形态分量分析在去除地震资料随机噪声中的应用

以数学形态学和稀疏信号理论为依据,采用形态分量分析(MCA)方法去除地震数据中的随机噪声。应用MCA方法的关键在于选取合适的字典,从地震数据的特点和计算复杂性出发,选取UWT字典和Curvelet字典,一个用来稀疏表示地震数据的局部奇异部分,一个用来稀疏表示地震数据的线状变化部分。采用BCR算法求解目标函数,通过将数据分解为形态特征不同的2个分量,舍弃在字典中不能有效稀疏表示的随机噪声来达到去噪目的。作为一种二维去噪方法,MCA去噪方法在时间和空间方向上都具有很强的随机噪声抑制能力;由于UWT字典和Curvelet字典能够比传统的小波变换有更强的稀疏表示能力,MCA去噪方法对有效信息的损害较小,是一种保真保幅的去噪方法。模型测试和实际资料处理验证了该方法的有效性。     

基于改进K-SVD字典学习方法的地震数据去噪

为实现更好的地震数据去噪技术,笔者引入一种新的算法:快速迭代收缩阀值法(FISTA),通过FISTA和K-奇异值分解(K-SVD)不断迭代更新K-SVD字典,利用更新得到的K-SVD字典对地震数据进行稀疏表示,去除稀疏系数中较小的数值,使数据中的随机噪声得到压制。对层状模型合成地震记录,Marmousi模型合成地震记录以及实际地震数据进行对比实验,得出FISTA算法较OMP算法能更好地提高地震数据的信噪比,同时有效地保护了反射信号。     

一种基于压缩感知的随机噪声压制方法

随着高精度地震勘探技术的发展,利用高保真的方法提高地震资料信噪比成为了去噪处理的关键。曲波域阈值法能够有效地压制随机噪声,但易产生伪吉布斯震荡现象,造成信号局部畸变,从而影响处理效果。针对这一问题,提出一种基于压缩感知理论（Compressing Sensing,简称CS）的地震信号去噪方法,该方法利用随机噪声和有效信号在曲波稀疏域稀疏表征的差异来分离随机噪声。其实现步骤为:将地震数据变换到曲波域;利用压缩感知理论和全变差正则化算法重构曲波系数;曲波逆变换得到压制噪声后的重构地震数据。理论模型和实际资料应用表明,该方法能够很好规避伪吉布斯现象带来的信号失真问题,进一步提高了资料的信噪比。      

基于双重稀疏表示的地震资料随机噪声衰减方法

针对固定字典难以完全匹配实际资料复杂的形态特征,以及学习字典不具备快速算法、计算复杂等问题,文中选择双重稀疏字典来兼备结构性和自适应性,不仅降低了训练样本的数量,而且更适于高维信号的分析。该方法以过完备离散余弦变换(overcomplete discrete cosine transform,ODCT)作为训练基字典,将待处理资料的特征数据作为样本,利用稀疏K-SVD算法,建立了基于双重稀疏字典的地震随机噪声衰减模型。典型的合成及实际高维地震资料处理结果表明,本文方法不仅可以有效地对地震资料随机噪声进行衰减,而且能更好地保持断层等边缘结构。     

基于Shearlet变换的尺度方向自适应阈值地震数据随机噪声压制方法

地震勘探的有效信号常受到随机噪声的干扰而难以识别,需要进行随机噪声和有效信号的分离。传统Shearlet全局阈值不随方向与尺度变化,在去噪的同时也会损失许多有效信号。Shearlet变换作为一种新的多尺度多方向时频分析方法,具有最优的稀疏表示能力、局部化特征和方向敏感性。本文将含噪地震信号通过Shearlet分解后计算各尺度与方向上Shearlet域系数的L₂范数,并对其进行数据重排后发现,随着方向改变L₂范数不断减小,进而提出一种基于L₂范数的尺度方向自适应阈值计算方法。将其与小波变换、曲波变换、Shearlet全局阈值去噪方法对比,模拟数据与实际地震记录去噪结果表明,本文方法在去除随机噪声的同时,深部弱信号也得到了很好的恢复,地震数据的信噪比比其他3种方法有所提高,在0.929 9 dB条件下提升至11.565 1 dB。     

Radon域下的K-SVD字典的混采分离

基于地震反演来分离混采数据的方法,笔者提出用K次迭代奇异值分解(K-SVD)来更新Radon域下混叠信号中的字典原子的方法:在同步源采集和地震稀疏反演的背景下,将混合地震信号的分离视为稀疏反演问题,将共检波点域的数据表示在Radon域内,此时有效信号同相轴收敛;对数据阈值滤波后进行分块字典学习,进一步稀疏地表示地震数据;最后,固定字典,更新恢复信号和稀疏系数完成分离。模拟和实际资料处理结果表明:该方法对于混采数据的分离相对中值滤波、小波变换等更有效、分离质量明显提升,可应用于实际混叠数据中。     

基于快速字典学习的压缩感知地震数据重建

地震数据的稀疏性是压缩感知地震数据重建的重要前提,其直接影响地震数据的重建精度,因此研究高效的地震数据稀疏表示方法具有重要意义.针对经典K-SVD算法稀疏编码时无法得到全局最优解,不能保证收敛从而影响重建精度的问题,这里提出快速字典学习算法稀疏表示地震数据的方法.快速字典学习将稀疏表示目标优化问题转换为两个可直接求解最...     

基于自适应K-SVD的能量泄漏恢复研究

针对现有常规去噪方法手段在参数选择及条件假设的不合理因素,导致去除的噪声剖面中残留部分有效信号(又称能量泄漏)的问题,本文提出了基于自适应K-SVD的能量泄漏恢复方法,实现残存有效信号的回收利用。首先采用小波阈值、f-x域去噪等传统方法处理,获得一个较高品质的样本进行字典的构造,再引入相关系数匹配准则对残差剖面进行稀疏分解,实现随机噪声与残留有效信号的二次分离。试验结果表明,本文算法能较好地兼顾地震信号的去噪与保幅,具有自适应性。     

局部奇异值分解法压制随机干扰

对于低信噪比资料,压制随机噪声,增强有效信号是地震资料处理的首要任务。而传统的奇异值分解去噪算法,在有效信号横向相干性较强时,去噪效果明显,但当有效信号同相轴呈倾斜、弯曲或孤立状态时,其在压制随机噪声的同时,存在滤除部分有效信号的弊端,为此通过对不同时窗内的地震数据进行拉平、奇异值分解数据重构与反拉平等处理方法,对常规奇异值分解算法进行改进,以克服其对包含非水平连续信号资料去噪效果差的局限。理论数据和实际资料的去噪结果表明,改进后的算法去噪效果明显优于常规奇异值分解法,能在保证有效波不被滤除的前提下有效提高地震资料的信噪比。     

基于局部阈值曲波变换的叠前去噪技术研究

野外地震数据包含各种随机噪声干扰,降低了地震资料的信噪比,而常规的单一去噪方法效果不理想,为此选用多尺度多方向的曲波变换进行去噪。首先对经过预处理的含噪信号进行多尺度分解,采用局部阈值去噪法,对曲波变换后的每一个尺度都选取一个合适的软阈值因子,然后在各尺度下提取其有效波信号的曲波系数,最后将提取出来的曲波系数进行逆变换重构出地震信号,从而达到去噪目的。理论模型与实际资料的处理结果表明,与常规单一全局阈值去噪相比,该技术最大限度地保留了地震数据的有效信号,具有较好的去噪效果。     

利用小波阈值法提高地震勘探信号的信噪比

在地震勘探信号处理中,能否得到高信噪比的信号是正确解读实际勘探信号的关键。在实际勘探中,受到环境等因素的影响,检波器接收到的信号中夹杂着各种相干及随机噪声,降低接收信号的信噪比。鉴于传统傅里叶变换无法处理随机噪声,本工作提出利用改进的小波阈值法提高含随机噪声的信噪比,通过MATLAB仿真和勘探实验验证。建立仿真模型,比较了改进阈值函数与现有软、硬阈值法的去噪效果;信噪比和均方根误差结果显示,改进阈值函数去噪后的信噪比优于软和硬阈值函数的信噪比。利用地震雷克子波建立了地震正演模型,对比改进阈值函数处理前后的结果显示,改进阈值函数法能充分保留有用信号,有效地消减勘探信号中的随机噪声,可为勘探信号解释提供一种新的去噪方法。     

f-x域共偏移距道集的EEMD随机噪声压制方法

f-x域随机噪声压制方法面临着2个问题:叠前共炮点道集或CMP道集反射波同相轴为双曲线型,去噪同时会损害有效波;地震信号为复杂的非平稳信号,要求去噪方法具有自适应性。基于f-x EEMD的共偏移距道集随机噪声压制方法利用了共偏移距道集反射波同相轴为水平满足f-x域去噪假设条件和EEMD算法对非平稳信号的良好适应性,对f-x域每一个等频率切片做EEMD分解,并去除以高频随机噪声为主的第一个IMF分量,最后将f-x域数据反变换回t-x域,实现噪声分离。正演模拟和实际地震数据试算结果表明:该方法在压制随机噪声的同时,能够保持有效信号。      

基于Curvelet变换冗余字典的重力数据稀疏表示与重建

压缩感知理论为低采样建立大面积、高精度的重力场模型提供了理论指导。构造合适的变换基,实现二维重力数据更为稀疏的表示,对于测量矩阵的设计和重构精度的提高具有重大意义。采用Curvelet变换作为核函数构造过完备冗余字典,选取不同尺度不同方向的曲波系数作为原子组成不同的字典,对EGM2008模型分辨率为1′×1′的某海域重力异常数据进行稀疏表示和重建,根据PSNR值,稀疏度和η值作为评估标准确定最优原子个数。最后采用OMP算法对重力数据稀疏表示并重建。     

基于Shearlet变换的非局部均值地震噪声压制

在地震勘探中,由于野外地震数据采集环境及仪器性能本身的限制,采集到地震信号中不可避免地会混入较强的噪声,极大影响后续处理、解释工作。而近几年,多尺度几何分析方法以其独特优势成为压制噪声的研究热点,本文提出在Shearlet域中引入非局部均值算法对地震噪声进行压制,该算法首先对地震信号进行非下采样Shearlet变换,然后采用非局部均值法对分解后系数子集进一步处理,并采用8个Sobel算子近似表示全方向结构,对权重函数进行改进,最后对系数进行Shearlet反变换,得到去噪后的地震信号。实验结果表明相比于传统非局部均值法,该联合算法能有效地压制随机噪声,同时对弱同相轴具有更好的保护作用,在地震资料处理中具有良好的实用性。     

基于第二代Curvelet变换的地震资料随机噪声衰减

噪声衰减是地震资料处理中的关键问题之一。根据Curvelet变换对含有光滑边界的二维二阶连续可微函数所具有的稀疏表示性能,给出了Curvelet变换域地震资料随机噪声衰减的阈值方法;并给出了基于地震资料中随机噪声是独立同分布的高斯白噪假设条件下的阈值估计方法。通过合成数据和叠后实际数据算例,对该方法的有效性进行验证。结果表明,Curvelet变换不仅可以很好地衰减随机噪声,并且能较好地保持有效信号。      

Shearlet变换在GPR数据随机噪声压制中的应用

随机噪声是探地雷达(ground penetrating radar,GPR)数据处理存在的主要问题之一,直接影响到GPR数据后续处理及最终解释的准确性和可靠性。为了有效地去除随机噪声,同时更好地保留GPR信号的有效信息,本文提出基于Shearlet变换的GPR数据随机噪声去除方法。作为一种非自适应多尺度、多方向性的几何分析方法,Shearlet变换能够近乎最优地表示含奇异点的高维曲线。在Shearlet域,GPR数据能够得到更加稀疏的表示,通过阈值去噪的方法,有效地去除了随机噪声,使信噪比提高了4dB,最大程度地保留了GPR有效信号。利用理论和实际数据进行验证,体现了Shearlet变换阈值去噪方法的有效性和准确性。     

基于压缩感知理论的缺失地震数据重构方法

压缩感知是一种新的理论,它打破常规尼奎斯特-香农采样定理的制约,利用信号的稀疏特性或可压缩特性,用较少的数据即可重构恢复完整的信号。建立了基于压缩感知理论的缺失地震数据重构模型。首先在与稀疏变换不相关的测量矩阵基础上引入一种约束矩阵,使地震数据的缺失满足或接近高斯随机分布;随机缺失的地震数据变换到稀疏域会产生很多与有效信号不相干的随机噪声,接着通过一种新的自适应阈值迭代算法可以很好地消除稀疏系数中的随机噪声干扰,经过逆稀疏变换即得到重构后的地震数据。Marmousi 2模型测试及实际地震资料处理均验证了该方法的可行性和有效性。重构缺失地震数据取得了较好的效果。     

基于小波包分析的地震资料联合去噪方法研究

在地震记录中,随机噪声严重影响了有效信号的提取,为此必须进行消噪处理。这里首先使用小波包变换对不同频段的信号进行精细分离,有效信号和噪声经小波包分解后,其小波包系数将表现出不同特性,然后根据这种不同特性进行去噪处理,对小波包分析法处理后的剩余地震信号再进行KL(Karhunen-Loeve)变换,提取相关有效信号,最后对提取的有效信号进行中值滤波处理,进一步去除剩余噪声。经合成地震剖面和实际地震剖面处理实验证明,小波包分析、KL变换和中值滤波联合去噪方法,能有效地消除较强的随机噪声,提高地震剖面信噪比和分辨率。     

主成分分析和字典学习联合地震数据去噪方法

为能获得高信噪比的地震数据,笔者提出了一种基于K-SVD字典学习和主成分分析(PCA)相结合的主成分字典学习算法。与K-SVD算法对误差项直接采用奇异值分解来更新字典原子不同,笔者采用PCA算法分解误差项,并使用第一主成分作为字典原子的更新。通过对复杂模型合成地震记录与实际地震记录进行对比实验,得出该方法较K-SVD算法信噪比大约提高1～1.5 dB,能更好地保护有效信号。     

基于小波变换的地震信号分时分频相关去噪

介绍了Donoho的小波域阈值去噪处理方法,提出了对小波变换尺度上小波系数进行分时分频相关处理去噪后,再重构小波系数的方法,以去除大部分随机噪声。然后,再对重构后地震剖面进行小波域阈值去噪处理。结果表明,使用上述新方法可以有效改善地震剖面处理效果,提高信噪比。