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。     

级联分段线性随机共振的微弱信号检测

针对强背景噪声下微弱信号检测困难的问题,提出了一种级联分段线性随机共振的微弱信号增强检测方法。该方法采用分段线性随机共振模型,避免了经典双稳系统对强噪声下弱信号提取时存在的饱和现象,同时,选用的分段线性系统的级联方式可使高频噪声被有效滤掉,低频信号能量不断增强。仿真信号和滚动轴承故障信号的检测结果表明,该方法可以适应更低信噪比信号的检测,参数调节方便,检测结果优于级联双稳系统,具有良好的工程应用前景。     

CMOS图像传感器噪声抑制方法研究

数码相机中的彩色成像传感器通过彩色滤波阵列（CFA）在空域经降采样获取三个颜色分量,并通过对三个颜色分量去马赛克、去噪和颜色校正等过程获得最终图像。成像过程的算法比较复杂,尤其部分过程的非线性和噪声影响促使成像过程更趋复杂。研究去马赛克算法引入的噪声及对噪声传播的影响,考虑去马赛克和去噪顺序不同对成像质量造成的影响,为了更好地理解每一步成像过程如何影响和传播噪声,对图像和噪声进行有效监测和分析,并通过MSE和s-CIELAB来衡量噪声特性,最后给出结论。     

基于小波分析的光谱数据处理

原子发射光谱作为多元素同步分析技术具有巨大的在线分析潜力。由于光谱数据量大,干扰信息与有效信息并存,不利于对光谱数据进行定性定量分析。小波分析具有分时分频精细表达和多尺度多分辨率分析的独特优势,本文介绍了小波变换去噪技术原理,通过对一组光谱数据的去噪处理,说明利用小波分析法可以有效的消减光谱中的干扰信息。     

基于小波包分析的图像去噪处理

小波分析是一种信号的时间一频率分析方法。而小波包分析是建立在小波分析的理论基础上将信号的高低频成分分开,为信号提供一种更加精细的分析方法。根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时一频分辨率。它在信号消噪方面有着显著的效果。本文简述了小波包分析的原理,并基于matlab实现了对二维图像信号进行消噪。     

二次多项式拟合在分布式光纤传感中的应用

基于布里渊散射的分布式光纤传感中温度和应变与布里渊频移成线性关系,为了提高温度和应变测量的准确性,提出了一种改进的二次多项式拟合算法用于提取布里渊频移。该算法分为两步:首先使用一种改进的中值滤波算法对含噪布里渊谱信号进行预处理,以提高增益峰值定位的准确性；然后截取围绕峰值左右对称的一个线宽的原始布里渊谱进行二次多项式拟合以实现布里渊频移的高精度提取。以布里渊频移误差及峰值定位准确性作为衡量指标,比较研究后确定同一频率下所有空间点对应的布里渊增益作为滤波器的输入。研究了不同扫频间隔和信噪比及不同滤波窗长下改进算法的效果,同时研究了最优窗长的选择问题。结果表明,不同信噪比和扫频间隔下改进算法均能有效提高布里渊频移提取的准确性。随窗口长度增加布里渊频移误差先减少后增加,在扫频间隔为1~10MHz、信噪比为0～40dB情况下,通用的最优窗长为53~163。     

基于双域滤波的三维块匹配视频去噪算法

将双域滤波和三维块匹配算法相结合,充分利用了视频序列的时空频域的相关性,进行视频去噪。将三维块匹配视频去噪算法中小波阈值去噪得到的图像替换原引导图像,抑制了双域滤波算法基本层不平滑的问题。参考残差矩阵的能量谱对短时傅里叶变换系数进行阈值收缩,减少细节层的噪声残留。实验结果表明,本算法有效地解决了双域滤波算法的基本层不平滑、细节层有噪声残留的问题,主观和客观对比也表明,本算法有着较为优秀的去噪效果。     

一种非线性复扩散与冲击滤波的图像消噪方法

由于图像复扩散的虚数部分等价于图像高斯卷积后二阶梯度算子,因此利用复扩散的虚部去控制扩散系数可得到前后向复扩散,然而这种选择性的前后向复扩散不能有效消除图像细节区域的噪声。针对前后向复扩散的缺点,提出一种复扩散与冲击滤波相结合的前后向复扩散,利用复扩散去消噪,虚部控制冲击滤波器实现图像边界的锐化。通过实验证明了这种扩散消噪的同时更好的保留图像的细节,且具有更高的峰值信噪比。     

基于小波分析的光照电站边坡位移变形监测研究

光照电站是北盘江上大型水利枢纽,为确保安全施工和运营,采用智能型全站仪TCA2003对大坝两岸边坡进行位移变形监测。由于监测结果中包含测量仪器、测量条件和测量过程误差,利用db3小波和db6小波进行去噪处理,获取更具真实性和稳定性的数据。通过对比分析,db6小波去噪效果比db3小波好,调用函数提取db6小波分解前后的高频系数,可以判断出噪声主要集中在高频中前两层。     

New Approaches for Permanent Downhole Gauge (PDG) Data Processing

Abstract

One of the major issues in processing permanent downhole gauge (PDG) data is that too many transients exist over a reasonable time period, say 6 months. A formula was proposed to predict the transients that may be detected or missed. Reasonable prediction was achieved via the formula.

Noise usually exists in data recorded by PDGs. Denoising is thus one of the most important steps in PDG data processing. In order to denoise the data, the data noise level must be estimated beforehand. Unfortunately, the data noise level is typically case-dependent, and therefore, it is impossible to identify a universal value for the level that may be used for all the application scenarios.

One appropriate approach to estimate the noise level is to first best fit the data, subtract the predicted pressure response from recorded values, and then calculate the noise level based on the difference. We propose to apply nonlinear regression via the Polytope method (Gill, Murray, and Wright, 1981 Gill, P. E., Murray, W. and Wright, W. H. 1981. Practical Optimization, London: Academic Press.  [Google Scholar]) for best-fitting PDG data to determine the noise level. It is found that the new approach is superior to the least square error (LSE) linear regression as used by Khong (2001) Khong, C. -K. 2001. Permanent downhole gauge data interpretation, Master's thesis Stanford University, Petroleum Engineering Dept.. June [Google Scholar], because the bottom-hole wellbore pressure response in a well should be treated as a nonlinear function of time over the majority of the well production/injection/shut-in period. Unless a very small range of the data (say 2 h) is considered, a linear pressure response with time is not anticipated. Furthermore, with nonlinear regression through the Polytope approach, there is no strong restriction in data quantity and data density, hence, automatic detection of the data noise level can be implemented.