检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于区域分割梯度直方图保持的地震信号去噪

激光与光电子学进展 2020年第10期57卷 46-54页

作者：翁丽源周亚同何静飞李晓璐河北工业大学电子信息工程学院天津300401

在采集地震信号时可能会伴随着随机噪声,有些去噪算法会平滑掉地震信号中的部分细节,从而降低地震数据的准确性。为此提出了一种基于区域分割梯度直方图保持(SGHP)的地震信号去噪算法,该算法先将地震含噪信号分成几个区域,再估计每个区... 详细信息

在采集地震信号时可能会伴随着随机噪声,有些去噪算法会平滑掉地震信号中的部分细节,从而降低地震数据的准确性。为此提出了一种基于区域分割梯度直方图保持(SGHP)的地震信号去噪算法,该算法先将地震含噪信号分成几个区域,再估计每个区域的参考梯度直方图,最后对每个区域使用梯度直方图保持进行去噪,使得去噪后的地震信号的梯度分布尽可能接近原始信号,从而达到保护地震信号细节的目的。利用SGHP分别对合成地震信号和叠后陆上地震信号进行去噪,与非局部均值滤波(NLM)、块匹配三维(BM3D)协同滤波和聚类稀疏表示(CSR)的去噪效果进行对比,采用峰值信噪比和结构相似度的评价指标进行评估,结果表明,SGHP的去噪效果最优。

关键词：图像处理地震信号去噪区域分割梯度直方图保持梯度分布

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的地震信号去噪研究

基于卷积神经网络的地震信号去噪研究

作者：杨翠倩河北工业大学

学位级别：硕士

地震勘探是分析地层结构、油气能源以及矿产资源不可或缺的手段之一。然而在采集过程中,地震信号不可避免地被大量随机噪声污染,降低地震成像质量,进而影响后续分析。近年来,基于卷积神经网络(Convolutional Neural Network,CNN)的地震... 详细信息

地震勘探是分析地层结构、油气能源以及矿产资源不可或缺的手段之一。然而在采集过程中,地震信号不可避免地被大量随机噪声污染,降低地震成像质量,进而影响后续分析。近年来,基于卷积神经网络(Convolutional Neural Network,CNN)的地震信号去噪算法已经成为研究热点。针对现有的基于卷积神经网络的地震信号去噪算法在特征提取方面的局限性以及依赖于同一尺度特征信息等问题,研究并提出了三种基于卷积神经网络的地震信号去噪算法。主要研究内容如下:(1)基于全局上下文和注意力机制深度卷积神经网络的地震信号去噪研究在地震信号处理中,随机噪声的衰减是提高地震信号信噪比的关键。由于目前的卷积神经网络大多只关注局部特征,在特征提取方面存在局限性。为此,提出一种基于全局上下文和注意力机制的深度卷积神经网络(Global Context and Attention-based Deep Convolutional Neural Network,GC-ADNet),并以残差学习衰减地震信号的随机噪声。首先,全局上下文模块(Global Context Block,GCBlock)既关注局部信息,又能提取全局上下文信息;同时注意力模块(Attention Block)不仅强调地震信号的关键特征,还能高效提取隐藏在复杂背景中的噪声信息。之后,加入残差学习和批规范化方法加快网络的训练和收敛速度,并使用扩张卷积扩大上下文信息并降低计算成本。将GC-ADNet应用于人工合成地震信号和实际海上地震信号,并且与BM3D(Block-matching and 3D filtering)、WNNM(Weighted Nuclear Norm Minimization)和Dn CNN(De-noising Convolutional Neural Network)等去噪方法比较。实验采用峰值信噪比(PSNR)和结构相似性(SSIM)等评价指标,结果表明GC-ADNet能够更有效压制随机噪声,保留有效地震信号。(2)基于金字塔注意力残差神经网络的地震信号去噪研究目前基于卷积神经网络的地震信号去噪方法大都依赖于同一尺度上的特征信息,无法充分利用地震信号的自相似性。为解决这一问题,提出一种基于金字塔注意力的残差神经网络(Pyramid Attention Residual Neural Network,PARNet)用于地震信号去噪。具体地,将残差块(Residual Block,Res Block)、带有多核卷积层的并行空间和通道注意的残差块(Spatial and Channel-wise Attention Residual Block with Multi-kernel Convolution Layer,MSCARB)以及金字塔模块(Pyramid Module)结合构成了PARNet的主要框架。其中,MSCARB不仅能够提取更丰富的特征,并且关注通道和空间维度的特征,以实现更强的特征表示;金字塔模块利用不同扩张率的扩张卷积捕获多尺度特征、全局上下文模块捕获全局信息,两者的结合可以捕获多尺度全局上下文特征。通过合成地震信号和实际海上地震信号对该方法进行验证。实验采用PSNR和SSIM作为评价指标,大量实验证明PARNet具有高效的去噪能力,与其它对比去噪方法相比具有竞争优势。(3)基于多级小波残差神经网络的地震信号去噪普通卷积网络通常以计算成本为代价扩大感受野。近来,采用扩张卷积解决该问题,但可能造成网格效应。为在感受野大小和计算成本之间取得更好的平衡并保留更详细的地震信号纹理,提出多级小波残差卷积神经网络(Multi-level Wavelet Residual Convolution Neural Network,MW-ORCANet)。其核心思想是将小波变换(Discrete Wavelet Transform,DWT)嵌入改进的CNN架构中,以降低特征图的分辨率并增大感受野,之后利用逆小波变换(Inverse Wavelet Transform,IWT)重建高分辨率特征图。此外,综合利用MSE和SSIM的联合损失函数增强地震信号去噪后纹理细节的清晰度。实验仍然采用PSNR和SSIM作为评价指标,人工和地震信号和实际地震信号去噪结果表明,与现有去噪方法对比,MW-ORCANet算法能够有效压制随机噪声、保持地震信号纹理的清晰度。

关键词：地震信号去噪卷积神经网络注意力机制金字塔多级小波变换

基于Surfacelet的视频修复与三维地震信号去噪

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Surfacelet的视频修复与三维地震信号去噪

作者：江山西南交通大学

学位级别：硕士

实际工程中不断提出的新需求和基础理论研究方面的新突破,推动了信号处理学科的快速发展。多维信号表示方法研究,近十余年来也从以多尺度多分辨率的小波变换为主的研究,发展到现在的以冗余的多方向多尺度的超小波变换为主的研究。超小... 详细信息

实际工程中不断提出的新需求和基础理论研究方面的新突破,推动了信号处理学科的快速发展。多维信号表示方法研究,近十余年来也从以多尺度多分辨率的小波变换为主的研究,发展到现在的以冗余的多方向多尺度的超小波变换为主的研究。超小波能够很好地表示边缘、轮廓和纹理等具有高维奇异性的几何特征,其中Surfacelet超小波能够捕捉三维的曲面奇异,为三维信号处理提供了有效的工具。本文围绕Surfacelet的学习研究与应用为中心,展开了探讨。论文首先介绍了Surfacelet超小波的由来、基本原理和性质,并且用Surfacelet与DTWT和3-D Curvelet做了性能分析与对比。然后针对视频小尺度破损的修复质量不理想的问题,本文根据Surfacelet的稀疏特性,结合了稀疏重构的思想,实现了基于Surfacelet稀疏重构的视频修复算法。该算法根据Surfacelet变换的多尺度多方向且高效树状结构的三维稀疏变换特性,能够有效捕捉视频中的曲面奇异,从而在Surfacelet变换域上更稀疏的表示原视频信号,来构造稀疏性全局优化的目标函数,并采用松弛算法求解该目标函数。实验结果表明,该算法较现有的三维偏微分方程的修复算法不仅能够提高视频的纹理和结构信息的修复效果、很好的抑制运动虚像而且不需要任何复杂的分割、边缘检测等预处理。最后论文针对低信噪比数据的叠前去噪处理的高信噪比、高分辨率、高保真度的“三高”要求,和地震信号为三维信号而大多现有算法却是二维处理的问题,结合地震信号的频率成分特点,实现了基于Surfacelet的三维地震信号去随机噪声算法。该算法根据Surfacelet变换的稀疏特性,在变换域对有效信号与噪声去相关,最后经过Monte Carlo法估计变换域系数的各个方向的子带上的权值和高维信号阈值来反变换重建地震信号。该算法较现有算法不仅能提高去噪效果,而且能够很好的保留有效信号。且在低信噪比数据处理时较现有的Curvelet去噪算法效果有显著提升。

关键词：三维信号处理 Surfacelet 视频修复地震信号去噪

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏先验的地震信号去噪研究

基于稀疏先验的地震信号去噪研究

作者：翁丽源河北工业大学

学位级别：硕士

地震勘探信号去噪是提高地震信号信噪比的关键步骤,也是地震信号处理领域非常具有挑战性的研究问题。近年来,由于变换域内的地震信号具有一定的稀疏性,基于稀疏先验的地震信号处理已逐渐成为地震勘探信号领域的研究热点之一。本文以地... 详细信息

地震勘探信号去噪是提高地震信号信噪比的关键步骤,也是地震信号处理领域非常具有挑战性的研究问题。近年来,由于变换域内的地震信号具有一定的稀疏性,基于稀疏先验的地震信号处理已逐渐成为地震勘探信号领域的研究热点之一。本文以地震信号稀疏先验为框架,对地震信号开展去噪研究,论文主要研究内容如下:(1)基于区域分割梯度直方图的地震信号去噪地震信号的梯度先验属于局部稀疏先验,基于此提出了一种基于区域分割梯度直方图保持(Segmentation Gradient Histogram Preservation,SGHP)的地震信号去噪算法。该算法首先将地震含噪信号分成几个区域,然后估计每个区域的参考梯度直方图,最后对每个区域使用梯度直方图保持(Gradient Histogram Preservation,GHP)进行去噪,使得最终得到的去噪地震信号的梯度分布尽量接近原信号的梯度分布,从而达到保护地震信号细节的目的。对合成地震信号和叠后陆上地震信号分别去噪,并与非局部均值滤波(Non-local Mean filtering,NLM)、块匹配三维协同滤波(Block Matching3D cooperative filtering,BM3D)、聚类稀疏表示(Clustering Sparse Representation,CSR)等去噪算法进行对比,采用峰值信噪比、结构相似度等指标进行评价,结果表明SGHP在上述去噪算法中效果最优。(2)基于小波-交叠稀疏高阶全变分的地震信号去噪全变分(Total Variation,TV)地震信号去噪是在稀疏变换域对地震信号进行去噪,基于此提出了一种基于小波-交叠稀疏高阶全变分(Wavelet-High Order Total Variation with Overlapping Group Sparsity,WHOGS-TV)的地震信号去噪算法。首先将含噪地震信号进行小波变换,分解为高频和低频部分,然后对高频部分使用硬阈值处理,对低频部分进行交叠稀疏高阶全变分,最后通过小波逆变换输出去噪地震信号。通过叠后、叠前地震信号的去噪实验,验证了与交叠稀疏高阶全变分(High Order Total Variation with Overlapping Group Sparsity,HOGS-TV)、高阶全变分(High Order Total Variation,HOTV)、交叠稀疏全变分(Total Variation with Overlapping Group Sparsity,OGSTV)等算法相比,本文算法具有更好的去噪能力,而且能很好保留地震信号细节。(3)基于聚类的低秩近似地震信号去噪提出一种基于聚类的低秩近似去噪算法,首先对地震信号进行高斯混合模型聚类(Clustering based on Gaussian Mixture Model,GMM),然后对每一类信号块进行低秩近似并将各类信号块合并成完整的去噪地震信号。地震信号的低秩形式也是地震信号稀疏性的一种体现,算法本质上是结合地震信号的稀疏先验和自相似性先验信息进行去噪。该算法对含噪信号块组进行高斯混合聚类,然后对同一类的块组通过低秩近似进行降噪。将该算法与块期望对数似然去噪算法(Expected Patch Log Likelihood,EPLL)、加权核范数最小化算法(Weighted Nuclear Norm Minimization,WNNM)、非局部自相似性块组学习算法(Patch Group Based Non-local Self-similarity Prior Learning for Image Denosing,PGPD)等去噪算法进行对比,通过峰值信噪比、结构相似度等评价指标对比可以验证本文算法优于上述去噪算法。

关键词：地震信号去噪稀疏先验梯度直方图高阶全变分高斯混合聚类低秩近似

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于EMD与1D全变分的地震信号去噪

基于EMD与1D全变分的地震信号去噪

作者：王均蓉成都理工大学

学位级别：硕士

地震资料去噪，是地震资料处理的关键环节，去噪效果的好坏直接影响后继的处理工作。地震资料处理中有三高标准即高信噪比、高分辨率、高保真度，其中信噪比是基础，提高信噪比是地震资料的首要任务。随着勘探开发的日益精细化及勘探条... 详细信息

地震资料去噪，是地震资料处理的关键环节，去噪效果的好坏直接影响后继的处理工作。地震资料处理中有三高标准即高信噪比、高分辨率、高保真度，其中信噪比是基础，提高信噪比是地震资料的首要任务。随着勘探开发的日益精细化及勘探条件的复杂化，地质学家们需要更高品质的地震资料，以便更精确的做出地质解释，因此做好去噪的研究工作越来越重要。目前，就资源勘探来说，浅部资源已基本开发殆尽，人们正寻求更深部的矿产资源，在500-2000m之间寻求第二找矿空间。无疑，这将对深部资源勘探技术与方法提出了巨大的挑战，同时也对采集到的野外数据处理提出了更高的要求。几十年来，人们在不断的改进现有的处理技术，或是创造新的处理方法，或是寻求各个方法之间的内在联系，组合最优的处理算法，以期待得到更好的处理效果。论文中首先介绍了地震资料中常见的噪声，及噪声的特征，同时给出了峰值信噪比（PSNR）和边缘保持度（EPI）两个评价去噪效果的评价指标，给出了定量的计算。其次介绍了EMD算法和1D-TV算法的原理以及应用。经验模态分解（Empirical Mode Decomposition,EMD）是一种信号的时频分析方法，该方法在不需要先验知识的条件下，可以将非平稳、非线性信号，依据信号的特征，自适应的分解为多个本征模态函数（Intrinsic Mode Function,IMF）之和，得到高的频率分辨率。然而，一般的去噪方法是将所选择的高频IMF部分取不同的阈值进行滤波或者是直接置为零重构后实现信号的去噪，很显然这会造成高频部分有用信号的损失。1D全变分（Total Variation,TV）,一种有效的信号去噪方法，能够非常好的保护信号边缘信息，但有时也会把噪声当作边缘信息，出现虚假边缘现象。因此，基于EMD和1D-TV的优点提出了一种新的去噪方法，根据对实际金属矿床地震信号处理的结果表明，该算法能有效的消除地震信号中的噪声，并能有效保护地震信号边缘构造信息。最后对这两种算法的混合算法做了阐述，说明了这两种独立的算法是如何在信号去噪时有机的结合在一起的。论文的最后，对本文中的各种去噪方法做了简要的对比与分析，并给出了一些不足与需要进一步研究的设想。

关键词： 1D 全变分 EMD 地震信号去噪

基于深度学习的AutoEncoder地震信号去噪、重建及压缩研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的AutoEncoder地震信号去噪、重建及压缩研究

作者：张世立河北工业大学

学位级别：硕士

地震信号处理包括去噪、重建和压缩等重要环节。由于勘探环境恶劣以及勘探成本提高,采集的地震信号常伴随各种噪声和信息缺失现象,会影响地震信号后续处理。另外随着勘探技术提高,采集得到的地震信号数据量增多,使得地震信号传输及存储... 详细信息

地震信号处理包括去噪、重建和压缩等重要环节。由于勘探环境恶劣以及勘探成本提高,采集的地震信号常伴随各种噪声和信息缺失现象,会影响地震信号后续处理。另外随着勘探技术提高,采集得到的地震信号数据量增多,使得地震信号传输及存储成本提高。近几年深度学习在机器学习领域有了长足发展,特别是深度学习中自编码网络(Auto Encoder)灵活的端到端编码-解码特点,引起了广大研究者的兴趣。如何将深度学习中Auto Encoder用于地震信号处理尤其是去噪、重建和压缩这三个重要环节是一项崭新研究课题。本文在深度学习Auto Encoder的框架下,对地震信号去噪、重建和压缩实施研究。主要研究内容如下:(1)基于Auto Encoder的含加性噪声地震信号去噪算法为衰减地震信号中的加性噪声,有效提高信噪比,提出一种基于Auto Encoder的含加性噪声地震信号去噪算法。算法核心在于构建一个端对端的具有跳跃连接的深度卷积Auto Encoder网络(简称AE-SC)。在AE-SC输入层中,将含加性噪声地震信号作为网络的输入,输入层先进行卷积操作,再进行Leaky Re LU激活函数处理;AE-SC隐藏层含有9层,前8层隐藏层先进行卷积或反卷积操作,再进行Leaky Re LU激活函数处理之前,需要进行批归一化操作,第九隐藏层只进行反卷积操作;AE-SC输出层输出加性噪声。分别针对高斯白噪声、瑞利噪声和指数噪声三种加性噪声,进行海上地震信号去噪实验,并对比卷积神经网络(CNN)去噪算法、常规波原子变换去噪算法和曲波变换去噪算法。实验结果表明AE-SC能有效去除加性噪声,与CNN相比能够缩短训练时间,提高去噪精度。与常规去噪算法相比AE-SC具有更强的去噪能力,从而验证了AE-SC算法的可行性。(2)结合深度卷积Auto Encoder和生成对抗网络的地震信号重建算法为精确重建地震信号,提出一种结合深度卷积Auto Encoder和生成对抗网络的地震信号重建算法。此算法网络结构包括两部分:由深度卷积Auto Encoder构成的生成对抗网络的生成器(简称自编码生成器)和生成对抗网络的判别器。自编码生成器将输入缺失道地震信号进行重建并且输出生成地震信号。在自编码生成器中引入跳跃连接来加快训练速度和提高重建精度。为使生成对抗网络条件生成,由缺失道地震信号与生成地震信号通道叠加形成伪地震信号,由同一缺失道地震信号与作为生成条件的原始地震信号通道叠加形成真地震信号,判别器用于区分伪地震信号和真地震信号。通过训练,生成地震信号不断学习原始地震信号的数据分布规律,最后致使生成地震信号与原始地震信号一致。在测试阶段,只用自编码生成器作为生成重建地震信号的网络结构。以海上地震信号为样本,通过与波原子变换、曲波变换和小波变换重建算法实验对比,结果表明此算法具备较高重建精度。因此该算法对地震信号重建具有可行性。(3)基于深度卷积Auto Encoder的地震信号压缩算法为缩短地震信号传输时间和减少其存储空间,有效压缩地震信号很有必要。为此提出一种基于深度卷积Auto Encoder的地震信号压缩算法(简称CAE)。CAE的网络结构包括四部分:编码器、编码、量化和解码器。首先将待压缩地震信号作为编码器的输入,编码器由一系列卷积层构建而成,在这些卷积层中引入3个残差块来减少杂波,在众多卷积层之后为量化层,量化层之后是输出层,用于输出编码。解码器的输入为编码,解码器由一系列卷积层和反卷积层构成,并且在这些卷积层和反卷积层中同样引入3个残差块,最终解码器的输出为压缩后重构地震信号。用海上地震信号作为训练数据集来训练网络参数。为检测CAE压缩的有效性,针对海上地震信号测试数据集进行压缩实验,并且与JPEG2000压缩算法对比。实验表明在相同压缩比下,CAE的均方误差和峰值信噪指标要比JPEG2000好,CAE压缩后重构效果好;并且在峰值信噪比相同时,CAE具有更高的压缩比。

关键词：地震信号去噪地震信号重建地震信号压缩深度学习 Auto Encoder

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于模态分解技术的地震信号去噪方法研究

基于模态分解技术的地震信号去噪方法研究

作者：宋启航东北石油大学

学位级别：硕士

探索地层内部结构需要对采集的地震信号进行分析研究,然而通常采集的地震信号中不仅仅含有有用信息,也会存在大量不同形式的噪声,特别是近几年勘探深度越来越大,勘探作业区的地质情况也更加复杂,噪声与有用信息相互交织,严重干扰着对其... 详细信息

探索地层内部结构需要对采集的地震信号进行分析研究,然而通常采集的地震信号中不仅仅含有有用信息,也会存在大量不同形式的噪声,特别是近几年勘探深度越来越大,勘探作业区的地质情况也更加复杂,噪声与有用信息相互交织,严重干扰着对其分析处理,所以地震信号去噪变得尤为重要。本文基于模态分解技术对去除地震信号中随机噪声进行一系列研究,主要研究内容如下:首先,深入研究经验模态分解EMD、集合经验模态分解EEMD和完备集合经验模态分解CEEMD三种算法的基本原理以及算法本身存在的弊端,EMD具有模态混叠和端点效应问题、EEMD辅助噪声污染原始信号和CEEMD残余噪声由高阶向低阶传递。采用三种分解算法对纯净信号分解和对模拟地震含噪信号进行传统去噪,分析各算法本身弊端对分解效果的影响和传统去噪方法的不足。其次,基于上述引进一种全新的分解算法:自适应完备集合经验模态分解CEEMDAN,并分析其改进方法以及分解效果,发现其分解效果较EMD、EEMD和CEEMD较好。深入了解样本熵和能量熵概念、阈值去噪方法以及随机噪声和有用信息与实际信号相关性不同问题,提出CEEMDAN自适应阈值去噪方法,实际信号经CEEMDAN分解出的IMF分量使用样本熵划分高低频,对高频分量进行相关性分析,去除有用信息位置系数,保留随机噪声位置系数,构造阈值对高频分量去噪,随后对去噪后的高频分量与保留的低频分量重构以达到去噪目的,通过对理论地震信号、实际地震信号以及含有不同信噪比噪声的含噪信号的去噪,并与传统去噪方法对比,验证本方法不仅解决传统去噪方法高频分量需人为划分的问题,而且在提高信噪比和保留有用信息上也具有优越性。最后,上述CEEMDAN自适应阈值去噪方法对实际地震信号去噪时发现效率较低,因为CEEMDAN是一种递归迭代分解算法,分解地震信号时需做大量迭代和加总平均计算。研究分析在频域内自适应分解的变分模态分解VMD,发现其分解过程不存在大量的迭代和加总平均计算,分解效率更高,通过实验仿真与CEEMDAN对比分析,验证其在分解精度、分解效果、抗噪性等方面更优。由此提出VMD联合能量熵阈值的去噪方法,并通过用该去噪方法与CEEMDAN自适应阈值去噪方法分别对理论地震信号、实际地震信号以及含有不同信噪比噪声的含噪信号的去噪且比较,验证其方法不仅在提高信噪比及保留有用信息都相对于CEEMDAN自适应阈值去噪方法优越,且更适用于处理低信噪比地震信号,运算时长也大为缩小,效率提高。

关键词：模态分解技术地震信号去噪自适应完备集合经验模态分解变分模态分解

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度几何分析的地震信号去噪研究

基于多尺度几何分析的地震信号去噪研究

作者：李民河北工业大学

学位级别：硕士

由于采集环境及仪器性能限制,采集到的地震信号中常伴随有较强的噪声,对后续处理和解释带来很大困难,因此地震信号去噪研究具有重要意义。多尺度几何分析（Multiscale Geometric Analysis,MGA）近年来受到广泛关注,各种MGA算法在地震信... 详细信息

由于采集环境及仪器性能限制,采集到的地震信号中常伴随有较强的噪声,对后续处理和解释带来很大困难,因此地震信号去噪研究具有重要意义。多尺度几何分析（Multiscale Geometric Analysis,MGA）近年来受到广泛关注,各种MGA算法在地震信号信号去噪领域表现出很强的性能优势及发展潜力。Shearlet变换、Contourlet变换、Curvelet变换等MGA算法已在信号处理领域得到广泛应用。非局部均值（Non-local means,NLM）是经典的信号去噪算法,而自由分布式错误发现率（False Discovery Rate,FDR）则是统计学算法,将两者分别应用于变换域处理变换系数,可提高去噪效果。非局部贝叶斯（Non-local bayes,NL-Bayes）同样是经典去噪算法,将其与变换域去噪算法相结合,也可以提高去噪性能。本文在多尺度几何分析框架下深入研究并改进NLM、FDR、NL-Bayes等算法,主要研究内容如下:（1）Shearlet域基于非局部均值的地震信号去噪在Shearlet变换域中引入NLM对地震信号进行去噪,该算法首先对地震信号进行非下采样Shearlet变换,对近似服从广义高斯分布的Shearlet系数进行主成分分析（Principal Component Analysis,PCA）,然后采用NLM处理Shearlet系数,最后对新的Shearlet系数进行Shearlet反变换,得到去噪之后的地震信号。通过对人工合成地震信号及实际海上地震信号去噪,并与NLM、Shearlet硬阈值、维纳滤波的去噪结果进行对比,通过峰值信噪比（PSNR）、均方误差（MSE）、结构相似度（SSIM）等评价指标及实验结果,表明SNLM在低噪声情况下能够获得优于其余三种去噪算法的去噪效果。因此提出的算法具有可行性。（2）Contourlet域基于自由分布式FDR的地震信号去噪将非下采样Contourlet变换（Non-Sub Sampled Contourlet Transform,NSCT）与自由分布式FDR结合对地震信号去噪。该算法使用NSCT对原始地震信号进行变换,由于取消了Contourlet变换中的下采样操作,可有效抵消信号中的Gibbs现象。提出了一种Contourlet域基于自由分布式FDR的地震信号去噪算法,该算法首先对原始地震信号进行NSCT处理,在Contourlet域引入自由分布式FDR算法处理Contourlet系数,利用噪声Contourlet系数趋近于零而有效信号系数较大的特点,将每级Contourlet系数作为一组待检验零假设,首先假设所有的Contourlet系数都由噪声产生,随后发现有一部分系数确实不由噪声产生,那么这一部分发现中就有正确发现（信号）和错误发现（噪声）。通过控制FDR的大小,可控制错误发现的比例,从而增加正确发现的比例,以此设置阈值对Contourlet系数进行处理,再经过反变换即可得到最终的去噪结果。通过对人工合成地震信号及海上地震信号进行去噪实验,由PSNR、MSE、SSIM等度量指标及实验结果表明提出的算法去噪效果最优。（3）Curvelet变换与非局部贝叶斯结合的地震信号去噪Curvelet变换能很好描述地震信号几何特征,NL-Bayes去噪能力强。综合二者的优势,提出一种Curvelet变换与非局部贝叶斯结合的地震信号去噪。该算法首先将原始地震信号经过Curvelet变换得到Curvelet系数,计算噪声标准差设置阈值,处理Curvelet系数再经过反变换即可得到Curvelet变换去噪结果。再将原始地震信号使用NL-Bayes进行去噪,得到NL-Bayes去噪结果。最后使用加权聚合算法将两种去噪结果进行加权聚合,使最终去噪结果能综合两者优势。通过人工合成地震信号与海上地震信号去噪实验,根据PSNR、MSE、SSIM等度量指标及视觉效果表明提出算法具有优越性。

关键词：地震信号去噪多尺度几何分析非局部均值非局部贝叶斯 FDR

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于块结构相似性的地震信号去噪研究

基于块结构相似性的地震信号去噪研究

作者：韩卫雪河北工业大学

学位级别：硕士

地震信号去噪对后续地震信号处理尤为关键。利用地震信号的块结构相似性,有助于去噪算法更准确地辨识有效信号与噪声。通过将地震信号分块,利用信号块间的相似性和冗余信息,增强其有效信号的相关性,为地震信号去噪算法奠定基础,本文提... 详细信息

地震信号去噪对后续地震信号处理尤为关键。利用地震信号的块结构相似性,有助于去噪算法更准确地辨识有效信号与噪声。通过将地震信号分块,利用信号块间的相似性和冗余信息,增强其有效信号的相关性,为地震信号去噪算法奠定基础,本文提出基于块结构相似性的地震信号去噪研究,主要内容如下:（1）基于卷积神经网络（CNN）的地震信号随机噪声去除构建一种基于CNN的地震信号随机噪声去除算法,算法的关键在于构建一个适用于地震信号去噪的CNN,主要包括输入层、卷积层、激活层、归一化层及输出层等。CNN训练过程以分块不含噪地震信号构成信号矩阵作为输入层,由多个卷积层提取并处理地震信号,激活层采用修正线性单元层获取地震信号波动特征,再借助归一化层加速网络训练收敛速度,通过残差学习获得随机噪声并由网络输出层输出。而CNN去噪过程以完整含噪地震信号作为输入层。分别采用CNN、小波变换、双树复小波变换、曲波变换对实际海上叠前地震信号、叠后陆地信号及复杂陆地叠后信号进行去噪,实验结果表明,CNN能有效去除随机噪声,并且比常规去噪算法具有更强的去噪能力,对探索地震信号去噪新途径具有一定的参考价值。（2）基于W加权核范数最小化（W-WNNM）的地震信号盲去噪提出一种基于W-WNNM的地震信号盲去噪算法,首先通过基于弱纹理块选择的噪声水平估计算法（WPCA）估计含噪地震信号的噪声水平:即首先对含噪地震信号分块,在迭代过程中,利用阈值的更新来筛选弱纹理信号块,之后通过主成分分析估计其噪声水平,得到最终估计值;随后将该估计值作为加权核范数最小化（WNNM）的输入参数,去除地震信号所含随机噪声:即在迭代过程中通过权值分配控制矩阵奇异值的收缩程度,逼近原始地震信号。分别对实际海上叠前地震信号、陆地单炮地震信号及陆地叠后地震信号去噪,并与双树复小波变换、曲波变换、WNNM的去噪结果对比。实验结果表明,W-WNNM能够在噪声水平未知的情况下达到良好的去噪效果,并且优于传统去噪算法的去噪性能,从而验证了本文算法的可行性及有效性。对于探索地震信号盲去噪具有一定的参考价值。（3）基于加权Schatten p-范数最小化（WSNM）的地震信号去噪将WSNM用于地震信号去噪。与传统的迹范数相比,Schatten p-范数能够保证更准确的信号修复,受到Schatten p-范数与WNNM的启发,结合地震信号的块结构相似性,将地震信号分块构建低秩矩阵,利用WSNM进行地震信号去噪。分别利用WSNM与WNNM对海上叠前地震信号、陆地单炮地震信号及陆地叠后地震信号进行去噪实验,实验中选择WSNM的参数p为最佳值时的去噪性能参数与WNNM对比,实验结果表明,在高噪声水平的情况下WSNM比WNNM对地震信号的去噪效果更好,对高噪声水平下的地震信号去噪研究有一定参考价值。

关键词：地震信号去噪块结构相似性卷积神经网络加权核范数最小化噪声估计加权Schatten p-范数最小化