ac ) [14].
Appriou [4] propose trois approches de nature différente :
1. L’approche globale focalisée consiste à considérer N jeux de masses mi focalisés chacun
sur une hypothèse wi . On essaye ensuite de minimiser l’inconsistance Ki de la somme
orthogonale de mi avec m.
2. L’approche globale Bayésienne consiste à combiner la masse qu’on a avec une masse
Bayésienne équiprobable (m(wi ) = N1 ). On aura donc une fonction de masse Bayésienne
et on choisit l’hypothèse de masse maximale.
3. L’approche par paradigme de décision qui consiste à choisir une hypothèse en optimi-
sant une fonction de coût.
Toutes ces approches mènent à la méthode de plausibilité maximale.
4.3.2 Application à la classification d’attributs
Soient les deux attributs suivants :

t=n
X
Eint = |f (t)| (4.29)
t=−n
t=n
1 X
Evib = f (t)2 , (4.30)
2n + 1 t=−n
où Eint est l’amplitude absolue intégrée (integrated absolute amplitude) et Evib (average vi-
bration energy) est l’énergie moyenne de vibration.
L’amplitude absolue intégrée est utilisée pour caractériser les séquences et indiquer les ano-
malies d’amplitude dues à un changement de lithologie ou à une accumulation d’hydrocar-
bure. L’énergie moyenne de vibration est utilisée pour l’analyse des amplitudes des zones
d’intérêt et elle sert à la détection des anomalies d’amplitudes (bright and dim spots) [20].
La figure 4.4 montre une comparaison des deux attributs pour une même trace et pour une
valeur de n = 5.
1
Trace
0.5
Amplitude
−0.5
−1
0 20 40 60 80 100 120 140 160 180 200
Temps
1
E
int
0.8 E
vib
Amplitude
0.6
0.4
0.2
0
0 20 40 60 80 100 120 140 160 180 200
Temps
Figure 4.4: Comparaison des deux énergies pour une même trace sismique
Il est clair que les courbes des deux énergies présentent la même allure. Cependant, il y a
des différences. Par exemple au niveau du temps du maximum ou aussi des valeurs relatives
des maxima. La combinaison des informations données par les deux énergies permet de nous
aider à caractériser le signal sismique.
Nous allons par la suite fusionner ces deux attributs afin de décider sur la nature grande ou
faible de l’amplitude sismique en adoptant des approches différentes basées sur les outils de
la théorie de l’évidence rappelés précédemment.
4.3.2.1 Croyance consonante
On désigne par HA une grande amplitude et LA une faible amplitude. On a alors le cadre
de discernement suivant :
θ = {{HA} , {LA} , {HA, LA}} . (4.31)
Pour construire les fonctions de masses m1 et m2 respectivement aux énergies Eint et Evib
nous allons partitionner les données de chaque énergie en deux sous ensembles, mettre en
évidence les fonctions d’appartenance, fixer un seuil S et poser m comme suit :
si l’énergie en un point de coordonnées (temps,trace) est : a > S alors
 m ({HA}) = 1 − |amax − a| ,

i
|amax − S| (4.32)
mi ({HA, LA}) = 1 − m({HA}).

Sinon,
 m ({LA}) = 1 − |amin − a| ,

i
|amin − S| (4.33)
mi ({HA, LA}) = 1 − m({LA}).

Les valeurs de amax et amin sont introduites par l’utilisateur. Dans notre cas nous les avons
choisies égales à l’amplitude maximale et à l’amplitude minimale de la trace. Ce choix donne
une idée sur les amplitudes fortes relativement aux amplitudes faibles.
Choix du seuil
Soient c1i et c2i les centres des deux sous ensembles pour chaque type d’énergie Ei , i ∈
{int, vib} . µ1i et µ2i sont les degrés d’appartenance d’un échantillon (temps,trace) au sous
ensemble de centre c1i et c2i respectivement. Le seuil Si est alors donné par
Λ1i c1i + Λ2i c2i
Si = (4.34)
Λ1i + Λ2i
où
X
Λ1i = µ1i (x) (4.35)
x
X
Λ2i = µ2i (x) (4.36)
x
Généralisation
Soit θ = {w1 , w2 , ..., wN }

Si Ei > S1 alors m(w1 ) ∝ d(E1i ,c1 ) et m(θ) = 1 − m(w1 ),
Si S1 > Ei > S2 alors m(w2 ) ∝ d(E1i ,c2 ) et m(θ) = 1 − m(w2 ),
...
Si Sk > Ei > Sk+1 alors m(wk+1 ) ∝ d(Ei ,c1 k+1 ) et m(θ) = 1 − m(wk+1 ).
où d(Ei , ck ) est une mesure de distance de Ei au centre de la classe ck et i = int, vib.
Résultats
Le tableau 4.1 montre le processus de combinaison des deux fonctions de masse mvib et
mint . La figure 4.5 montre la section de données réelles pour laquelle nous avons testé notre
approche. Nous avons utilisé le critère de masse maximale pour la décision. La figure 4.6
montre la décision en utilisant seulement l’attribut amplitude absolue intégrée et la figure
4.7 montre le résultat de la décision en utilisant seulement l’attribut d’énergie moyenne de
vibration. L’attribut d’amplitude absolue intégrée présente une classe {HA, LA} plus grande
que celle obtenue en utilisant l’énergie de vibration. En même temps, la classe {HA} présente
une meilleure continuité latérale. Le résultat de la fusion de ces deux attributs est donné par
la figure 4.8. Il montre que la fusion a amélioré la décision par rapport à chacun des deux
attributs pris à part en diminuant la classe {HA, LA} et en améliorant la continuité latérale
de la classe {HA}.
mvib ,mint {HA}x {LA}y {HA, LA}z

{HA}a {HA}ax ∅ {HA}az
{LA}b ∅ {LA}by {LA}bz
{HA, LA}c {HA}cx {LA}cy {HA, LA}cz
Tableau 4.1: Fusion des deux jeux de masses.
20
40
60
80
100
120
140
160
180
200
20 40 60 80 100 120 140 160 180 200
Figure 4.5: Données réelles.

20
40
60
80
100
120
140
160
180
200
20 40 60 80 100 120 140 160 180 200
Figure 4.6: Décision pour l’amplitude absolue intégrée, Rouge : {HA}, Bleue : {LA}. Blanc :
{HA, LA}.
20
40
60
80
100
120
140
160
180
200
20 40 60 80 100 120 140 160 180 200
Figure 4.7: Décision pour l’énergie moyenne de vibration, Rouge : {HA}, Bleue : {LA}. Blanc :
{HA, LA}.
20
40
60
80
100
120
140
160
180
200
20 40 60 80 100 120 140 160 180 200
Figure 4.8: Fusion des deux attributs. Rouge : {HA}, Bleue : {LA}, Blanc : {HA, LA}.
4.3.2.2 Croyance non consonante
Dans ce paragraphe, une fonction de masse non consonante est introduite en utilisant la
méthode proposée par Boudraa et. al. dans [17].
Soient
β = maxi=1,2 µi , (4.37)
α = β − mini=1,2 µi . (4.38)
Si |µk − µl | ≤ ξ, alors
m(θ) = α, (4.39)
m(Wi ) = (1 − α) × µi . (4.40)
Sinon,
m(θ) = 0, (4.41)
m(W1 ) = µ1 × (µ2 − µ1 ), (4.42)
m(W2 ) = 1 − m(W1 ). (4.43)
où ξ est un seuil fixé par l’utilisateur.

Le cas général pour un nombre de classe supérieur à deux est introduit dans [17].
Les figures 4.9 et 4.10 montrent le résultat de la décision en utilisant seulement l’attribut Eint
et Evib respectivement. Le résultat de la fusion sur la figure 4.11 montre alors une amélioration
par rapport à l’utilisation d’un seul attribut.
20
40
60
80
100
120
140
160
180
200
20 40 60 80 100 120 140 160 180 200
Figure 4.9: Décision pour l’amplitude absolue integrée. Rouge : {HA}, Bleue : {LA}, Blanc :
{HA, LA}.
20
40
60
80
100
120
140
160
180
200
20 40 60 80 100 120 140 160 180 200
Figure 4.10: Décision pour l’énergie moyenne de vibration. Rouge : {HA}, Bleue : {LA},
Blanc : {HA, LA}.
20
40
60
80
100
120
140
160
180
200
20 40 60 80 100 120 140 160 180 200
Figure 4.11: Fusion des deux images. Rouge : {HA}, Bleue : {LA}, Blanc : {HA, LA}.
4.3.3 Application à la détection de failles
Il existe plusieurs attributs proposés pour la détection des failles mais ils fournissent
des types de réponse assez différentes. La référence [74] par exemple, met en évidence les
différences des réponses des différents attributs de courbure, de variance du pendage et de
similarité. Un exemple d’application pour la détection de discontinuité est la fusion des at-
tributs basés sur la cohérence, les attributs basés sur le vecteur de gradient, la variance du
pendage, la courbure et l’énergie. La fusion de ces attributs pour construire un méta-attribut
F aille est une opération très utile qui va permettre une interprétation plus facile des données
et plus indépendante des performances de la station d’interprétation et de chaque attribut
pris à part. Dans notre cas, nous allons utiliser la cohérence, la similarité et l’énergie comme
attributs initiaux. Nous avons utilisé des fonctions de masses consonantes (voir paragraphe
4.3.2.1).
Les données sismiques sont montrées sur la figure 4.12. Cette zone de données est extraite de
la zone marquée par des failles polygonales d’après l’interprétation d’H. Nouzé montrée sur
la figure 4.13. Les figures 4.14, 4.15 et 4.16 montrent les attributs de cohérence, de similarité
et d’énergie respectivement. La figure 4.17 montre le méta-attribut résultant de la fusion. Elle
permet de mettre en évidence les failles d’avantage qu’avec chaque attribut pris séparément.
50
100
150
200
250
300
200 400 600 800 1000 1200 1400
Figure 4.12: Données réelles.
Figure 4.13: Section 2D migrée en profondeur (d’après H. Nouzé,IFREMER)

50
100
150
200
250
300
200 400 600 800 1000 1200 1400
Figure 4.14: Coherence.
50
100
150
200
250
300
200 400 600 800 1000 1200 1400
Figure 4.15: Similarité.

50
100
150
200
250
300
200 400 600 800 1000 1200 1400
Figure 4.16: Energie.
50
100
150
200
250
300
200 400 600 800 1000 1200 1400
Figure 4.17: Méta-attribut F aille.

Section 4.4 : Conclusion 109
4.4 Conclusion
Dans ce chapitre, nous avons utilisé la théorie de l’évidence et la règle de combinaison de

Dempster pour aboutir à des méta-attributs utilisables pour caractériser des faciès sismiques.
Nous avons testé deux approches consonantes et non consonantes et nous avons appliqué
cette nouvelle méthode sur des données réelles pour détecter les failles.
La méthode introduite ici s’applique à d’autres faciès et d’autres attributs. La difficulté réside
essentiellement dans la construction des fonctions de masses parce qu’elles traduisent l’in-
formation a priori. De plus, la relation entre les attributs et les faciès sismiques est difficile à
établir et est souvent mal comprise [51].
5
CHAPITRE
Conclusion et perspectives
Conclusion
Au cours de ce travail, nous avons introduit une nouvelle méthode de détection des
horizons sismiques basée sur les contours actifs. Nous avons montré sur des données
synthétiques et sur des données réelles l’efficacité de la méthode. Nous avons utilisé l’at-
tribut de continuité et le gradient pour assurer que la coupure du contour actif soit faite au
niveau des discontinuités. La continuité nous a aussi aidé pour la détection des disconti-
nuités. La détection est mise en évidence sur des données synthétiques et sur des données
réelles. L’utilisation du Gradient Vector Flow comme version des contours actifs nous a per-
mis une meilleure liberté au niveau de l’initialisation.
Nous avons introduit par la suite une nouvelle mesure de l’information : la GCRE. Il s’agit
d’une mesure qui n’est pas restreinte sur les variables aléatoires à valeur réelle positive et
généralise ainsi la CRE développée dans la littérature. Nous avons établi plusieurs propriétés
de la GCRE en mettant en valeur les différences avec celles de l’entropie de Shannon. Nous
avons introduit des applications de la GCRE à l’identification de systèmes et à la détection
des objets saillants dans l’image. Par la suite, à travers les méthodes de calcul de la GCRE,
nous avons montré que cette entropie peut servir comme un attribut sismique à part entière.
L’introduction de la GCRE a servi en partie à l’automatisation de l’initialisation des contours.
Enfin, nous avons mis en évidence l’utilité de la GCRE pour le calcul de répétabilité et pour la
quantification de la ressemblance entre deux sections sismiques et aussi l’intérêt pour l’étude
des réservoirs.
Dans le dernier chapitre, nous avons introduit la théorie de l’évidence que nous avons uti-
lisé comme cadre conceptuel pour les applications de fusion de données sismiques et non-
sismiques pour la caractérisation du réservoir. Nous avons testé deux méthodes consonante
et non-consonante pour assigner les fonctions de masses. La dernière application présentée a
porté sur un réseau de failles extrait des données hydratech d’IFREMER.
111
112 CHAPITRE 5 : C ONCLUSION ET PERSPECTIVES
Perspectives
Détection des horizons
La détection des horizons a été réalisée en utilisant quelques attributs. L’utilisation

d’autres attributs reste toujours utile puisqu’ ils diminuent le risque d’erreur de détection.
Pour les données 3D, l’extension des contours actifs en surface déformable serait très utile
pour la localisation des interfaces entre les différentes strates du réservoir. La méthode des
Level-sets peut aussi être utilisée pour la détection d’un ensemble de réflecteur au même
temps. La méthode de détection pourrait être utile pour la détection et le calcul des correc-
tions statiques et des élévations. En effet, cette méthode aide à la détection des premières
arrivées et les arrivées des ondes de réfraction qui sont utiles pour le calcul des statiques.
Entropie Cumulative Résiduelle Généralisée
En ce qui concerne la GCRE, on pourrait envisager son utilisation pour la déconvolution

des signaux sismiques. La méthode repose sur la blancheur de la séquence de réflectivité.
Pour pouvoir utiliser la propriété de blancheur de la séquence de réflectivité, on peut envisa-
ger d’utiliser un algorithme de gradient et exprimer la GCRE de la sortie d’un filtre à l’aide
de l’entrée et des coefficients de ce filtre.
Applications industrielles
De nouveaux capteurs trois composantes (3C) basés sur la technologie M EM S ont

été récément introduits en acquisition onshore pour remplacer les groupes de géophones.
Les principaux capteurs sont le V ectorSeis de ION Geophysical (cf. www.i-o.com) et le
DSU 3 − 428 de Sercel (cf. www.sercel.com). L’utilisation des capteurs 3C a plusieurs avan-
tages économique :
1. coût d’achat moins élevé
2. déplacement plus facile, plus rapide et coût de déplacemet moins élevé
3. plus de liberté dans la conception de la géométrie de l’acquisition
Cependant, la réponse fréquentielle des capteurs 3C est différente de celle des geophones ce
qui entraine une différence au niveau de l’image sismique obtenue. Une comparaison des
images sismiques données par les deux types de capteurs est nécessaire le long de toute la
chaı̂ne de traitement. La GCRE présente un outil important pour faire la comparaison des
données issues de chaque type de capteur.
113
Intégration des données
La fusion et l’intégration des données en utilisant la théorie de l’évidence constitue une

méthode récente qui permet la réduction du risque associé à l’interprétation et par suite une
meilleure estimation des réserves potentielles. On pourra chercher à approfondir l’utilisation
de cette méthode dans un processus complet de caractérisation de réservoir et faire une étude
comparative avec les méthodes existantes sur lesquelles se basent les logiciels industriels
tels que ST RAT A de CGGVeritas (www.cggveritas.com) et Ω − Reservoir de WesternGeco
(www.westerngeco.com).
A
ANNEXE
Matrices de cooccurence
Définition
Une matrice de cooccurence notée C est une matrice définie à partir d’une image I de
taille n × m comme suit :
n X n
(
X 1, si : I(p, q) = i, I(p + x, q + y) = j
Cx,y (i, j) = (A.1)
p=1 q=1
0, sinon
Quand l’image est une image en niveau de gris de 0 à 255 , C est aussi notée GLCM (Gray
Level Cooccurence M atrix) et elle est de taille 256 × 256.
115
B
ANNEXE
Paramètres d’acquisition
des données réelles
Les données réelles de ce manuscrit sont fournis par l’IFREMER et sont extraites des
données 3D de la compagne HYDRATECH. Les paramètres d’acquisition d’HYDRATECH
(2002) sont :
SOURCES
⋄ Nombre : 2 (flip-flop)
⋄ Distance Inline : 6.25 m
⋄ Distance cross − line : 12.5 m
CABLES
⋄ Nombre : 2
⋄ Distance cross − line : 25 m
⋄ Nombre de traces par cable : 48
⋄ Distance intertraces : 6.25 m
⋄ Longueur : 300 m
⋄ Profondeur : 3m
117
Bibliographie
[1] P. Alberts, M. Warner, and D. Lister. Artificial neural networks for simultaneous mul-
tihorizon tracking across discontinuities. Expanded abstracts of the Ann. Int. Mtg. of S. E.
G., 19(1) :651–653, 2000.
[2] F. Aminzadeh. Pattern recognition and image processing. London , Geophysical Press
Amsterdam, Netherlands , Worldwide distributors, Expro Science Publications, 1987.
[3] F. Aminzaeh. A new concept for seismic anomaly detection. In Offshore Technology
Conference,Houston, Texas, 1–5, May 2005.
[4] A. Appriou. Probabilités et incertitude en fusion de données multi-senseurs. Revue

Scientifique et Technique de la Défense, 27–40, 1991.
[5] A. Appriou. Formulation et traitement de l’incertain en analyse multi-senseurs.

GRETSI, 951–954, Juan Les Pins, France, September 1993.
[6] M. Bahorich and S. Farmer. 3d seismic discontinuity for faults and stratigraphic fea-
tures : The coherence cube. The Leading Edge, 14(10) :1053–1058, 1995.
[7] P. Bakker. ”Image structure analysis for seismic interpretation”. PhD thesis, Technical Uni-
versity Delft, 131 pages, 2002.
[8] N. Balakrishnan. Handbook of the Logistic Distribution. Marcel Dekker, 1992.
[9] A. E. Barnes. Instantaneous spectral bandwidth and dominant frequency with applica-
tions to seismic reflection data. Geophysics, 58(3) :419–428, March 1993.
[10] A. E. Barnes. Theory of 2d complex seismic trace analysis. Geophysics, 61(1) :264–272,
January-February 1996.
[11] A. E. Barnes. Seimic attributes in your facies. Canadian Society of Exploration Geophysi-
cists, 26 :41–47, September 2001.
[12] A. E. Barnes. Investigation of methods for unsupervised classification of seismic data.

In Expanded Abstracts of the 71st Ann. Int. Mtg. Soc. of Expl. Geophys., 2221–2224, 2002.
[13] L. Bentabet, Y. M. Zhu, O. Dupuis, V. Kaftandjian, D. Babot, and M. Rombaut. Use of

fuzzy clustering for determining mass functions in dempster-shafer theory. In Procee-
dings of ICSP2000,1462–1470 , August, Beijing, China, 2000.
119
120 BIBLIOGRAPHIE
[14] I. Bloch. Some aspect of dempster-shafer evidence theory for classification of multi-
modality medical images taking partial volume effect into account. Pattern Recognition
Letters, 17(8) :905–916, February 1996.
[15] F. K. Boadu and R. J. Brown. Constrained minimum entropy deconvolution. Canadian
Journal of Exploration Geophysics, 33(1& 2) :32–45, December 1997.
[16] H. G. Borgos, T. Skov, T. Randen, and L. Sonneland. Automated geometry extraction
from 3d seismic data. In Expanded abstracts of the Ann. Internat. Mtg. S. of E. G., 2(1) :1541–
1544, 2003.
[17] A. Boudraa, A. Bentabet, F. Salzenstein, and L. Guillon. Dempster-shafer’s basic proba-
bility assignment based on fuzzy membership functions. Electronic Letters on Computer
Vision and Image Analysis, 4(1) :1–9, November 2004.
[18] A. R. Brown. Seismic attributes and their classification. The Leading Edge, 15(10) :1090–
1090, October 1996.
[19] K. Bube and U. Feudel. An algorithm for detecting layer boundaries in sediments.
Nonlinear Processes in Geophysics, 13(6) :661–669, November 2006.
[20] Q. Chen and S. Sidney. Seismic attribute technology for reservoir forecasting and mo-
nitoring. The Leading Edge, 16(5) :445–450, May 1997.
[21] S. Chopra and K. Marfurt. Curvature attribute applications to 3d surface seismic data.
The Leading Edge, 26(4) :404–414, April 2007.
[22] S. Chopra and K. J. Marfurt. Seismic attributes- a historical perspective. Geophysics,
70(5) :3SO–28SO, September-October 2005.
[23] T. Coléou, M. Poupon, and K. Azbel. Unsupervised seismic facies classification : A
review and comparaison of techniques and implementation. The Leading Edge, 22 :942–
953, October 2003.
[24] J. M. Cover and J. H. Thomas. Elements of information theory. Wiley, 2006.
[25] K. David. Amélioration de la classification automatique des fonds marins par la fusion multi-
capteurs. PhD thesis, ENST Bretagne, 146 pages, 2007.
[26] M. Donias, P. Baylou, and N. Keskes. Curvature of oriented patterns : 2-d and 3-d
estimation from differential geometry. ICIP’98, 1 :236–236, Chicago, Illinois, October
1998.
[27] D. Donoho. On minimum entropy deconvolution. In Applied time-series analysis II,565–
609, Academic Press, New York, 1981.
[28] G. A. Dorn. Modern 3-d seismic interpretation. The Leading Edge, 17(9) :1262–1270,
September 1998.
[29] N. Drissi, J. M. Boucher, and T. Chonavel. Horizon and discontinuity tracking using
active contours. In EAGE, editor, Near surface 2008 : 14th European Meeting of Environ-
mental and Engineering Geophysics, September 15-17, Krakow, Poland, 2008.
BIBLIOGRAPHIE 121
[30] N. Drissi, T. Chonavel, and J. M. Boucher. Salient features in seismic images. In

OCEANS 2008 - MTS/IEEE Kobe Techno-Ocean, 1–4, Kobe, April 2008.
[31] N. Drissi, T. Chonavel, J. M. Boucher, and H. Nouze. Contours actifs pour les images
sismiques. TAIMA’07 : Traitement et analyse de l’information : méthodes et applica-
tions. 22–26 mai , Hammamet, Tunisie, Mai 2007.
[32] N. Drissi, T. Chonavel, and J.M. Boucher. Generalized cumulative residual entropy for
distributions with unrestricted supports. Reserch Letters in Signal Processing, 2008(1) :1–4
, June 2008.
[33] J. Dubois and M. Diament. Géophysique. Masson, 1997.
[34] D. Gao. Volume texture extraction for 3d seismic visualization and interpretation. Geo-
physics, 68 :1294–1302, July-August 2003.
[35] D. Gao. Texture model regression for effective feature discrimination : Application to
seismic facies visualization and interpretation. Geophysics, 69 :958–967, July-August
2004.
[36] A. Gersztenkorn and K. Marfurt. Eigenstructure-based coherence computations as an
aid to 3d structural and stratigraphic mapping. Geophysics, 64 :1468–1479, September-
October 1999.
[37] P. Harris. Prestack repeatability of time-lapse seismic data. SEG/Houston Annual Inter-
national Meeting, SEG, Expanded Abstract, 24 :2410–2414, 2005.
[38] B. Hart. Stratigraphically significant attributes. The Leading Edge, 27(3) :320–324, March
2008.
[39] V. M. Herrera, B. Russel, and A. Flores. Neural networks in reservoir characterization.
The Leaing Edge, 25(4) :402–411, April 2006.
[40] D. A. Herron. Horizon autopicking. The Leading Edge, 19(5) :491–492, 2000.
[41] M. Hons, R. Stewart, D. Lawton, and M. Bertram. Accelerometer vs. geophone
response : A field case history. In Back to Exploration 2008 CSPG CSEG CWLS
Convention,271–275, Canada, 2008.
[42] Ifremer, www.Ifremer.fr
[43] A. Jurkevics and R. Wiggins. A critique of seismic deconvolution methods. Geophysics,
49(12) :2109–2116, December 1984.
[44] T. Kadir. Scale, Saliency and Scene Description. Oxford University, 2002.
[45] T. Kadir and M. Brady. Scale, saliency and image description. IJCV, 45(2) :83–105,
November 2001.
[46] T. Kadir and M. Brady. Estimating statistics in arbitrary regions of interest. British
Machine Vision Conference, 2005.
[47] M. Kass, A. Witkin, and D. Terzopoulos. Snakes : Active contour models. International
journal of computer vision, 321–331, 1988.
122 BIBLIOGRAPHIE
[48] L. F. Kemp, J. R. Threet, and J. Veezhinathan. A neural net branch and bound seismic
horizon tracker. In Expanded abstracts of the Ann. Internat. Mtg. Soc. of Expl. Geophys.,
11(1) :10–13, 1992.
[49] T. Kohenen. Self organizing maps. Springer, 1997.
[50] E. Kragh and P. Christie. Seismic repeatability, normalized rms, and predictability. The
Leading Edge, 21(1) :640–647, July 2002.
[51] E. Labrunye. Extraction automatique d’information géologique à partir d’images sismiques
tridimensionnelles. PhD thesis, INP de Lorraine, 150 pages, 2004.
[52] M. Lavergne. Méthodes sismiques. Technip, 2003.
[53] M. Lavielle. 2d bayesian deconvolution. Geophysics, 56(12) :2008–2018, December 1991.
[54] J. Leibnach. Wiener spiking deconvolution and minimum phase wavelet : A tutorial.
The Leading Edge, 14(3) :189–192, March 1995.
[55] S. Lobregt and M. A. Viergever. A discrete dynamic contour model. IEEE trans. on
Medical Imaging, 14(1) :12–24, March 1995.
[56] P. L. Love and M. Simaan. Segmentation of stacked seismic data by the classification of
image texture. SEG Expanded Abstracts, 3(1) :480–482, 1984.
[57] S. Y. LU and Y. C. Cheng. An iterative approach to sesimic skeletonization. Geophysics,
55(10) :1312–1320, October 1990.
[58] M. Machado, M. Vellasco, P. M. Silva, and M. Gattass. Using neural networks to eva-
luate the effectiveness of a new seismic fault attribute. In Proceedings of the Ninth Brazi-
lian symposium on Neural Networks (SBRN’06), 208–213, Brazil, October 2006.
[59] K. J. Marfurt, R. Kirlin, S. Farmer, and M. Bahorich. 3d seismic attributes using a
semblance-based coherency algorithm. Geophysics, 63(4) :1150–1165, July-August 1998.
[60] I. D. Marroquin, J. J. Brault, and B. S. Hart. A visual data-mining methodology for seis-
mic facies analysis : Part 1 – testing and comparison with other unsupervised clustering
methods. Geophysics, 74(1) :1–11, January-February 2009.
[61] R. McQuillin, M. Bacon, and W. Barclay. An introduction to seismic interpretation. Graham
and Trotman, 1979.
[62] J. M. Mendel. Maximum likelihood deconvolution. Springer-Verlag, 1990.
[63] N. A. Mueller and J. Mann. Automatic tracking of reflection events in 3d zo volumes
using crs attributes. EAGE Conference and Technical Exhibition, June 2007.
[64] H. Nousé and I. Contrucci and J. P. Foucher and Y. Thomas and B. Marsset and A.
Normand and S. Didailler and J. P. Regnault and S. Le Conte and E. Thereau and S.
Dean and S. Guidard and W. Lekens and A. Throo. High resolution 2D and 3D seismic
survey in the Storegga area. Technical report, Ifremer,July 2002.
[65] B. Nsiri. Identification et déconvolution aveugle. PhD thesis, Université de Bretagne Occi-
dentale, 135 pages, 2005.
BIBLIOGRAPHIE 123
[66] K. Pairazian. Modélisation 3D des réservoirs pétroliers par l’intégration des données sismiques
et géologiques : approches quantitatives multivariables. PhD thesis, INP Lorraine, 1998.
[67] K. L. Peacock and S. Treitel. Predictive deconvolution : Theory and practice. Geophysics,
34(2) :155–169, April 1969.
[68] M. J. Porsani and B. Ursin. Direct multichannel predictive deconvolution. Geophysics,
72(2) :11–27, March-April 2007.
[69] M. Rao. More on a new concept of entropy and information. Journal of Theoritical
Probability, 18(14) :1220–1228, October 2005.
[70] M. Rao, Y. Chen, B. C. Vemuri, and F. Wang. Cumulative residual entropy : a new
measure of information. IEEE Transactions on Inf. Theory, 50(6) :1220–1228, June 2004.
[71] A. Roberts. Curvature attributes and their application to 3d interpreted horizons. f irst
break, 19(2) :85–99, February 2001.
[72] E.A. Robinson and S. Treitel. Geophysical signal analysis. Prentice Hall, 1980.
[73] J. C. Robinson. Lattice filtering applications to deconvolution of seismic data. Geophy-
sics, 48(3) :295–310, March 1983.
[74] M. De Rooij and K. Tindahl. Meta-attributes–the key to multivolume, multiattribute
interpretation. The Leading Edge, 21 :1050–1053, October 2002.
[75] O. Rosec. Déconvolution aveugle multicapteur en sismique réflexion marine très haute
résolution. PhD thesis, Université de Bretagne Occidentale, 138 pages, 2000.
[76] O. Rosec, J. M. Boucher, and T. Chonavel. Blind marine seismic deconvolution using
statistical mcmc methods. IEEE Journal of Oceanic Engineering, 28(3) :502–512, July 2003.
[77] B. Russel. A simple seismic imaging exercise. The Leading Edge, 17(7) :885–889, July
1998.
[78] M. D. Sacchi, D. R. Velis, and A. H. Cominguez. Minimum entropy deconvolution with
frequency domain constraints. Geophysics, 59(6) :938–945, June 1994.
[79] M. M. Saggaf and E. A. Robinson. A unified framework for the deconvolution of traces
of nonwhite reflectivity. Geophysics, 65(5) :1660–1676, September-October 2000.
[80] F. Salzenstein and A. Boudraa. Unsupervised multisensor data fusion approach. Int.
Symposium on Sig. Proc. and its applications, 152–155 Kuala Lumpur, Malaysia, August
2001.
[81] Schlumberger. http ://www.glossary.oilfield.slb.com.
[82] M. Sezgin and B. Sankur, Survey over image thresholding techniques and quantitative
performance evaluation, Journal of Electronic Imaging, 13(1) : 146–165, January 2004.
[83] G. Shafer. mathematical theory of evidence. Princeton University Press, 1976.
[84] M. E. Sigismondi, J. C. Soldo, and H. Watt. Curvature attributes and seismic inter-
pretation : Case studies from argentina basins. The Leading Edge, 22(11) :1122–1126,
November 2003.
124 BIBLIOGRAPHIE
[85] T. J. Stark. Surface slice generation and interpretation : a review. The Leading Edge,
15(7) :818–819, July 1996.
[86] M. T. Taner and F. Koehler. Velocity spectra- digital computer derivation and applica-
tion of velocity functions. Geophysics, 34(6) :859–881, 1969.
[87] M. T. Taner, F. Koehler, and R. E. Sheriff. Complex seismic trace analysis. Geophysics,
44(6) :1041–1063, June 1979.
[88] T. Taner. http ://www.rocksolidimages.com.
[89] T. Taner, R. Sheriff, F. Koehler, and D. Frye. Extraction and interpretation of complex
seismic trace. 1976.
[90] S. Treitel and L. R. Lines. Linear inverse theory and deconvolution. Geophysics,
47(8) :1153–1159, August 1982.
[91] J. L. Troutman. Variational calculus and optimal control. Optimization with elementary
convexity, 2nd Ed. Springer, 1996.
[92] T. J. Ulrych and C. Walker. Analytic minimum entropy deconvolution. Geophysics,
47(9) :1295–1302, September 1982.
[93] L. Valet. Un système flou de fusion cooprérative : application au traitement d’images naturelles.
PhD thesis, Université de Savoie, 166 pages, 2001.
[94] L. Valet, G. Mauris, P. Bolon, and N. Keskes. Seismic image segmentation by fuzzy
fusion of attributes. IEEE Trans. on Instrumentation and Measurment, 50(4) :1014–1018,
August 2001.
[95] L. Valet, G. Mauris, P. Bolon, and N. Keskes. A fuzzy rule-based interactive fusion
system for seismic data analysis. Information fusion, 4(2) :123–133, June 2003.
[96] M. van der Baan and C. Jutten. Neural networks in geophysical applications. Geophy-
sics, 65(4) :1032–1047, July-August 2000.
[97] R. Vinther. Seismic texture classification applied to processed 2-d and 3-d seismic data.
In 67th Annual International Meeting, SEG, Expended abstract, 16(1) :721–724, 1997.
[98] R. Vinther, K. K. Mosegaard, I. Abatzis, C. Andersen, O. Vejback, F. If, and P. Nielsen.
Seismic texture classification : A computer-aided approach to stratigraphic analysis. In
65th Annual International Meeting, SEG, Expended Abstract, 14(1) :153-155, 1995.
[99] F. Wang, B. C. Vemuri, M. Rao, and Y. Chen. Cumulative residual entropy, a new mea-
sure of information and its application to image alignment. In Proceedings of the Ninth
IEEE International Conference on Computer Vision, volume 2, Washington, DC, USA, 2003.
[100] B. P. West, S. R. May, J. E. Eastwood, and C. Rossen. Interactive seimic facies classifica-
tion using textural attributes and neural networks. The Leading Edge, 21(10) :1042–1049,
October. 2002.
[101] P. Whitehead, J. Fairborn, and R. Wentland. Identifying stratigraphic units by seismic
patterns. In 69th Annual International Meeting, SEG, Expended Abstract, 18(1) :942–945,
1999.
BIBLIOGRAPHIE 125
[102] R. Wiggins. Entropy guided deconvolution. Geophysics, 50(12) :2720–2726, December

1985.
[103] R. A. Wiggins. Minimum entropy deconvolution. Geoexploration,16(1-2) :21–35, April
1978.
[104] C. A. Woodham, W. A. Sandham, and T. S. Durrani. 3-d seismic tracking with probabi-
listic data association. Geophysics, 60(4) :1088–1094, July-August 1995.
[105] C. Xu and J. L. Prince. Gradient vector flow : A new external force for snakes. Proc.
of the IEEE Int. Conf. on Computer Vision and Pattern Recognition, 66-71,Puerto Rico, June
1997.
[106] C. Xu and J. L. Prince. Snakes, shapes, and gradient vector flow. Image Processing, IEEE
Transactions on, 7(3) :359–369, March 1998.
[107] O. Yilmaz. Seismic Data Processing. Society of Exploration Geophysicists, 1987.
[108] Y. Yong, Z. Chongxum, and L. Pan. A novel fuzzy c-means clustering algorithm for
image thresholding. Measurment Science Review, 4 :11–19, 2004.

2010telb0139 Drissi PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2010telb0139 Drissi PDF

Transféré par

Droits d'auteur :

Formats disponibles

N˚ d’ordre : 2010TELB0139

L’ÉCOLE NATIONALE SUPÉRIEURE DES

en habilitation conjointe avec l’université de Rennes 1

pour obtenir le grade de

DOCTEUR De Télécom Bretagne

Mention “Traitement de signal et télécommunications”

Détection des horizons et des discontinuités et fusion d’attributs

Soutenue le 07 Septembre 2010 devant la commission d’examen :

Rapporteurs : Olivier LAVIALLE, Professeur, Université de Bordeaux

Examinateurs : Lotfi SENHADJI, Professeur, Université de Rennes 1

Je remercie également Monsieur Ramesh Pyndiah, Professeur et chef du département signal et

Je remercie Olivier Rabaste Docteur de Télécom Bretagne et co-équipier de l’équipe de football

A mes frères et soeurs,

A tous mes enseignants,

1 Le traitement du signal sismique 21

1.6.2 Attributs instantanés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2 Détection des horizons sismiques à l’aide des contours actifs 43

2.8 Utilisation des attributs sismiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3 Entropie Cumulative Résiduelle Généralisée et Applications 65

4 Fusion des attributs sismiques à l’aide de la théorie de l’évidence 91

4.2.3 Démarche proposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

5 Conclusion et perspectives 113

A Matrices de cooccurence 117

B Paramètres d’acquisition des données réelles 119

1.1 Ondes incidente, transmise et réflechie. . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.1 Méthode basée sur la corrélation (d’après [28]). . . . . . . . . . . . . . . . . . . . . . 44

2.11 Détection sur un tir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

2.12 Erreur moyenne en fonction de ln(σb2 ) pour µ = 0.08, µ = 0.12 et µ = 0.16. . . . . . 57

2.13 Influence du paramètre µ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

2.14 Influence de l’initialisation, µ = 0.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

2.15 Zone irrégulière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

2.17 Détection des discontinuités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

3.2 Image initiale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

3.3 Attribut de phase instantanée correspondant. . . . . . . . . . . . . . . . . . . . . . . 76

3.4 GCRE correspondant à l’attribut de phase. . . . . . . . . . . . . . . . . . . . . . . . . 76

3.5 HS correspondant à l’attribut de phase. . . . . . . . . . . . . . . . . . . . . . . . . . 76

3.6 Exemples de matrices de cooccurence pour un offset de 3 pixels. . . . . . . . . . . . . . 77

3.7 Entropie de Shannon pour un rayon égal à 5. . . . . . . . . . . . . . . . . . . . . . . 79

3.8 GCRE pour un rayon égal à 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

3.11 Y en utilisant la GCRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

3.12 Le contour s’alignant sur le réflecteur . . . . . . . . . . . . . . . . . . . . . . . . . . 84

3.13 Section synthétique : translation de la trace de base dans la première colonne. . . . . . 84

3.14 Comparaison entre les mesures de répétitivité, du haut en bas : IS , IC , N RM S et la

3.15 Section synthétique : rotation de la trace de base. . . . . . . . . . . . . . . . . . . . . 85

3.16 Comparaison entre les mesures de répétitivité, du haut en bas : IS , IC , N RM S et le

3.17 Section synthétique : bruitage de la trace de base. . . . . . . . . . . . . . . . . . . . . 86

3.18 Comparaison entre les mesures de répétitivité, du haut en bas : IS , IC , N RM S et σb2 . . 86

3.19 Données 4D synthétiques(l’échelle verticale est le temps et l’horizontale est le numéro

3.1 Les valeurs de la GCRE correspondants aux images de la figure 3.6. . . . . . . . . . . 77

4.1 Fusion des deux jeux de masses. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

retrouver d’une manière exacte la profondeur de l’interface de réflexion.

1.2 Les ondes acoustiques

1.2.1 Propagation des ondes sismiques

Soient Ai , Ar et At les amplitudes des ondes incidente, réfléchie et transmise respectivement.

Figure 1.1: Ondes incidente, transmise et réflechie.

1.2.2 Pénétration et résolution

1.3 Acquisition des signaux sismiques

1.3.1 Acquisition terrestre (Onshore)

1.3.2 Acquisition Marine (Offshore)

Figure 1.2: Principe de la sismique marine.

1.4 Traitement des signaux sismiques

Le signal sismique dépend de la nature de l’acquisition. Il est généralement constitué par

Figure 1.3: Filtrage FK.