基于Shearlet变换稀疏约束地震数据重建

地震数据重建是地震数据处理流程中关键步骤之一,重建效果的好坏直接影响到后续的多次波消除以及偏移成像效果。为了获得更好的重建效果,提出了以压缩感知为理论基础,采用jitter欠采样的Shearlet变换稀疏约束地震数据重建方法。将Shearlet变换与凸集投影(POCS)算法结合起来在动校正预处理后对地震数据进行重建,增强了地震数据在Shearlet域的稀疏性。理论分析和实际地震数据验证结果表明,该方法可以在部分地震数据缺失的情况下取得很好的重建效果,有效地解决了假频问题。     

FK和Shearlet域联合压缩感知数据重构技术

由于稀疏炮检点采集或野外采集因素造成地震数据的不规则,影响地震资料成像质量。基于压缩感知理论的重构方法,能够在有限采样的情况下有效重构地震数据。由于地震道的空间随机缺失在波数域表现为空间假频,文中将时空域的地震道重构转化为频率波数（FK）域的随机噪声压制问题。对FK域数据做多尺度、多方向性的剪切（Shearlet）变换,通过反演迭代消除FK域的空间假频,从而实现地震道的空间重构。该方法是在FK变换后进行Shearlet变换,可以看作一种新的稀疏基变换。由于全局随机采样因子频谱呈白噪特征,分段随机采样因子频谱呈蓝谱特征,因此分段采样数据有效信号与假频的混叠相对减少,更有利于数据重构。实验结果表明,分段随机采样FK+Shearlet域重构精度高于全局随机采样Shearlet域重构、分段随机采样Shearlet域重构和全局随机采样FK+Shearlet域重构。     

基于压缩感知和Contourlet变换的地震数据重建方法

基于压缩感知技术的地震数据字典重建算法在训练字典时耗时较长,基于压缩感知技术的稀疏变换重建算法对稀疏基的要求较高,权衡信噪比和时间,采用目前已应用于地震数据重建的Contourlet稀疏基,提出了一种基于压缩感知技术和Contourlet变换的地震数据重建方法。首先根据设计的测量矩阵,在Contourlet域中采用快速迭代收缩阈值算法(Fast Iterative Shrinkage-Thresholding Algorithm,FISTA)重建缺失的稀疏系数,然后进行Contourlet反变换完成地震数据的缺失重建。合成数据和实际地震数据测试结果表明,基于压缩感知技术的Contourlet变换能够很好地完成地震数据的缺失重建;与压缩感知技术中常用的短时傅里叶变换和小波变换方法相比,基于压缩感知的Contourlet变换重建结果信噪比更高,并且增加的耗时有限,在可以接受的范围之内。     

基于压缩感知的L1范数谱投影梯度算法地震数据重建

随着油气勘探的发展,采集的数据规模与复杂度越来越大,对这些数据进行重建的精度与效率影响到后续地震资料的处理效果。常用于地震数据重建的压缩感知理论与重建算法各有精度与效率的优势,因此对于大规模、复杂地震数据,综合考虑重建精度与计算时间,提出了一种基于压缩感知理论和L1范数谱投影梯度算法(SPGL1)的地震数据重建方法。首先根据地震数据的缺失情况选择采样矩阵,然后在contourlet域中采用L1范数谱投影梯度算法重建缺失的稀疏系数,最后进行contourlet反变换实现地震数据的重建。合成地震数据实验结果表明,基于压缩感知和L1范数谱投影梯度算法重建的地震数据精度较好,计算效率高。通过实际地震资料处理,对比了相同稀疏变换基情况下常用的贪婪算法中的正交匹配追踪(OMP)、梯度投影稀疏重建算法(GPSR)及L1范数谱投影梯度算法(SPGL1)的应用效果,发现基于压缩感知的L1范数谱投影梯度算法鲁棒性较好,受噪声影响小,重建精度高,并且兼顾了计算效率的需求。     

利用压缩感知技术的离散正交S变换地震数据重建

压缩感知中不同稀疏变换的重建效果及计算效率存在差异,为此文中提出一种基于压缩感知技术的离散正交S变换（DOST）地震数据重建方法。通过求取一组正交基函数与时间序列的内积,得到时频矩阵,使原始信号呈现更强稀疏性,以改善压缩感知地震数据重建效果。该方法弥补了S变换不能作为压缩感知的稀疏变换的局限性,向压缩感知理论体系引入了一种适用的稀疏变换方法。理论模型和实际数据试算结果表明,该方法迭代快速且收敛稳定,整体重建效果令人满意。     

基于压缩感知的SR-ADMM地震数据重建

施工成本和现场环境等因素导致所采集的地震数据有缺失,进而影响后续地震数据的处理和资料解释,对缺失的地震数据进行重建具有重要意义。根据压缩感知理论,若数据具有稀疏特征,则在低于奈奎斯特采样频率的条件下通过优化算法即可恢复完整数据。文中提出基于压缩感知的平方正则交替乘子方向算法（SR-ADMM）的地震数据重建方法。SR-ADMM算法在交替乘子方向算法迭代过程中加入了平方正则项,且是自适应地选取参数平衡因子。首先用字典学习对缺失地震数据进行稀疏表示,然后用SR-ADMM算法解决最优化问题并重建缺失的地震数据。模拟地震数据和大庆油田实际数据的重建结果表明：所提的基于SR-ADMM算法压缩感知地震数据方法的重建精度较高,且具有实用性。     

MCA框架下Shearlet和DCT字典组合地震数据重建

相比于单一变换,形态分量分析（MCA）是信号稀疏表示的一种更有效的手段。在MCA框架下,提出了一种Shearlet字典和DCT字典组合的地震数据重建方法。首先,基于MCA框架,分别选取DCT字典和Shearlet字典稀疏表示地震数据中的局部奇异分量与平滑线状分量;随后,通过加入指数阈值模型和指数阈值函数的块坐标松弛（BCR）算法重建各个分量;最后,合并各个分量得到重建结果。合成数据实验和真实数据实验均表明,该方法能够有效地重建缺失地震数据,且重建精度高于单一Shearlet字典、Curvelet+DCT字典组合和Shearlet+Curvelet字典组合。     

基于字典学习和ADMM的地震数据重建

针对压缩感知下与字典学习和交替方向乘子算法(alternating direction method of multipliers,ADMM)密切相关方法存在的问题,研究并提出了一种在压缩感知理论下采用字典学习和ADMM重建地震数据的方法。首先对不完整地震数据进行字典学习,使其稀疏地表示,再根据地震道的缺失情况设计合理的采样矩阵,最后对建立的L1范数约束模型采用ADMM进行求解得到重建后的地震数据。建立了压缩感知下基于字典学习和ADMM的地震数据插值技术流程。正演模拟数据和实际数据的重建实验结果表明:与压缩感知理论下采用固定基的重建方法相比,字典学习能够自适应地对地震数据进行更优的稀疏表示。与常用的curvelet等重建算法相比,采用ADMM能够更加精确地重建地震数据。与固定基和正交匹配追踪(orthogonal matching pursuit,OMP)相比,在压缩感知理论下采用字典学习和ADMM重建的地震数据有更高的信噪比。     

压缩感知地震数据重建中的三个关键因素分析

地震数据重建对地震资料处理和成像具有重要意义。基于压缩感知的地震数据重建方法是应用较广泛的一类方法,其中的稀疏变换、迭代算法和阈值模型等的选取将影响最终地震数据重建的效果和计算效率。本文着重分析了Fourier、Curvelet和Seislet这三种稀疏变换对地震数据重建的影响,比较了POCS（Projection onto Convex Sets）、IHT（Iterative Hard Thresholding）、Bregman和JRSI（Joint Reconstruction by Sparsity-promoting Inversion）四种迭代算法各自的优缺点,研究了线性、指数和数据驱动三种不同阈值模型的特性。通过模拟和实际算例对比分析了压缩感知地震数据重建过程中上述三个关键因素的影响,得到了三方面的重要认识和结论,为在实际地震数据重建中选择上述因素提供了可靠依据和现实建议。     

压缩感知框架下基于K-奇异值分解字典学习的地震数据重建

针对地震勘探中由于采集成本及采集环境等诸多因素导致地震数据不完整或者不规则问题,本文提出了一种压缩感知框架下基于K-奇异值分解（K-SVD）字典学习的地震数据重建算法。基本思路是首先对大量地震样本数据进行K-SVD字典训练得到超完备字典,然后引入缺失地震数据的采样矩阵作为测量矩阵。在重建阶段则采用正则化正交匹配追踪（ROMP）实现缺失地震数据的恢复。与传统的基于Curvelet变换或基于傅里叶变换等地震数据重建算法采用单一基函数不同,本文引入的超完备字典能够自适应地根据训练样本数据进行特征提取,并能根据待处理数据的本身特点自适应选取变换基函数。超完备字典为地震数据自适应稀疏扩展提供了更大灵活性,有利于更好地重建数据。合成地震数据以及实际海洋数据重建实验验证了本文算法的可行性及有效性。     

独立分量分析与压缩感知微地震弱信号提取方法

结合独立分量分析和压缩感知理论各自的优势,提出了独立分量分析与压缩感知联合理论的微地震弱信号提取方法。从欠定盲信号分离和稀疏重构入手,通过对源信号的特征分析得到欠定盲分离模型中混合矩阵,基于该矩阵,建立欠定盲信号重构模型,采用压缩感知理论的正交匹配追踪方法和压缩采样匹配追踪方法,对源信号进行重建。对混合矩阵、正交化、稀疏化及稀疏度等核心问题进行了系统分析,实现基于独立分量分析与压缩感知微地震弱信号重建方法。实际资料处理结果验证了方法的可行性。     

基于压缩感知的地震数据采集实践

介绍了基于压缩感知的非规则观测系统设计以及在中国西部沙漠地区实现的第一块基于压缩感知的地震数据采集。在进行压缩感知观测系统设计时采用贪心序贯算法,以逐点增加的方式确定检波点与炮点的位置并构建观测矩阵,按照观测矩阵与稀疏变换矩阵的不相关性来确定观测系统,然后利用确定的观测系统,基于探区的速度模型进行正演模拟,以验证观测系统的有效性,从而确定最终的观测系统。针对中国西部沙漠试验区的具体情况设计了块状非规则(随机)采样观测系统,纵横向检波点在一定约束条件下不均匀分布、激发点近于随机不规则分布。首次采用可控震源进行了数据采集,获得了1760炮的地震数据。通过数据重建,得到了4倍密度(7.5m×7.5m的面元)数据体,偏移成像后的地震剖面品质比常规剖面(15m×15m)明显提高。与规则高密度采集相比,此次基于压缩感知的地震数据采集虽然检波点、炮点大幅度减少,但重建后的高密度规则数据的偏移成像质量有了明显提高。该稀疏采集试验不仅为后续高密度数据重建研究提供了宝贵的实际资料和应用经验,而且对于东部复杂障碍区的地震数据采集也具有借鉴意义。采用"节点仪器+压缩感知+可控震源"的采集方式,将是一种最佳组合,会取得更高的效益和更好的效果。     

基于Shearlet变换的地震随机噪声压制

地震勘探中的噪声对地震信号产生严重的畸变和干扰,常规的地震去噪方法已经不能满足当前高精度地震勘探的要求。提出了基于Shearlet变换的地震数据去噪方法,Shearlet变换是一种新的多尺度变换方法,具有多方向、多分辨率及最佳稀疏逼近性质,并且计算效率高。Shearlet变换在去除随机噪声的同时能最大程度保留有效信号,有效地提高信噪比。利用Shearlet变换阈值去噪法与其他地震去噪方法分别对不同信噪比的合成地震记录和实际地震记录进行对比,结果表明Shearlet变换具有更强的去噪能力和更高的运算效率。     

基于压缩感知的Dreamlet域数据重构方法及应用

随着压缩感知(CS)理论的完善, 逐步发展形成了基于该理论的新的信号处理技术。近年来, 在石油地震勘探领域, 基于该理论的随机稀疏数据采样、数据重构及规则化和稀疏采样观测系统优化设计等方面的研究取得了重要进展。本文在Ru-Shan Wu博士等提出的Dreamlet域数据重构技术基础上, 针对实际地震数据在时间和空间上剧烈变化以及存在较强干扰背景情况, 通过优化重构参数和流程, 对随机稀疏采样的模拟和真实地震数据进行了重构和对比分析。模拟和实际数据应用显示, 该技术是一种高效和高质量的地震数据重构方法。     

非抽样离散小波变换叠前地震数据重建方法

叠前地震数据包含了丰富的地层信息,但在实际勘探中由于受采集条件等影响,叠前地震数据地震道缺失现象严重。针对规则采样不规则道缺失的插值恢复问题,一些传统的插值方法无能为力或者插值效果不佳,而近年来发展起来的非抽样离散小波变换（UDWT）,具有很好的稀疏表示能力,比傅里叶变换能更加稀疏地表示地震数据;根据压缩感知理论,即使不满足Nyquist采样定理的要求,利用极少的观测数据,也可能较好地恢复缺失的地震数据。本文提出一种基于UDWT的地震数据插值方法,对地震数据做插值和规则化处理,可以提高叠前地震数据的完整性,理论模型和实际资料的重建效果验证了方法的有效性和实用性。     

高效采集中的随机地震观测系统设计及数据重建

在压缩感知采样理论下开展"两宽一高"高效地震数据采集,在可控的投资成本下能获得更高质量的成像结果。提出了随机采样观测系统设计的基本原则,即在高密度地震数据采集(或常规地震数据采集)观测系统建立的基础网格的基础上,按照高斯随机采样的理论要求,将规则欠采样的网格作为高斯随机采样位置的期望,分别在炮集范围进行空间随机检波点位置的设计和在整个工区进行空间随机炮点位置的设计。以特征波场(初至波场或标志性的反射波场)为随机观测系统感知的对象,用频率域地震数据Hankel矩阵的低秩特性作为稀疏性的度量标准,通过生成符合高斯分布的随机观测系统,测试随机采样加稀疏提升算法对于恢复无假频的地震数据能力及其影响因素。数值实验结果表明,随机采样加压缩感知数据重建后,可以较好地恢复密网格采样数据。同时,相对于随机采样和规则采样的地震数据,重建数据的偏移成像质量都有所提升。实际应用中,若考虑近地表散射噪声和静校正量等因素,则对随机观测系统的设计及数据重建算法提出了更高的要求。     

利用压缩感知方法提高地震资料分辨率

将压缩感知理论引入地震资料处理,研究了基于压缩感知理论的提高地震资料分辨率方法,针对压缩感知理论中的信号稀疏化、观测矩阵设计、信号重构等流程提出了改进措施。针对传统观测矩阵取高斯随机矩阵后计算结果不稳定问题,根据地震记录的信号特点,将高斯随机矩阵改进为较大反射信号约束下的观测矩阵,提高了重建算法的速度和精度;为了压制局部均匀化和区域均匀化噪声,增强较弱的有效信号,研究了地震资料的规格化处理方法,提出了局部压缩感知和区域压缩感知联合处理的方法,增大了源信号独立性条件范围。模型数据实验和实际数据应用效果表明,基于压缩感知理论的提高地震资料分辨率方法使弱信号增强、地震分辨率明显提高。     

Shearlet域自适应阈值地震数据随机噪声压制

Shearlet变换因其最优的稀疏表示和多尺度、多方向特性,对地震数据噪声有很好的压制效果。但基于Shearlet变换的传统阈值法仅考虑了信号的稀疏性在尺度上的特征,没有考虑在方向上的分布特征,不能使去噪效果达到最佳。结合Shearlet变换多尺度、多方向特性,在尺度自适应阈值基础上,研究信号在Shearlet域不同方向上的分布规律,提出一种随尺度和方向同时自适应变化的阈值。通过求取同一尺度、不同方向的L₂范数,统计有效信号的分布规律,进而在阈值计算过程中添加方向自适应项,达到随尺度和方向同时自适应的目的。理论和实际数据的试验结果表明,基于尺度和方向同时自适应的阈值相对于传统阈值能够更有效压制随机噪声,最大限度地保留有效地震信息。     

海上压缩感知地震仿真采集设计与处理

压缩感知地震采集的主要目的是提高地震采集效率，降低地震采集成本。受现有海上地震采集装备及技术限制，目前只能在某些方向上进行压缩感知随机采样。通过研究，形成了一套基于Jitter模式的海上压缩感知地震采集观测系统设计技术及配套的数据重构方法和模块。利用该方法实施了两个海上压缩感知地震采集设计仿真试验，并对所采集数据进行了重构处理。结果显示，在节省约1/3采集资源情况下，模型正演数据和实际数据仿真试验的重构效果良好，表明Jitter随机采样模式适用于海上压缩感知地震采集观测系统设计。     

CSI:基于压缩感知的高精度高效率地震资料采集技术

介绍了CSI(Compressive Seismic Imaging)技术。该技术是基于压缩感知理论所开发出的一整套地震资料采集和处理综合技术,主要包括非规则最优化采样设计、地震信号的稀疏化处理、基于稀疏反演的数据重构及同时震源分离等内容。CSI利用非规则最优化设计和独立同时震源作业,极大地提高了采集效率,缩短了采集周期,从而以较低成本完成高品质、高密度的三维地震资料采集。在地震资料处理过程中,通过信号分离与数据重建来高保真地恢复叠前地震信号。海底节点、海上拖缆和陆地可控震源等生产项目中的应用结果表明,与宽频带处理以及叠前深度偏移技术相结合,CSI提供了高质量、高精度的地下成像结果。