小波分析去噪在腰沙围垦变形监测中的应用

由于受到许多复杂因素影响,沉降监测过程中所得到的信号数据可能会含有噪声。Matlab中小波分析功能能够对信号数据中的噪声信号进行有效的分解,最后重构处理后的信号。通过实例对比,选用合适的去噪方法和去噪函数,对信号数据进行处理,最后能够得到更适合的最优估计。     

多项式拟合技术在强噪声地震资料中的应用研究

获得高分辨率的地震信号是决定地震勘探在油气田等资源开发中能否发挥更大作用的关键,所以说地震信号的高分辨率是地震勘探所追求的重要目标,而提高数据信噪比才能真正提高地震资料的分辨率.本文通过对多项式拟合技术去噪的研究,以此提高地震数据信噪比.实际数据的处理结果表明,该方法能减少对振幅的畸变,同时可处理非水平的和弯曲的同相轴,可很好地提高地震资料的分辨率.     

小波分析在地震资料去噪中的应用

本文阐述了小波变换和去噪的基本原理,根据模拟信号和实际地震信号的频谱分析,讨论了如何选择小波基,及去噪中的阈值问题,从小波分解出发,利用多尺度分解对地震资进行分析,并基于MATLAB语言和小波工具箱,实现了对地震资料的去噪.     

结合BM3D和多级非线性加权平均中值滤波的遥感影像混合噪声去噪方法

提出了一种基于三维块匹配（BM3D）和多级非线性加权平均中值滤波的遥感影像混合噪声去噪方法,使用coief3小波和sym2小波替换传统三维块匹配算法中的bior1.5和hear参数,将三维块匹配算法和多级非线性加权平均中值滤波相结合以提高算法对混合噪声的去噪能力。进行一个仿真对比试验和一个真实遥感影像去噪试验,试验表明,本文提出的方法在遥感影像混合噪声去噪方面效果要优于传统混合噪声去噪方法。     

Cyclone在数字校园三维激光点云数据预处理中的应用

为了高效获取精确的数字校园地形图的测量数据,通过Leica ScanStation P40对校园进行三维激光点云数据采集,并结合Cyclone中的去噪模型对点云数据进行去噪,利用“六自由度”方法和ID号对标靶进行拟合,在一定约束条件下完成点云数据的坐标匹配、拼接以及优化,得到统一坐标系下的点云数据。结果表明:优化后的点云数据精度可达到6 mm。可见处理后的点云数据能够满足数字校园地形图的高精度要求。     

沂沭断裂带深反射地震资料处理

地震时间剖面可以对地质目标进行精细刻画,但由于变质岩、侵入岩地区存在地质体不规则、地质界线间波阻抗差异不明显、断裂构造倾角高陡等特征,导致地震原始资料具有波场复杂、干扰波发育、资料信噪比低等特点.为获得客观反应实际地质情况的沂沭断裂带深反射地震剖面,通过对研究区原始地震资料细致分析,针对各种干扰波的不同特性特征,分别采...     

高分二号卫星影像自适应模糊阈值法小波去噪

高分二号卫星影像提供了丰富的图像信息,高分二号影像数据的发布打破了我国高分辨率对地观测数据长期依赖进口的局面。但是图像在传输和保存过程中会有噪声干扰,如果感兴趣区域受到污染,则会导致该区域内的影像信息不能被充分利用。为了解决高分二号遥感影像去噪这一难题,本文采用自适应模糊阈值法去噪方式,该方法根据各个尺度下噪声方差建立的自适应模糊阈值函数非线性处理后,重新构造作为新的小波系数,经小波逆变换后得到去噪图像。通过与均值滤波器滤波、高斯平滑滤波、中值滤波器滤波、小波全局阈值去噪和Birge-Massart策略阈值法去噪比较,结果表明,自适应模糊阈值去噪法充分结合软硬阈值处理方式的优点,既保留图像细节又使图像更加平滑,图像整体信息完好,去噪效果更为理想。     

孤北21三维目标处理实例

结合地质目标及处理要求,对孤北21井区三维资料进行了分析。对不同处理目标采取了相应的处理措施,取得了较好的处理效果。     

MT时间序列的FIR数字滤波分析

大地电磁测深法(MT)野外观测得到的原始资料是包含多种频谱的时间序列,这种时间序列中常包含不需要的信息和50 Hz及其谐波的干扰。结合FIR数字滤波技术与MT时间序列的特征,提出了一种基于FIR数字滤波技术的MT时间序列去噪方法,讨论了FIR数字滤波器的原理和实现,分析了理论数据通过FIR数字滤波的带通和陷波处理,探讨了对实测时间序列的带通和陷波所取得的效果。     

基于卷积神经网络的ICESat-2光子点云去噪分类

ICESat-2（Ice, Cloud, and land Elevation Satellite-2）是美国NASA（National Aeronautics and Space Administration）在2018年发射的激光测高卫星,其上搭载的激光测高系统ATLAS（Advanced Topographic Laser Altimeter System）采用微脉冲多波束光子计数激光雷达系统,因其低能耗、高探测灵敏度、高重复频率的特性极大改善了沿轨采样密度,但也使获取的数据中包含大量的噪声,如何有效实现光子点云去噪分类成为后续应用的关键,也是当前研究的热点和难点,为此本文提出一种基于卷积神经网络的光子点云去噪和分类算法。首先将光子点云按照沿轨和高程方向划分格网,去除明显的噪声光子,并将每个粗信号光子点栅格化为影像;然后基于少量样本构建的卷积神经网络分类模型实现光子点云精去噪和分类;最后利用机载激光雷达数据进行验证,并与ATL08产品的去噪分类结果进行对比。结果表明,对于裸地和森林区域,卷积神经网络算法均能有效去除噪声光子,特别对于森林区域,可同时实现去噪和分类;其中,裸地区域地表计算的R²和RMSE分别为1.0和0.72 m,森林区域地表和树冠计算的R²分别为1.0和0.70, RMSE分别为1.11 m和4.99 m。本文利用深度学习算法实现光子点云去噪分类,在裸地和森林区域均取得了较好的结果,为后续光子点云数据处理提供了参考。