Reconstrucción de imágenes geológicas basadas en la teoría de compressed sensing

Abstract

En el ámbito de interpolación geoestadística, el principal problema para estimar variables regionalizadas es la baja cantidad de datos medidos. Este tipo de problemas están extremadamente indeterminados, es decir, presentan una mayor cantidad de grados de libertad que restricciones, lo que deriva en múltiples soluciones. Este trabajo aborda el problema de interpolación de perfiles de permeabilidad desde un enfoque de reconstrucción de imágenes. En particular, el trabajo es motivado por el reciente desarrollo de la teoría RIPless de Compressed Sensing, herramienta que ha introducido un nuevo paradigma de adquisición de datos, permitiendo muestrear a tasas muy por debajo de las establecidas por las técnicas convencionales. El enfoque consiste en modelar las estructuras multicanal como imágenes que presentan una descomposición sparse en algún dominio transformado y utilizar esta información para reconstruir la imagen original a partir de un muestreo sub-crítico y no estructurado. Ésta es la principal diferencia con los métodos tradicionales, los cuales utilizan modelos estadísticos como información a priori para el proceso de estimación. La principal contribución de este trabajo fue la contextualización del problema de interpolación espacial en el marco de Compressed Sensing, generando claras conexiones con los resultados teóricos de esta nueva herramienta. De este análisis, se formuló el problema de selección de base óptima, el cual indicó que bajo el esquema de medición aleatoria de pixeles, la DCT es la base que permite inducir un determinado error de reconstrucción con la menor cantidad de mediciones, superando incluso a las transformadas wavelet. En la línea de los resultados obtenidos, este enfoque presenta prometedores desempeños, incluso en el régimen sub-crítico del 2% al 4% de datos medidos. En cuanto a los aspectos prácticos de procesamiento, la descomposición en distintos niveles de escala (bloques) para su reconstrucción y posterior promedio, mostró mejorías sustanciales en la estimación de las variables de permeabilidad. También se constató que, dada la naturaleza binaria de las imágenes estudiadas, una etapa de categorización genera importantes mejoras en los desempeños del método. Finalmente, esta memoria abrió diversas ramas de estudio para trabajos futuros, dentro de los cuales destacan: implementación de otros algoritmos; estudio de técnicas de post-procesamiento más elaboradas; extender el análisis a diferentes estructuras o modelos geológicos; incorporación de información a priori en esquemas de reconstrucción; y uso conjunto de métodos convencionales y regularización sparse.