论文部分内容阅读
地震勘探是石油、天然气勘探重要手段,地震勘探随机噪声压制是地震勘探信号处理不可或缺的组成部分。如何从强噪声、低信噪比背景下提取微弱的有效信号一直以来都是噪声压制的核心问题。传统的噪声压制方法绝大部分都是从待处理信号自身出发,没有借助有效信号的真实统计信息即统计学习理论中的先验知识,这一缺陷某种程度上限制了噪声压制方法在该领域实际场景下的应用及其现。近年来,机器学习的兴起为提高地震勘探资料的信噪比和更高的分辨率提供了新思路。与传统的噪声压制方法相比,利用机器学习方法建立统计先验模型可以更为精准的从目标信号抽取统计特征,更贴近目标信号的本质,以此来代替传统方法中关于信号先验的某些假设,且建模效率更高。高斯混合模型(Gaussian Mixture Model,GMM)是一种典型的先验统计模型,利用高斯混合模型进行噪声压制的块期望对数似然去噪算法(Expected Patch Log Likelihood,EPLL)具有良好的图像去噪效果。基于EPLL算法在噪声压制方面的优势,本文引入EPLL算法压制地震勘探随机噪声。考虑地震信号处理的特点,采用EPLL算法压制地震勘探随机噪声时需要考虑地震数据的特点。地震勘探数据中的噪声是非平稳的,产生块期望对数似然算法参数不适配的问题,导致信号畸变。此外,直接采用自然图像块样本中学习高斯混合模型作为先验模型(简称为通用高斯混合模型),虽然能够有效地压制噪声,但对信号的恢复能力不足。另一方面,由于地震勘探信号样本的缺失,在某种程度上还未能达到最佳的噪声压制处理效果。因此,本文从地震勘探信号的统计模型、适应地震勘探噪声非平稳的属性,GMM模型优化入手,提出基于加权混合模型的EPLL地震勘探随机噪声压制算法。针对非平稳噪声下的参数不适配问题,我们首先设计一个基于块噪声水平的分类模型,该分类模型的基本思想是基于最小化类内小块噪声方差,设定初始阈值,对所有小块分为两个类别,如果当前同一类别中的小块类内方差满足条件,则停止分类,否则继续对当前类别小块分类。在完成分类之后,不同类别中的小块具有相同的噪声水平,然后将块分类模型与EPLL算法框架相结合,提出基于块分类的EPLL算法。对不同噪声水平的块分组适配以不同的参数,进而增强EPLL算法在非平稳噪声压制方面的适应性。单一的目标高斯混合模型对背景区域的噪声压制效果不足,容易产生脉冲状的干扰。而原有的通用高斯混合模型对地震勘探信号还原能力尚可,但对背景区域噪声压制效果较好。考虑到两个模型各自的优缺点,我们将两个模型相结合作为先验模型,在已有的块分类基础之上,进一步提出基于加权高斯混合模型的EPLL算法。在对背景区域的小块进行处理时,通用高斯混合模型占有相对较大的权重,而处理同相轴区域的信号块时,目标高斯混合模型的权重较大。这样,我们通过将两个模型相结合的模型,提高了EPLL算法噪声压制以及信号恢复能力,同时又避免了单一模型的缺陷。最后,我们通过实验验证基于加权高斯混合模型的EPLL算法能有效的压制非平稳随机噪声,并且对目标信号及其细节有着良好的还原效果。相对于传统的噪声压制方法,本文提出方法有着更高的信噪比和分辨率,为进一步探明地下地质结构以及油气资源分布提供了稳定的随机噪声压制方案。