论文部分内容阅读
由于采集环境及控制采集成本等因素的影响,地震信号获取中不可避免会掺杂不同水平的随机噪声,随机噪声会对水平叠加、反演和偏移等后续处理步骤造成严重影响,因此地震信号去噪具有重要研究意义。小波变换(Wavelet,WT)与轮廓波变换(Contourlet,CT)等稀疏变换方法在信号去噪领域已有广泛应用;非局部均值(Non-local means,NLM)与双边滤波器(Bilateral filtering,BF)等滤波算法同样是经典的信号去噪手段,而统计近邻法(Statistical Nearest Neighbors,SNN)邻域选择策略可提高NLM与BF的去噪性能。为将地震信号与噪声更有效分离,本文分别在稀疏变换与统计近邻法(SNN)基础上对地震信号去噪展开研究。主要研究内容如下:(1)融入循环平移(Cycle spinning)的小波-轮廓波变换(Wavelet-Contourlet,WCT)地震信号去噪将WT与CT两种稀疏变换结合,并借助循环平移消除信号中伪吉布斯现象,提出一种融入循环平移的WCT地震信号去噪算法(CS-WCT)。该算法首先对地震信号进行循环平移,然后用WT代替CT中的拉普拉斯金字塔(Laplace pyramid,LP)变换,对信号进行WCT变换处理,再使用阈值函数去除信号中的噪声,最后做相应的反变换及逆循环平移,得到去噪后的地震信号。对合成信号、叠后陆上信号与叠前海上信号去噪,并与经典的WT、CT及WCT去噪结果对比,实验采用均方误差(MSE)、峰值信噪比(PSNR)和结构相似性(SSIM)等评价指标,结果表明提出的算法去噪效果最优。(2)基于统计近邻法的非局部均值地震信号去噪使用近邻法(Nearest neighbors,NN)的邻域集选择策略可减轻传统NLM算法的计算负担,但同时会引入预测误差影响去噪性能。SNN邻域集选择策略可以减少上述偏差,并去除NN带来的视觉可见的人工伪影。因此本文以SNN为框架,提出一种基于统计近邻法的非局部均值地震信号去噪算法(SNN-NLM)。SNN收集与目标子块平方距离接近其期望值的邻域作为邻域集,代替NN仅以平方距离的大小为标准确定去噪邻域集,然后对邻域集加权取均值,即为目标子块去噪后数据值,对地震信号中所有含噪目标子块重复同样计算,最后将所有目标子块聚合成最终去噪信号。对合成信号、叠后陆上信号与叠前海上信号去噪,并与NLM、基于NN的NLM算法(NN-NLM)去噪结果对比,实验采用MSE、PSNR和SSIM作为评价指标,结果表明提出的算法去噪效果最优,并能够明显消除NN-NLM造成的人工伪影。(3)基于统计近邻法的双边滤波地震信号去噪本文以SNN为框架,提出一种基于SNN的BF去噪算法(SNN-BF),实质是将SNN邻域选择策略与BF相结合提升去噪性能。去噪时该算法使用SNN确定邻域集,然后对邻域集加权取均值,得到去噪后数据估计值,对含噪信号中所有数据点做同样计算,最后合成去噪后信号。对合成信号、叠后陆上信号与叠前海上信号去噪,并与基于NN的BF算法(NN-BF)去噪结果进行对比,实验同样选择MSE、PSNR与SSIM作为评价指标,结果表明提出算法去噪效果更优。