形态分量分析在地震数据重建中的应用

本文从稀疏信号恢复理论出发,采用形态分量分析(MCA)方法重建地震数据。MCA方法的核心是选取合适的字典。首先从地震数据的特点和计算复杂性出发,选取非抽样小波变换(UWT)字典和曲波变换(Curve-let)字典,UWT字典用来稀疏表示地震数据的局部奇异部分,Curvelet字典用来稀疏表示地震数据平滑和线状变化部分;其次将数据分解为形态特征不同的两个分量,采用BCR(Block Coordinate Relaxation)算法求解目标函数;最后对两个分量进行插值重建、合并得到最终的重建结果。模型测试和实际资料处理结果表明:利用MCA方法不仅可以对非均匀和大间距数据进行插值重建,而且可消除空间假频;同时该方法本身还具有去噪功能,不受数据带宽的限制。     

形态分量分析框架下基于DCT与曲波字典组合的地震信号重建

针对单一型数学变换或字典不能有效刻画地震信号的形态特征多样性这一问题,在形态分量分析(MCA)框架下,提出了一种基于离散余弦变换(DCT)与曲波字典组合的地震信号重建方法。该方法首先建立MCA框架下的地震信号重建模型,依托模型将信号分解成局部奇异形态分量以及平滑与线状形态分量。然后采用DCT字典表示局部奇异分量,采用曲波字典表示平滑与线状分量。再以迭代求解方式逐一重建各分量,最后将重建后的分量合并。人工合成地震信号和二维叠前及叠后实际地震信号重建实验结果表明,该方法能很好完成信号重建,重建精度不仅要高于非抽样小波变换(UDWT)与曲波字典组合、曲波与曲波字典组合、余弦调制滤波器组与曲波字典组合,而且更高于DCT,UDWT,或曲波等单一型字典。     

基于压缩感知技术的Shearlet变换重建地震数据

基于预测滤波方法进行地震数据重建的误差偏大,基于波动方程进行地震数据重建的计算量较大,基于某种变换的地震数据重建精度偏低。为此,利用基于压缩感知技术的Shearlet变换重建地震数据。基于信号的稀疏性,在欠采样的情况下,首先根据地震数据的缺失情况设计采样矩阵,然后使用Shearlet变换将地震数据稀疏化,再采用正交匹配追踪算法在Shearlet域中完成对稀疏系数的重建,最后通过Shearlet反变换实现地震数据重建。实验结果表明,基于压缩感知技术的Shearlet变换能够很好地重建地震数据,且重建精度高于基于压缩感知技术的Fourier变换、离散余弦变换、小波变换和Curvelet变换。     

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。     

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。     

基于Curvelet变换的缺失地震数据插值方法

Curvelet变换具有局部性、多尺度性和多方向性,在处理非稳态地震信号中具有较大的优势,可以利用Curvelet变换的压缩特性重建缺失的地震数据。本文首先分析了基于稀疏变换的缺失地震数据插值的基本原理,在反问题正则化理论框架下,针对L2范数约束和L1范数约束条件,分析了两种约束的差异,着重阐述了基于Curvelet变换的L1范数约束的插值方法,其优点在于对非线性同相轴不需要分窗口处理,并将凸集投影算法(POCS)引入到Curvelet变换的插值方法中,通过采用按指数规律衰减的阈值参数加快了迭代收敛的速度。理论和实际算例验证了Curvelet变换插值方法的有效性。     

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。     

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。     

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。     

基于Curvelet变换的稀疏反褶积

常规反褶积方法通常需要假设地层反射系数是稀疏的,然后再利用L1范数反褶积求得稀疏的反射系数来提高分辨率,但常规反褶积方法在提高分辨率的同时降低了信噪比,并且反褶积后同相轴的连续性会变差。针对上述问题,提出了基于Curvelet变换的反褶积方法。Curvelet变换对多维信号具有最好的稀疏表示,能获得最优的非线性逼近,因而可利用Curvelet变换来表示地震反射信号,将其引入到L1范数反褶积后,可利用稀疏的Curvelet系数来描述反射系数,从而无需地层反射信号是稀疏的假设。根据有效信号和随机噪声在Curvelet域中的分布特点,可通过阈值法来压制噪声提高信噪比,并且利用Curvelet变换对地震信号进行多维表示,可实现多维反褶积保持同相轴的连续性。最后,给出了一种阈值循环迭代算法来计算L1范数反褶积问题。研究结果表明,基于Curvelet变换的稀疏反褶积方法在提高地震分辨率的同时能有效地压制随机噪声,并保持同相轴的连续性。     

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。     

基于高阶扩展快速行进法的缺失地震数据重建

传统地震数据重建算法大多采用整体重建模式.受数字图像重建思路启发,提出了一种基于高阶扩展快速行进法的缺失地震数据重建算法.该算法采用局部重建模式,首先将缺失地震数据映射为地震图像,并定量分析映射导致的量化误差; 再采用二抽取小波变换对地震图像进行分解,分解后的低频分量采用高阶扩展快速行进法做局部逐点重建,高频分量通过已重建低频部分的水平、垂直和对角预测滤波做重建; 然后采用小波逆变换得到重建后的地震图像; 最后将地震图像映射回地震数据.叠前和叠后实际地震数据重建实例验证了算法的可行性; 与基于形态分量分析、基于K-奇异值分解(SVD)字典学习等地震数据重建算法的对比结果表明,本文算法具有更快的重建速度和更高的重建精度.     

基于Shearlet变换的自适应地震资料随机噪声压制

传统的阈值选取方法是对所有变换域系数使用统一阈值,但对Shearlet变换而言,各尺度、各方向的有效信号和噪声均存在差异,因此全局硬阈值存在一定局限性;局部阈值可根据一定范围内的系数分布情况确定。针对地震数据去噪过程中传统阈值选取方法的局限性,通过改进自适应阈值函数压制随机噪声,在局部阈值的基础上改进贝叶斯阈值,形成一种适用于Shearlet变换的自适应阈值函数。具体做法为：将信噪比与阈值函数有机关联,并将信噪比作为阈值设定的因素,即不同的信噪比的权值系数不同,可以自适应求取不同尺度阈值,从而最大限度地改善去噪效果,避免有效信号损失,实现自适应去噪。模型试算与实际资料去噪效果表明,在保证有效信号不受损失的情况下,所提方法可恢复被噪声掩盖的弱信号,有效改善去噪效果。     

一种分尺度的面波压制方法

面波是陆上地震勘探中的主要干扰波之一,常规的面波压制方法仅从面波与反射信号在某一方面的差异进行压制,会在一定程度上造成有效信号的损伤。利用不同尺度面波与有效信号的差异,提出一种分尺度分级压制面波的方法。对地震数据的高尺度部分在Shearlet域进行反射波与面波的分离,对地震数据的低尺度部分在S域采用经验模态分解（EMD）的方式进行信噪分离。将该方法用于模型及实际资料处理,处理结果表明了该方法的正确性与有效性;并与Curvelet域的阈值法进行了对比,结果表明此方法在保持反射信息的同时面波压制更彻底。     

基于稀疏冗余表示的三维地震数据随机噪声压制

传统的二维随机噪声压制方法应用于三维地震数据的随机噪声压制时,去噪效果往往不理想,为此提出基于稀疏冗余表示的压制三维地震数据随机噪声的方法.该方法在贝叶斯框架下,通过正交匹配追踪(OMP)和K-奇异值分解(K-SVD)不断迭代更新三维稀疏矩阵和三维超完备离散余弦变换(DCT)字典,利用三维超完备DCT字典作为三维地震数据的稀疏冗余表示,使三维地震数据中随机噪声得到压制.三维模拟数据和实际地震数据试算表明:与常规f-x反褶积法和K-L变换法相比,该方法既提高了三维地震数据体的信噪比,又有效地保护了地震反射信号,而且水平切片的连续性和平滑性很好,构造复杂区域的分辨率也得到提高.     

基于形态分量分析的保幅面波压制方法

根据近年来发展起来的稀疏信号理论及有效反射波与面波的形态特征不同,将含面波炮记录单道化,采用形态分量分析(MCA)方法分离面波。MCA方法的核心是选取适当的字典,从有效反射波与面波的形态差异出发,选取-维非抽样离散小波波变换(UDWT)字典和局部离散余弦变换(LDCT)字典,-维UDWT字典用来稀疏表示面波部分,-维LDCT字典用来稀疏表示有效反射波部分。采用块协调松弛算法(BCR)求解目标函数,将单道化的含面波单炮记录分为有效反射波部分和面波部分,进而达到去除面波的目的。实际资料处理表明,利用本文MCA方法能够有效压制面波,同时能较好地保护有效反射波(特别是反射波的低频、低波数成分),是-种保幅的面波压制方法。