Shearlet-TGV地震数据随机噪声压制方法技术

针对Shearlet阈值收缩与TGV的优势与缺陷，本发明专利技术提出一种Shearlet

【技术实现步骤摘要】
Shearlet
‑
TGV地震数据随机噪声压制方法


[0001]本专利技术属于地震数据处理
，具体涉及一种地震数据随机噪声压制方法。

技术介绍

[0002]在地震数据采集过程中，通常会受到各种噪音的干扰，例如，采集环境、采集仪器。地震记录中包含了大量的随机噪声，降低了地震记录的信噪比和识别精度，不利于后续的数据处理和最终的剖面解译。因此，随机噪声压制是地震数据处理的关键步骤之一。
[0003]稀疏变换是随机噪声压制的主要方法之一。根据地震记录在变换域中有效信号和随机噪声对应系数的数值大小、分布特征的区别，选取合适的阈值函数及阈值计算方法，进行有效信号与随机噪声的分离，达到去除随机噪声的目的。
[0004]Shearlet变换(Guo K H,Labate D.2007.Optimally sparse multidimensional representation using shearlets.SIAM Journal on Mathematical Analysis,39(1):298
‑
318.)作为一种新的稀疏变换方法，具有多尺度、多方向的特性，能够很好地刻画信号的局部特征。与其它的多尺度分析方法相比，Shearlet变换具有更简单的数学结构，对尺度和方向表征更加细腻，在逼近曲线时采用更少的系数，适合处理包含纹理、轮廓和边缘信息的地震数据。但是简单的Shearlet阈值收缩处理会引入边界效应。这种干扰在地震数据处理中对地震资料的解释有消极的影响，可能引入虚假层位，影响最终的构造识别结果。
[0005]全变分(Total Variation，TV)(Rudin L,Osher S,Fatemi E.1992.Nonlinear total Variation based noise removal minimization.Physica D,60:259
‑
268.)方法能够在随机噪声压制的同时，保持边缘信息，但其仅考虑了一阶导数，容易引起“油画”效应(Oil
‑
painting)。Bredies等人(Bredies K,Kunisch K,Pock T.Total Generalized Variation.2010.SIAM Journal on Imaging Sciences,3(3):492
‑
526.)提出广义全变分(Total Generalization Variation,TGV)方法，充分考虑了高阶导数的影响，在兼顾计算耗时和效果的基础上，扩展到了二阶导数，一定程度上压制了“油画”效应，提高了估计结果的质量，但有时并不理想。

技术实现思路

[0006]针对Shearlet阈值收缩与TGV的优势与缺陷，本专利技术提出一种Shearlet
‑
TGV地震数据随机噪声压制方法。本专利技术提出将Shearlet阈值收缩的结果作为TGV方法的输入，再通过循环迭代，不断地从TGV的差剖面中提取有效信号，进行叠加，获取最佳的去噪结果。TGV方法用于压制Shearlet阈值收缩产生的边界效应，同时，利用Shearlet阈值收缩的结果作为输入，减轻TGV方法的“油画”效应。在迭代过程中，自适应地改变TGV规则化项的权重系数，不断地从TGV差剖中提取有效信息，进行有效信号的叠加，进而估计出最佳的随机噪声去除结果。
[0007]本专利技术的目的是通过以下技术方案实现的：
[0008]一种Shearlet
‑
TGV地震数据随机噪声压制方法，包括如下步骤：
[0009]步骤1、读取二维地震数据，对二维地震数据进行Shearlet变换，所述的具体过程如下：
[0010]s＝S(u)(1)
[0011]式中，S表示Shearlet正变换，s表示Shearlet系数，u表示二维含噪地震数据，u＝u0+n，u0表示有效地震信号，n表示随机噪声；
[0012]步骤2、对Shearlet系数s进行阈值收缩去噪，所述的具体过程如下：
[0013]通过硬阈值函数T保留大的Shearlet系数，去除小的Shearlet系数；所用的硬阈值函数T定义为：
[0014][0015]式中，C为常数变换，λ为某一尺度角度下Shearlet系数的均方根，随尺度和角度的变化而变化，σ为噪声标准差；
[0016]步骤3、对保留的Shearlet系数进行Shearlet逆变换，获得Shearlet阈值收缩去噪的结果u
S
，所述的具体过程如下：
[0017]u
S
＝S
‑1(T(s))(3)
[0018]式中，S
‑1表示Shearlet逆变换，u
S
表示Shearlet阈值收缩去噪的结果；
[0019]步骤4、将u
S
作为TGV的输入进行处理，获取Shearlet
‑
TGV联合去噪的结果u
ST
；所述的具体过程如下：
[0020]u
ST
＝TGV(u
S
)(4)
[0021]式中，u
ST
表示经过Shearlet
‑
TGV联合去噪的结果，TGV可以表示为一阶差分p和它导数ζ(p)的组合，定义如下：
[0022][0023]式中，α0和α1为权重系数；
[0024]步骤5、由于TGV去噪方法对有效信号的损伤，其差剖面u
R
＝u
S
‑
u
ST
中，将残留有效信号；通过对Shearlet
‑
TGV联合去噪结果的迭代，不断地从每次迭代的TGV差剖面u
R
中提取剩余的有效信息，进行叠加，进而获得去噪结果；所述的具体过程如下：
[0025][0026]式中，k表示迭代次数，u
kR
‑
ST
表示从第k次的TGV差剖面中提取的有效信号，u
D
表示最终的去噪结果；
[0027]由于每次经过Shearlet阈值去噪以后的结果，所含的噪声不同，则需要更新TGV中的权重系数α0和α1，在给定初始值的条件下，定义权重系数如下：
[0028][0029]通过迭代计算，直到满足停机准则或者达到最大迭代次数，则给出最终的去噪结果u
D
。
[0030]与现有技术相比，本专利技术的优点在于：
[0031]1、先进行Shearlet域阈值收缩，再进行TGV，通过Shearlet变换能够将地震数据进
行有效的剖分，使地震数据在Shearlet域得到最佳的稀疏表示，通过收缩阈值，可以有效的去除随机噪声，再将Shearlet域阈值收缩的结果作为TGV方法的输入，可以减轻TGV的“油画”效应。
[0032]2、TGV具有去除随机噪声的能力，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种Shearlet
‑
TGV地震数据随机噪声压制方法，其特征在于，包括如下步骤：步骤1、读取二维地震数据，对二维地震数据进行Shearlet变换；步骤2、对Shearlet系数s进行阈值收缩去噪；步骤3、对保留的Shearlet系数进行Shearlet逆变换，获得Shearlet阈值收缩去噪的结果u
S
；步骤4、将Shearlet阈值收缩去噪的结果u
S
作为TGV的输入进行处理，获取Shearlet
‑
TGV联合去噪的结果u
ST
；步骤5、通过对Shearlet
‑
TGV联合去噪结果的迭代，不断地从每次迭代的TGV差剖面u
R
中提取剩余的有效信息，进行叠加，进而获得去噪结果；具体处理过程如下：式中，k表示迭代次数，表示从第k次的TGV差剖面中提取的有效信号，u
D
表示最终的去噪结果；由于每次经过Shearlet阈值去噪以后的结果，所含的噪声不同，则需要更新TGV中的权重系数α0和α1，在给定初始值的条件下，定义权重系数如下：通过迭代计算，直到满足停机准则或者达到最大迭代次数，则给出最终的去噪结果u
D
。2.根据权利要求1所述的Shearlet
‑
TGV地震数据随机噪声压制方法，其特征在于，在步骤1中，所述的二维地震数据Shearlet变换具体过程如下：s＝S(u)(1)式中，S表示Shearlet正变换，s表示Shearlet系数，u表示二维含噪地震数据，u＝u0+n，u0表示有效地震信号，n表示随机噪声。3.根据...

【专利技术属性】
技术研发人员：王峰，杨勇，王宇驰，盖俊鹏，卢晓泽，宋贺，
申请(专利权)人：鞍钢集团矿业有限公司，
类型：发明
国别省市：