时频峰值滤波去噪技术及其应用

本文将时频峰值滤波(TFPF)去噪技术应用于共炮点地震资料的随机噪声压制.时频峰值滤波技术是通过频率调制将信号调制成解析信号的瞬时频率,利用解析信号的Wigner-Ville分布的峰值进行瞬时频率估计,恢复有效信号,与其它去噪方法相比,TFPF具有在较少的约束条件下压制强随机噪声的优点.本文针对实际地震资料的非线性特性,利用加窗的Wigner-Ville分布实现TFPF,使得地震信号在一个窗长内近似满足线性瞬时频率条件,减小由地震信号非线性引起的偏差.本文对共炮点地震记录做时频峰值滤波处理,滤波结果表明在地震勘探资料中存在强随机噪声的情况下,利用局部线性化处理的时频峰值滤波技术可以有效地压制地震资料中的随机噪声,恢复出湮没在随机噪声中的地震反射信号.信噪比提高3～6 dB.     

基于SW统计量的自适应时频峰值滤波压制地震勘探随机噪声研究

由于金属矿区地震记录中随机噪声性质复杂且信噪比低,常规降噪方法难以达到预期的滤波效果.时频峰值滤波(TFPF)方法是实现低信噪比地震勘探记录中随机噪声压制的有效方法,但其在复杂地震勘探随机噪声下时窗参数优化问题仍难以解决.本文充分利用地震勘探噪声的统计特性,结合Shapiro-Wilk(SW)统计量辨识地震勘探记录中的微弱有效信号,提出基于SW统计量的自适应时频峰值滤波降噪方法(S-TFPF).在S-TFPF方案中,对于有效信号集中区,S-TFPF方法根据信号频率特征,选择有利于信号保持的较短时窗长度;对于噪声集中区,按噪声方差自适应增加时窗长度,增强随机噪声压制能力.S-TFPF应用于合成记录和共炮点记录的滤波结果表明,与传统时频峰值滤波方法相比,S-TFPF方法可以有效抑制低信噪比地震勘探记录中的随机噪声,更好地恢复出同相轴.     

丘陵地带地震资料随机噪声压制新技术:高阶加权阈值函数的Shearlet变换

随着山地和丘陵地震勘探环境的复杂化,传统的消噪方法已经难以有效地压制地震记录中的随机噪声.Shearlet变换是一种新的多尺度多方向的时频分析方法,具有良好的稀疏表示特性,并且在每个尺度进行方向分解,非常适合用于地震信号随机噪声的压制.但是传统的Shearlet变换去噪方法采用的是硬阈值,在抑制随机噪声的同时也消除了很多有效信号,使得去噪之后的地震资料出现虚假的同相轴,为了解决这一问题我们提出高阶加权阈值函数.高阶加权阈值函数不但整体上连续性较好,而且克服了硬阈值函数存在剧烈的变化的缺点以及软阈值在处理较大Shearlet系数总存在恒定偏差的问题,同时保留了传统的软硬阈值函数的优点.实验结果表明这种基于高阶加权阈值函数的Shearlet变换去噪的方法,可以有效的消除模拟地震信号和实际丘陵地带地震信号中的随机噪声,同时很好的保留有效信号的幅度.     

压制空间非平稳地震勘探随机噪声的ROAD径向时频峰值滤波算法

径向时频峰值滤波算法是一种有效保持低信噪比地震勘探记录中反射同相轴的随机噪声压制方法,但该算法对空间非平稳地震勘探随机噪声压制效果不理想.本文研究空间非平稳地震勘探随机噪声,即各道噪声功率不同的地震勘探随机噪声,其在径向滤波轨线上表征近似脉冲噪声,在径向时频峰值滤波过程中干扰相邻道滤波结果.为了减小空间非平稳随机噪声的影响,本文提出一种基于绝对级差统计量(ROAD)的径向时频峰值滤波随机噪声压制方法.该方法首先根据径向轨线上信号的绝对级差统计量检测空间非平稳地震勘探随机噪声,然后结合局部时频峰值滤波和径向时频峰值滤波压制地震勘探记录中的随机噪声.将ROAD径向时频峰值滤波方法应用于合成记录和实际共炮点地震记录,结果表明ROAD径向时频峰值滤波方法可以压制空间非平稳地震勘探随机噪声且不损害有效信号,有效抑制随机噪声空间非平稳对滤波结果的影响.与径向时频峰值滤波相比,ROAD径向时频峰值滤波方法更适用于空间非平稳地震勘探随机噪声压制.     

基于数据驱动和反演策略的时空域随机噪声衰减方法（英文）

常规的时间-空间域和频率-空间域预测滤波方法假设地震记录由地震信号和随机噪声两部分构成,即所谓的加噪声模型,但是,在对随机噪声进行估算时,又假设随机噪声可以通过预测误差滤波器由地震记录中进行预测,即所谓的源噪声模型。这种前后不一致的噪声模型降低了该类方法的去噪能力和保幅性能。为此,本文提出了一种基于反演的时空域随机噪声衰减方法。它首先从地震数据中估算预测滤波算子,该算子表征了地震信号的可预测性,自适应地描述了地震信号的空间结构。在得到预测误差算子之后,将该算子作为正则化约束引入到地震信号反演系统,由含有随机噪声的地震数据直接反演地震信号。不同于常规随机噪声衰减方法,该方法将随机噪声衰减问题归结为正则化约束下的地震信号反演问题,克服了常规方法噪声模型的不一致性问题。我们采用模型数据和实际数据进行了实验分析,并与常规方法进行了效果对比。实验结果表明:与常规方法相比,本文方法在噪声压制的同时,没有对有效信号产生明显伤害,具有更好的振幅保持能力。     

自适应非局部均值地震随机噪声压制(英文)

非局部均值滤波是一种基于图像信息冗余的去噪方法,其认为图像自身的有效结构具有一定的重复性,而随机噪声则不具备这一特点,通过利用图像本身的自相似性来达到压制随机噪声的目的,是一种全局的去噪方法。本文把这一思想引入地震数据随机噪声压制中,针对传统非局部均值滤波计算量过大的问题,文章采用分块非局部均值的方式来减少计算量;针对滤波参数选取会影响非局部均值滤波效果的问题,提出一种简单的自适应滤波参数地震数据分块非局部均值算法。模型和实际数据处理结果表明:相对于传统的去噪算法(如f-x反褶积),该方法在压制随机噪声的同时对有效信号保护地更好,具有更高的保真度,更有利于后续的处理和解释工作。     

微地震信号的参数辨识建模及其Kalman滤波

由于微地震信号能量微弱、信噪比低,需要对采集到的微地震数据进行去噪处理,从而提高微地震记录的信噪比,提高震源定位的精度.目前存在许多基于模型的先进滤波方法,如基于机理模型的卡尔曼滤波已经成功应用在微地震信号去噪中.为了建立微地震信号的数学模型,改善卡尔曼滤波效果,本文通过数据辨识方法,对微地震信号建立了ARMA模型,并进一步转化为适用于卡尔曼滤波算法的状态空间模型.在此基础上研究了卡尔曼滤波方法,设计了适用于微地震去噪的卡尔曼滤波实现算法.理论模型和实际微地震监测数据处理结果表明,基于辨识模型的卡尔曼滤波算法能够有效抑制微地震信号中的随机噪声,显著提高微地震监测信号的信噪比,从而验证了该辨识模型的准确性和滤波算法的可行性.     

基于经验模态分解的分数维地震随机噪声衰减方法

经验模态分解算法(EMD)是一种基于有效波和噪声尺度差异进行波场分离的随机噪声压制方法,但由于实际地震数据波场复杂,导致模态混叠较严重,仅凭该方法进行去噪很难达到理想效果.本文基于EMD算法对信号多尺度的分解特性,结合Hausdorff维数约束条件,提出一种用于地震随机噪声衰减的新方法.首先对地震数据进行EMD自适应分解,得到一系列具有不同尺度的、分形自相似性的固有模态分量(IMF);在此基础上,基于有效信号和随机噪声的Hausdorff维数差异,识别混有随机噪声的IMF分量,对该分量进行相关的阈值滤波处理,从而实现有效信号和随机噪声的有效分离.文中从仿真信号试验出发,到模型地震数据和实际地震数据的测试处理,同时与传统的EMD处理结果相对比.结果表明,本文方法对地震随机噪声的衰减有更佳的压制效果.     

基于f-x域流式预测滤波器的地震随机噪声衰减方法

随机噪声的影响在地震勘探中是不可避免的,常规的随机噪声压制方法在处理中往往会破坏具有时空变化特征的非平稳有效地震信号,影响地震数据的准确成像.当前油气勘探的目标已经转变为“两宽一高”,随着数据量的增大,对去噪方法的处理效率也提出了更高的要求.因此,开发高效的非平稳地震数据随机噪声压制方法具有重要意义.预测滤波技术广泛用于地震随机噪声的衰减,本文基于流式处理框架提出一种新的f-x域流式预测滤波方法,通过在频率域建立预测自回归方程,运用直接复数矩阵逆运算代替迭代算法求解非平稳滤波器系数,实现时空变地震同相轴预测,提高自适应预测滤波的计算效率.通过与工业标准的FXDECON方法和f-x域正则化非平稳自回归(RNA)方法进行对比,理论模型和实际数据的测试结果表明,提出的f-x域流式预测滤波方法能更好地平衡时空变有效信号保护、随机噪声压制和高效计算三者之间的关系,获得合理的处理效果.     

基于自适应阈值RCSST变换的金属矿山地地区地震信号随机噪声消减

随着陆地地震勘探工作的加深,勘探环境变得越来越复杂,获得的地震信号信噪比越来越低,这给地震成像和数据解释带来了巨大的困难.为了解决这一技术难题,本文针对云南山地金属矿区的勘探环境提出了一种基于自适应阈值递归循环平移的Shearlet变换去噪算法（Recursive Cycle Spinning Shearlet Transform,RCSST）.首次将递归循环平移与Shearlet变换相结合,利用Shearlet变换的多尺度多方向特性对平移后的地震资料进行分解变换,之后,我们又提出了一种全新的自适应阈值,避免了信号系数被过度扼杀,同时也保护了有效信号.实验表明基于自适应阈值的RCSST算法克服了传统Shearlet变换去噪算法在低信噪比下易出现假轴的弊端并且能够有效地保护信号的幅度.在处理较低信噪比的模拟和实际云南山地地区地震资料的过程中,本文方法能够较好的压制随机噪声和保护有效信号.     

Seismic directional random noise suppression by radial‐trace time–frequency peak filtering using the Hurst exponent statistic

Radial‐trace time–frequency peak filtering filters a seismic record along the radial‐trace direction rather than the conventional channel direction. It takes the spatial correlation of the reflected events between adjacent channels into account. Thus, radial‐trace time–frequency peak filtering performs well in denoising and enhancing the continuity of reflected events. However, in the seismic record there is often random noise whose energy is concentrated in certain directions; the noise in these directions is correlative. We refer to this kind of random noise (that is distributed randomly in time but correlative in the space) as directional random noise. Under radial‐trace time–frequency peak filtering, the directional random noise will be treated as signal and enhanced when this noise has same direction as the signal. Therefore, we need to identify the directional random noise before the filtering. In this paper, we test the linearity of signal and directional random noise in time using the Hurst exponent. The time series of signals with high linearity lead to large Hurst exponent value; however, directional random noise is a random series in time without a fixed waveform and thus its linearity is low; therefore, we can differentiate the signal and directional random noise by the Hurst exponent values. The directional random noise can then be suppressed by using a long filtering window length during the radial‐trace time–frequency peak filtering. Synthetic and real data examples show that the proposed method can remove most directional random noise and can effectively recover the reflected events.     

用时频峰值滤波方法消减地震勘探资料中随机噪声的初步研究

时频峰值滤波算法是一种新颖的基于时频分析的信号增强算法,能够有效地消除随机噪声,恢复有效波信息.本文将这种时频分析算法用于消除地震勘探资料中的随机噪声,对淹没于随机噪声下的40道共炮点记录进行时频峰值滤波,恢复出来的共炮点记录可以清楚地表现原始记录同相轴的位置.经过对40道中任选两道（即第21道和第7道）滤波前后的子波形态Wigner\|Ville分布、傅立叶振幅谱等的比较,可知仅在谷值和峰值点误差较大,子波带宽相对误差小于25％.仿真试验表明信噪比可达－7dB,说明该方法可以有效地消减地震资料中的随机噪声.     

Application of a cascading filter implemented using morphological filtering and time–frequency peak filtering for seismic signal enhancement

Inspired by the idea of the iterative time–frequency peak filtering, which applies time–frequency peak filtering several times to improve the ability of random noise reduction, this article proposes a new cascading filter implemented using mathematic morphological filtering and the time–frequency peak filtering, which we call here morphological time–frequency peak filtering for convenience. This new method will be used mainly for seismic signal enhancement and random noise reduction in which the advantages of the morphological algorithm in processing nonlinear signals and the time–frequency peak filtering in processing nonstationary signals are utilized. Structurally, the scheme of the proposed method adopts mathematic morphological operation to first preprocess the signal and then applies the time–frequency peak filtering method to ultimately extract the valid signal. Through experiments on synthetic seismic signals and field seismic data, this paper demonstrates that the morphological time–frequency peak filtering method is superior to the time–frequency peak filtering method and its iterative form in terms of valid signal enhancement and random noise reduction.     

强随机噪声条件下时窗类型局部线性化对TFPF技术的影响

为了更广泛地应用时频峰值滤波方法消减地震勘探记录中强随机噪声,本文比较详细地探讨了该方法在应用时需要处理的时窗选取、一个时窗内局部线性化等主要基础技术问题.经过时变时窗的仿真计算,运用多项指标比较,包括整体背景强弱、振幅谱、信噪比、均方误差、有效子波波峰波谷幅值、畸变程度,综合评价出（L₀+L_x）时窗滤波的效果较理想.对于三角波这类简单类型的周期波,其时频峰值滤波效果与边线段平均曲率变化、时窗长度等条件有关,即三角波边线段平均曲率越大,滤波结果的均方误差越大;另外,边线段平均曲率增大时,选取的时窗长度有变小的趋势.总之,在地震勘探中应用时频峰值滤波方法消减强随机噪声时,一方面要合理地选取时窗参数,另一方面时窗参数又不能变化过大,以避免对有效子波波形产生畸变影响.     

Applications of Savitzky-Golay Filter for Seismic Random Noise Reduction

This article utilizes Savitzky–Golay (SG) filter to eliminate seismic random noise. This is a novel method for seismic random noise reduction in which SG filter adopts piecewise weighted polynomial via leastsquares estimation. Therefore, effective smoothing is achieved in extracting the original signal from noise environment while retaining the shape of the signal as close as possible to the original one. Although there are lots of classical methods such as Wiener filtering and wavelet denoising applied to eliminate seismic random noise, the SG filter outperforms them in approximating the true signal. SG filter will obtain a good tradeoff in waveform smoothing and valid signal preservation under suitable conditions. These are the appropriate window size and the polynomial degree. Through examples from synthetic seismic signals and field seismic data, we demonstrate the good performance of SG filter by comparing it with the Wiener filtering and wavelet denoising methods.