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.     

基于字典训练的小波域稀疏表示微地震去噪方法

地面微地震数据的信噪比很低,严重地影响初至拾取的精度及反演结果的可靠性。为此,研究了基于字典训练的稀疏表示去噪方法,通过曲波变换估算了剖面中的噪声方差,从而将该法用于实际地面微地震资料去噪中;为了改善在低信噪比时的去噪效果,研究了小波域的稀疏表示去噪方法,并与普通的稀疏表示去噪方法进行了定量分析。理论模型及实际资料的处理结果表明:1迭代次数及字典原子的大小会对去噪结果产生较大影响,去噪后数据的信噪比随着两者的增加而增加,但这也会导致计算效率降低。因此,在处理时对于较大的数据可以选择中等大小的字典原子及迭代次数,以保证在得到较高信噪比的同时,具有较快的运算速度;2该方法可以去除传统稀疏表示方法在去噪后引入的"背景斑块",且去噪后的信噪比也得到极大提高。因此,相对于传统的方法,本文的方法具有显著的优势及较好的应用价值。     

基于联合稀疏表示的共偏移距道集随机噪声压制方法

受多解性和单道信号处理方法制约,传统基于稀疏表示的一维随机噪声压制方法面临着单道数据处理方法没有考虑有效信号的空间相关性,去噪的同时会损害有效波,以及稀疏表示算法具有多解性,相邻地震道处理结果差异大,难以适应信号空间变化的问题。叠前共偏移距道集中各波形均为水平同相轴,具有相同的双程旅行时间,各道信号具有相同的支撑。在该道集中利用联合稀疏表示进行随机噪声压制处理,能够兼顾信号的道间相干性和空间变化,降低算法的多解性,参与计算的各道在同一条件下获得最优稀疏表示,因此处理结果具有较好的一致性。数值模拟和实际资料试算结果表明,该方法不仅可以实现随机噪声的压制,而且可以很好地保持有效信号,具有良好的应用效果。     

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,...     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。     

地震数据自适应多层字典学习稀疏表示方法

基于压缩感知（Compressed Sensing,CS）地震数据重构的精度很大程度上取决于用于稀疏表示字典的性能。在K—奇异值分解（K-Singular Value Decomposition,K-SVD）方法中每个训练样本的稀疏级别是固定的,这可能导致原始样本在稀疏表示过程中产生欠拟合或过拟合问题;而且它只使用原始样本的特征作为训练字典,无法利用样本在字典学习过程中产生的隐式特征,从而影响地震数据的重构精度。为此,对K-SVD方法进行了改进,采用自适应多层字典学习（Adaptive Multilayered Dictionary Learning,AMDL）方法对地震数据进行稀疏表示,不但可在字典学习过程中充分利用不同层次的特征,而且还可自适应地确定每一层所选择的原子数。试验结果表明,与K-SVD方法相比,该方法能够为基于CS的地震数据重构提供更准确的稀疏表示。     

用正交多小波压制地震信号的随机噪声

正交多小波可同时具有短支集、对称性或反对称性和正交性，这是一般的正交单小波所没有的性质，因而在处理信号时能取得更好的效果。本文详细说明了应用GHM正交多小波对地震信号进行去噪处理的原理，并给出实际例子说明该方法的有效性。     

基于时间同步提取变换的地震随机噪声压制

随机噪声压制是地震数据处理中的重要环节。本文提出一种基于时间同步提取变换(Time-Synchronous extracting Transform,TSET)和鲁棒主成分分析(Robust Principal Component Analysis,RPCA)的地震随机噪声压制方法。首先通过时间同步提取变换将含噪声的地震数据变换到一个新的稀疏子空间;然后使用鲁棒主成分分析算法将稀疏时频矩阵分解成一个低秩分量和一个稀疏分量;最后,基于时间同步提取反变换将低秩分量由时频域变换到时间域得到去噪后的地震信号。合成模型和实际地震数据用于测试提出的方法,并与传统的f-x预测滤波方法进行对比。结果表明,文中提出的方法不仅能够有效压制地震信号中的随机噪声,而且较好地保留了地震反射信息,从而为后续地震数据处理和解释奠定了基础。     

基于交叠组稀疏非凸Lp伪范数高阶全变分的地震随机噪声压制

针对高阶全变分模型在地震资料去噪中存在严重阶梯效应的问题,引入交叠组稀疏去噪技术;为提升对局部细节的保护能力,加入非凸L_p伪范数正则化,形成一种改进的去噪模型。该模型是从传统孤立的数据点向四周延伸,充分挖掘信号的邻域相似性。由于改进模型存在耦合问题,进一步采用交替方向乘子迭代法将其转化为四个子问题,并在求解过程中采用最大最小值算法和加权方向迭代L₁算法以提高计算精度和效率。模拟数据和实际资料的应用结果表明,所提方法不仅能有效减弱阶梯效应,压制地震数据中的随机噪声,而且具有保护弱小信号局部细节的能力。     

对深层地震勘探中随机噪音的一点认识

在地震勘探过程中,随机噪音是影响地震资料信噪比的主要因素之一,尤其是对能量弱、频率低的深层地震信号。与有规律的线性干扰相比,随机噪音没有固定的视频率和视速度,但在一定的区域范围内,这类干扰又是遵循统计规律的。因此,深入地调查和分析工区内随机噪音的特征及其与施工因素的关系,对于更好地指导野外数据采集具有实际意义。本文结合胜利探区深层试验资料,主要对随机噪音中的环境噪音和次生噪音的特征及其与施工因素的     

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。     

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。     

一种智能化断层保护的随机噪声压制方法

随机噪声是影响地震资料信噪比的主要噪声之一,在地震资料处理中,随机噪声的压制效果直接影响地震勘探成果的可靠性。分析认为,目前最常用的f-x域随机噪声压制方法会损失部分有效信号,特别是存在断层时,f-x域随机噪声压制方法的应用会使断层成像模糊。通常只能采取人工解释断层位置后,再进行非断层区噪声压制以保证断层信息不受损失,工作效率低,效果受人工解释的精度影响较大。为此,提出了一种智能化断层保护的随机噪声压制方法,该方法基于断层与连续介质的基本差异,设计双向预测算子和断层位置自动识别方法,然后在压制随机噪声的同时自动进行断层的加权保护,从而大大减少了传统f-x域随机噪声压制方法的断层模糊效应,并且无需人工解释断层位置,实现了智能化的断层保护机制和随机噪声压制效果。模型数据和实际地震资料测试结果表明:所提方法能够在压制随机噪声的同时自动保护有效信号,使断层清晰成像,从而提高了成果资料的可靠性。     

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。     

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。     

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。