基于Shearlet变换的自适应阈值地震数据去噪方法

由于随机噪声的干扰,地震勘探的有效信号经常淹没其中难以识别,且在时间域难以分离随机噪声和有效信号。Shearlet变换是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。Shearlet变换在去除随机噪声的同时,能够最大限度地保留有效信号,可以有效地提高地震数据的信噪比。针对传统的Shearlet变换阈值去噪方法不能随尺度和方向变化的不足,提出了随尺度和方向变化的自适应阈值,可以同时适应不同尺度和方向噪声水平的差异。利用Shearlet变换的自适应阈值算法与小波变换去噪方法,分别对理论和实际地震数据进行去噪。对比可知,Shearlet变换的自适应阈值算法具有更强的去噪能力,并能够最大限度地保留有效信号。     

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。     

尺度自适应三维Shearlet变换地震随机噪声压制

应用尺度自适应三维Shearlet变换压制多炮地震数据随机噪声,通过将多炮数据变换到三维Shearlet域,充分考虑单炮记录及其间的相关性,在三维Shearlet域更稀疏地表示地震数据。由于有效信号主要分布在低尺度,随机噪声分布在各个尺度,因此在硬阈值的基础上,结合尺度自适应因子压制随机噪声。再通过三维Shearlet反变换,得到去噪地震数据。数值模拟和实际多炮地震数据去噪结果表明：尺度自适应三维Shearlet变换的去噪效果优于二维Shearlet变换、不结合尺度自适应因子的三维Shearlet变换;尺度自适应三维Shearlet变换去噪方法对服务器内存要求较高,且可能对幅值相对较小的有效信号产生损害。     

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。     

基于多次小波变换的小波域阈值地震信号去噪

在常规小波域阈值信号去噪方法的基础上,提出了基于多次小波变换的小波域阈值地震信号去噪方法。根据小波变换下信号和噪声在多尺度空间中的不同特性,对不同尺度下的小波系数用阈值处理,改进了多次小波变换应用于地震信号去噪的方法。数据仿真和实际应用表明,该方法可以有效压制随机干扰,对提高地震记录的信噪比和分辨率都有较好的效果。     

基于Seislet域分数阶阈值去噪算法的地震资料去噪

相较于由图像领域发展的去噪算法,Seislet阈值去噪算法更好适用于地震数据的去噪处理,但在Seislet阈值去噪算法中,常规硬阈值函数在阈值处存在断点,软阈值函数处理得到的系数与原有系数之间存在恒定偏差,且传统阈值确定准则难以适用于Seislet域。为此,将Riemann-Liouville分数阶积分理论应用到阈值函数中,推导出分数阶阈值函数;再根据地震数据在Seislet域低尺度中有效信号分量远多于高尺度中有效信号分量的特点,提出了一种适用于Seislet域的尺度加权阈值;最后将分数阶阈值函数、尺度加权阈值和Seislet稀疏变换相结合,得到Seislet域分数阶阈值去噪算法。人工合成含噪地震记录和实际地震资料测试结果表明:常规硬阈值和软阈值去噪算法虽然能够在一定程度上压制噪声,但压制效果并不明显,且容易损伤与噪声差异较小的有效信号;分数阶阈值去噪算法较好地克服了硬阈值和软阈值去噪算法的缺点,能够有效压制地震资料中的随机噪声,减少了有效信号的损失,提高了地震资料的信噪比。     

一种改进的多次小波变换地震信号去噪方法

根据小波变换下信号和噪声在多尺度空间中的不同特性,对不同尺度下的小波系数用阈值处理,改进了多次小波变换应用于地震信号去噪的方法。数据仿真和实际应用表明,该方法可以有效压制随机噪声,对提高地震记录信噪比和分辨率都有较好的效果。     

曲波变换三维地震数据去噪技术

常规去噪方法主要用于二维地震资料的处理,但噪声也存在于三维数据空间,导致常规去噪方法效果较差。为此,选用多尺度、多方向的二维曲波变换进行三维地震资料去噪。首先抽取含噪三维地震数据的时间切片进行多尺度、多方向分解,在曲波域采用局部阈值法去噪,对曲波变换后的每一个尺度选取一个合适的阈值因子,然后通过阈值处理,得到各尺度下的有效波曲波系数,最后将提取的有效波曲波系数进行逆变换重构出地震信号,达到去噪的目的。理论模型与实际资料的处理结果表明,与其他去噪方法相比,该方法最大限度地保留了地震数据的有效信号,达到了更好的去噪效果,具有较好的应用前景。     

基于多尺度分解的微地震噪声压制与初至检测方法研究

地面微地震数据信噪比很低,严重影响了初至拾取的精度及反演结果的可靠性。为此,对基于改进的完备总体经验模态分解(ICEEMD)的去噪方法与初至检测方法进行了研究,首先利用ICEEMD将非平稳信号分解为一系列相对平稳的固有模态函数,然后提出了一种自适应间隔阈值去除固有模态中噪声成分的方法,最后将去噪后的分量相加重构去噪后的信号。应用Hilbert变换计算每个分量的振幅,然后计算持续能量比,利用给定的阈值找到局部最大值,计算得到高能量的地震信号的到达时间。理论模型数据及实际微地震资料的处理结果表明,去噪后数据的信噪比得到了改进,相对于传统的空间域滤波与变换域阈值去噪,该去噪方法具有显著的优势及较好的应用价值,与Hilbert变换结合的初至检测方法可以有效地检测微地震信号初至。     

基于Contourlet变换的K-L变换地震随机噪声自适应衰减方法

地震资料中有效反射信号具有丰富的纹理及边缘特性,在Contourlet变换域系数较大并具有相关性,而随机噪声均匀分布于Contourlet变换域且系数较小。考虑K-L变换具有分类特征提取的优势,在Contourlet变换基础上应用K-L变换,采用最大似然估计法和多尺度噪声估计法估算地震记录中有效信号及随机噪声的Contourlet系数方差,并将其应用到K-L变换域能量百分比阈值函数的定义中,自适应地确定用于K-L反变换的特征向量,修改Contourlet变换的系数,再进行Contourlet反变换压制随机噪声。数值模拟及实际地震资料去噪效果表明,基于Contourlet变换的K-L变换去噪方法不仅可以有效地压制地震资料中的随机噪声,提高地震资料信噪比,而且具有较好的保真性。     

利用Shearlet变换提高叠后地震资料分辨率

反褶积、Q补偿、谱白化、小波变换等方法在提高地震资料分辨率的同时往往会放大噪声,降低地震资料的信噪比。由于地震随机噪声服从高斯分布且其本身并无方向性,因而在Shearlet域可将有效信号与随机噪声分开。通过Shearlet变换将地震信号转换到Shearlet域,对Shearlet域系数进行合理的补偿后,再做Shearlet反变换,可实现对地震资料的提高分辨率处理。结合Shearlet变换的这两个特点,首先舍弃随机噪声Shearlet域系数,同时只对优势频带范围内的Shearlet域系数做补偿和提频处理。这样既提高地震资料分辨率又保持了地震资料信噪比。合成地震数据和叠后实际资料的处理结果表明,本文方法可有效提高叠后地震资料分辨率。     

利用波原子分解系数自适应Wiener滤波方法压制地震数据随机噪声

随机噪声是地震勘探数据中常见的背景噪声,会对有效信号产生负面影响,有必要研究更适用的方法去除随机噪声。为此,提出基于波原子分解系数自适应Wiener滤波,并对滤波后的系数进行波原子重构的方法,压制随机噪声以突出有效信号。针对人工合成地震记录,应用SVD阈值、二维多尺度小波分解阈值和波原子分解阈值三种滤波方法与所提方法进行对比测试及分析,可见所提方法在压制随机噪声的同时能充分保留有效信号,使反射同相轴更清晰且连续性更好。利用该方法还对实际地震记录进行了滤波处理,并与用上述三种阈值和时频峰值等滤波方法处理后的记录作对比,进一步表明所提方法在压制随机噪声与保持有效信号方面的性能更优,具有较强的实用性。     

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。     

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。     

基于曲波噪声估计的三维块匹配地震资料去噪

常规的三维块匹配（BM3D）算法在地震资料降噪处理中具有较好的效果,但在实际处理中因无法得到噪声先验信息,通常难以确定所需的滤波阈值等相关参数。为此,提出了一种基于曲波噪声估计的BM3D地震资料去噪方法。首先利用曲波变换估计地震资料的噪声方差,再通过改进的BM3D去噪算法自适应地选取合适的阈值参数并完成去噪处理。理论模型与实际资料的处理结果表明,所提算法与常规的BM3D去噪算法和曲波变换去噪算法相比,能在很好地去除随机噪声的同时更好地保护有效信号,且在去噪过程中对边界反射的细节信息保持较好,计算效率较高,在实际资料处理中得到良好的效果。     

CEEMD与KSVD字典训练相结合的去噪方法

本文提出一种完备总体经验模态分解（CEEMD）方法与K奇异值分解（KSVD）学习字典算法相结合的地震信号去噪方法。含噪信号通过CEEMD分解得到一系列不同尺度的固有模态函数（IMF）;按频率由高到低依次排列IMF各分量,并做自相关分析,去除噪声主导的IMF分量;将累加的过渡IMF分量叠加重构并做CEEMD二次分解,通过自相关分析再次去除噪声主导的IMF分量;分别叠加二次CEEMD分解剩余的IMF分量和一次剩余的IMF分量,得到两个新的含噪信号,并利用KSVD过完备字典分别稀疏表示该两个新的含噪信号,即由稀疏系数重构去噪后地震信号,进而重构最终去噪结果。实验结果证明：该算法的去噪效果明显优于F-X去噪、小波阈值去噪和KSVD字典稀疏去噪等传统方法。     

基于离散余弦变换的地震随机噪声压制技术

本文在离散余弦变换(DCT)域中利用预测滤波器压制地震数据中随机噪声方法的基础上,进一步对该法的压噪能力进行了评估,表明与离散傅里叶变换相比,DCT变换能够利用更少的系数来表征地震信号,即具有更好的能量压缩性能,从而可以更好地分离信号和随机噪声,实现随机噪声的压制。人工合成数据和实际数据的实验结果也表明,与F-X域预测滤波技术相比,采用DCT压噪不仅效果好,而且能更好地保护有效波。