基于二维小波变换的随机噪声压制方法研究

在地震勘探中,随机噪声是一种频带较宽、严重影响有效波的干扰波,常用的一维去噪方法效果不理想。小波变换是一种时频分析方法,根据它的分频和局部分析能力,能有效地消除随机干扰,保留有效波的中、高频成分,经过小波重构,可恢复有效波信号。针对地震信号随机干扰的特点,运用二维小波变换的理论,设计了相应的变换域去噪滤波器。此方法的特点是计算速度快,稳定性好,自适应性强,能对各种地震数据进行去噪处理,模型数据与实际数据的应用效果证明,二维小波变换具有较强的信噪分离能力。     

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。     

自适应数据驱动的紧框架微地震数据随机噪声压制

地面微地震数据的信噪比很低,严重影响初至拾取的精度及反演结果的可靠性。本文首先采用基于弱纹理块的噪声估计方法求取含噪微地震数据中的噪声方差,然后采用数据驱动紧框架方法去噪,有效地压制实际微地震数据中的随机噪声,提高数据的信噪比。理论模型和实际资料的处理结果表明,该方法可以去除传统方法在低信噪比数据去噪后引入的背景斑块,且去噪后的信噪比得到了极大的提高。因此,相对于传统的方法,本文方法具有显著的优势及较好的应用价值。     

叠前随机噪声深度残差网络压制方法

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。     

基于迭代启发网络算法的非平稳随机噪声压制

常规滤波方法常常放大了噪声的影响,同时噪声的存在也限制了分辨率的提升,并"平滑"了地震数据中的不连续信息。为此,提出了基于迭代启发网络(IIN)算法的非平稳随机噪声压制方法,利用迭代启发网络压制非平稳随机噪声,网络结构简单、紧凑。IIN由交替方向乘子算法的迭代过程推导而来,利用L₁范数优化变分模型。在训练阶段,通过增加一个新的辅助变量,将目标函数的极值转化为增广拉格朗日格式,使用L-BFGS(Large-Broyden Fletcher Goldforb Shanno)算法判别、训练所有网络参数,最终得到最优去噪模型。理论模型及实际资料的去噪结果表明:(1)由训练得到的去噪模型根据有效信号的特征,在去噪的同时可保留同相轴的形状特征;采用的迭代网络简单、紧凑,加快了网络的收敛速度,能够用相对较小的数据集和较短的训练时间快速训练去噪模型,达到预期的去噪效果。(2)所提方法具有较强的适应性,有效地压制了常规地震数据中的非平稳随机噪声。     

曲波域随机噪声压制方法——以沙漠地区叠后地震资料为例

沙漠地区油气勘探中,随机噪声是影响地震资料信噪比的主要因素之一。如何有效地压制随机噪声是沙漠地区地震资料处理必须解决的重要难题。传统小波域去噪将地震数据当作一种图像,对其进行多尺度分析,并通过阈值处理进行去噪。由于其无法表达二维地震图像的线性特征,在处理时存在一定的局限性。具有多尺度、多方向分析能力的曲波变换更适合具有曲线或者超平面奇异性的高维信号,将其引入到二维地震图像处理中,利用随机噪声和有效信号在方向上的差异,对噪声通过阈值收缩进行衰减。模型数据试验和实际叠后地震资料处理结果表明,曲波域去噪方法能够比小波域去噪方法更有效地压制随机噪声,减少对有效地震反射信号的损伤,从而证明了该方法的有效性和实用价值。     

小波变换用于去除高频随机噪声

小波变换以小波奇性分析中得出的一些结论作为理论依据，利用连续小波变换情况下信号与噪声呈现出的不同性质来确定信噪比较 的部分，去掉相应的正交小波分量，再经反变换后可达到压制噪声的目的。小波变换用于去除高频随机噪声方法的主要特点是；可以自动地判定低信噪比区间，且无论在时间域或频率域均可局部地进行去除噪声。     

应用双通道卷积神经网络的地震随机噪声压制方法

地震资料中随机噪声的压制一直是人们关注的热点。传统方法难以平衡噪声的去除与有效信号的保护,且执行效率低。为此,提出了基于双通道卷积神经网络的随机噪声压制方法。首先,该网络是一个双通道网络,即由两个结构不同的子网络组成,目的是在压制噪声过程中提取到互补有效信息;其次,在下通道子网络中引入空洞卷积增大感受野,充分捕捉到地震资料中的邻域信息,从而更充分地保留细节信息;最后,借鉴残差学习的思想并使用Swish激活函数,提高了网络的降噪性能。模型和实际资料的实验结果表明,所提方法在有效地压制随机噪声的同时能够保留更丰富的纹理细节信息。     

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.     

奇异值分解压制随机噪声的方法及应用

针对随机噪声压制问题，通过对多项式确定的同相轴形状重新选取数据矩阵，再对新选取的数据矩阵进行SVD滤波，从而压制随机噪声。通过对矩阵奇异值分解的研究，揭示了奇异值分解的原理和SVD滤波原理，将一个多道地震记录看作一个图，它可分解为由一系列正交的子图，通过对子图适当选择并结合其它手段，从而达到提高信噪比的目的，为奇异值分解在地球物理中的进一步应用提供了理论依据。实际数据应用表明，该方法去噪手段灵活、保真性好、分辨率高，对一些突然的脉冲干扰、侧反射、以及其他的反向干扰有明显效果。     

地震图像随机噪声的非局部均值去噪法

随机噪声的存在往往会影响地震图像分析的准确度。为了提高图像分析质量,提出了一种基于非局部均值滤波（ Non Local Means）抑制地震图像随机噪声的新方法。在对滤波像素点去噪时,该方法分配给每个相似像素点的权重不依赖于2个像素点的空间距离,而是依赖以该像素点为中心的图像子块与以当前像素点为中心的子块之间的相似性,且滤波参数h的选取对滤波效果起到至关重要的作用。结合实例,对地震资料进行了具体分析。结果表明,与传统方法（如中值滤波、高斯滤波）相比,采用非局部均值滤波方法合成地震记录和实际数据时,既能有效地抑制地震随机噪声,又能较好地保留地震同相轴陡变处或同相轴弯曲处的边缘细节信息,具有实用性和有效性。     

基于各向异性扩散滤波的地震资料噪声压制方法分析与研究

一般情况下,由于各种因素的影响,地震数据中都会存在一定的噪声,这些噪声会影响构造解释及储层预测的精度,从而会影响后续井位部署以及油气勘探的成功率.从模型试验和实际应用结果可以看出,相对于传统的滤波方法,各向异性扩散滤波,不但可以压制地震资料的噪声,提高地震资料的品质,而且可以有效保护地震资料的边界和断点等构造信息,从而...     

泌阳凹陷三维地震资料叠前噪声压制方法研究

针对泌阳凹陷地震资料的特点及目前实际生产中存在的问题,在叠前噪声压制方面提出了一些具体做法。通过对面波、声波的压制,线性干扰的自动识别和压制,单频干扰的压制,野值脉冲干扰的去除及随机干扰的压制,使资料信噪比有较大提高,从而在整体上提高了地震资料处理的精度。并提出不同地区资料应采用不同的方法,进行有针对性的处理,才能有效压制噪声。     

基于正则化局部自适应核回归的单点高密度地震资料随机噪声压制方法

单点高密度地震资料的波场信息丰富,但同时存在信噪比较低、有效信号严重混杂在噪声中的问题。经典核回归法可以在地震数据中同相轴连续的区域获得近似最佳的滤波效果,但在同相轴突变区域容易造成边缘模糊。为了更有效地处理地震数据,研究了正则化局部自适应核回归（RLASKR）方法进行随机噪声压制。传统核回归法将空间距离作为唯一的回归函数影响因素,而正则化局部自适应核回归方法综合考虑了空间距离和灰度距离,核函数的形状随着不同区域数据样本的特征而变化,因此地震记录中的同相轴边缘信息能够有效地保存下来。模型记录和实际地震数据测试都显示出该方法的灵活性和有效性,验证了该方法在振幅保真和噪声压制方面比传统核回归法有着更好的效果。     

基于正则化局部自适应核回归的单点高密度地震资料随机噪声压制方法

单点高密度地震资料的波场信息丰富,但同时存在信噪比较低、有效信号严重混杂在噪声中的问题。经典核回归法可以在地震数据中同相轴连续的区域获得近似最佳的滤波效果,但在同相轴突变区域容易造成边缘模糊。为了更有效地处理地震数据,研究了正则化局部自适应核回归（RLASKR）方法进行随机噪声压制。传统核回归法将空间距离作为唯一的回归函数影响因素,而正则化局部自适应核回归方法综合考虑了空间距离和灰度距离,核函数的形状随着不同区域数据样本的特征而变化,因此地震记录中的同相轴边缘信息能够有效地保存下来。模型记录和实际地震数据测试都显示出该方法的灵活性和有效性,验证了该方法在振幅保真和噪声压制方面比传统核回归法有着更好的效果。     

基于联合深度学习的地震数据随机噪声压制

噪声压制是地震资料处理中的一项关键任务.根据不同噪声的形成机制、特性,可以采用不同的压制方法,使地震资料的信噪比达到预期,提高后续地震资料处理和解释的效率和精度.现有基于深度学习的地震数据去噪方法,通常仅关注单一时域或频域的特征提取,导致局部过平滑或纹理模糊的现象;此外,传统卷积神经网络的卷积核往往采用固定较小的尺寸,...     

基于卷积降噪自编码器的地震数据去噪

噪声压制是地震勘探中一个长期存在的问题,虽然一些传统方法能够压制数据中的噪声,但存在有效信号丢失、噪声残留等问题。为此,提出了一种基于卷积降噪自编码器的无监督地震数据去噪算法。该算法首先对地震数据进行一定程度的随机损坏,然后将损坏后的地震数据输送到编、解码框架。编码框架负责捕捉地震数据波形特征,据此消除噪声;解码框架能够对特征图进行扩大并恢复地震数据细节信息,从而得到重构的地震数据。最后,将重构地震数据与原始地震数据之间的误差作为收敛代价进行模型训练。考虑到地震数据的复杂性与特殊性,在编码和解码阶段使用了多尺度卷积模块提取地震数据特征。合成数据与实际数据的验算结果表明,该方法在保护地震信号的同时能够有效压制随机噪声、提高地震信号的信噪比。     

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DBBCNN的沙漠区地震资料随机噪声衰减方法

由于沙漠地区采集环境恶劣、地表地质条件复杂,勘探资料信噪比普遍较低;同时,沙漠区随机噪声与有效信号存在频谱混叠现象,噪声压制难度较大,给后续反演、成像和解释等工作带来了不利影响。近年来,以去噪卷积神经网络(Feed-forward Denoising Convolutional Neural Networks,DnCNN)为代表的深度学习去噪方法已应用于复杂随机噪声抑制,但传统降噪网络一般是根据单一尺度信息提取数据特征,导致针对复杂勘探记录的处理能力可能会下降。为实现沙漠地区复杂噪声的有效衰减,提出一种新型多分支去噪卷积神经网络(Diverse Branch Block Convolutional Neural Networks,DBBCNN)。与传统的DnCNN相比,DBBCNN将不同尺度、不同复杂度的分支结合在一起,丰富了特征空间,并且采用长路径操作融合全局特征和局部特征,提升了网络针对弱信号的特征表达能力。模拟和实际数据实验结果表明,DBBCNN可有效压制沙漠地震资料中的复杂随机噪声,且处理后的记录信噪比显著提升。     

基于三维各向异性拉普拉斯滤波的随机噪声压制方法及应用

准噶尔盆地叠后地震资料随机噪声压制主要采用三维空间预测滤波（FXY）方法。由于假设同相轴在短距离内是线性的,因此该方法在提高强能量信号信噪比的同时,也会损伤相对弱小信号,模糊断层和裂缝等线性相关性较差的地质体的信号特征。为此,基于GeoEast系统研发了利用三维各向异性拉普拉斯滤波的随机噪声压制方法。模型试验和在准噶尔盆地不同地区的实际资料应用结果均表明,本文方法对随机噪声的压制效果优于FXY方法,能明显提高地震资料信噪比、较好地保护有效信号、清晰展现地质体边缘特征细节及提高断层成像精度,为后续储层反演和精细地震资料解释夯实了基础。