提高地震图像分辨率的小波域扩散滤波法

地震图像属于线形纹理图像的一种,因此地震同相轴表现为线条结构.采用一致增强性扩散算法可以有效地增强同相轴的连续性并去除地震图像中的随机噪声,在对一致增强性扩散算法仔细研究的基础上,将该算法与小波图像分解算法结合起来.对地震图像小波分解后的低频分量和水平高频分量进行采用一致增强处理,对垂直高频分量和对角高频分量采用阈值收...     

形态分量分析在地震数据重建中的应用

本文从稀疏信号恢复理论出发,采用形态分量分析(MCA)方法重建地震数据。MCA方法的核心是选取合适的字典。首先从地震数据的特点和计算复杂性出发,选取非抽样小波变换(UWT)字典和曲波变换(Curve-let)字典,UWT字典用来稀疏表示地震数据的局部奇异部分,Curvelet字典用来稀疏表示地震数据平滑和线状变化部分;其次将数据分解为形态特征不同的两个分量,采用BCR(Block Coordinate Relaxation)算法求解目标函数;最后对两个分量进行插值重建、合并得到最终的重建结果。模型测试和实际资料处理结果表明:利用MCA方法不仅可以对非均匀和大间距数据进行插值重建,而且可消除空间假频;同时该方法本身还具有去噪功能,不受数据带宽的限制。     

MCA框架下Shearlet和DCT字典组合地震数据重建

相比于单一变换,形态分量分析（MCA）是信号稀疏表示的一种更有效的手段。在MCA框架下,提出了一种Shearlet字典和DCT字典组合的地震数据重建方法。首先,基于MCA框架,分别选取DCT字典和Shearlet字典稀疏表示地震数据中的局部奇异分量与平滑线状分量;随后,通过加入指数阈值模型和指数阈值函数的块坐标松弛（BCR）算法重建各个分量;最后,合并各个分量得到重建结果。合成数据实验和真实数据实验均表明,该方法能够有效地重建缺失地震数据,且重建精度高于单一Shearlet字典、Curvelet+DCT字典组合和Shearlet+Curvelet字典组合。     

非抽样离散小波变换叠前地震数据重建方法

叠前地震数据包含了丰富的地层信息,但在实际勘探中由于受采集条件等影响,叠前地震数据地震道缺失现象严重。针对规则采样不规则道缺失的插值恢复问题,一些传统的插值方法无能为力或者插值效果不佳,而近年来发展起来的非抽样离散小波变换（UDWT）,具有很好的稀疏表示能力,比傅里叶变换能更加稀疏地表示地震数据;根据压缩感知理论,即使不满足Nyquist采样定理的要求,利用极少的观测数据,也可能较好地恢复缺失的地震数据。本文提出一种基于UDWT的地震数据插值方法,对地震数据做插值和规则化处理,可以提高叠前地震数据的完整性,理论模型和实际资料的重建效果验证了方法的有效性和实用性。     

压缩感知框架下基于K-奇异值分解字典学习的地震数据重建

针对地震勘探中由于采集成本及采集环境等诸多因素导致地震数据不完整或者不规则问题,本文提出了一种压缩感知框架下基于K-奇异值分解（K-SVD）字典学习的地震数据重建算法。基本思路是首先对大量地震样本数据进行K-SVD字典训练得到超完备字典,然后引入缺失地震数据的采样矩阵作为测量矩阵。在重建阶段则采用正则化正交匹配追踪（ROMP）实现缺失地震数据的恢复。与传统的基于Curvelet变换或基于傅里叶变换等地震数据重建算法采用单一基函数不同,本文引入的超完备字典能够自适应地根据训练样本数据进行特征提取,并能根据待处理数据的本身特点自适应选取变换基函数。超完备字典为地震数据自适应稀疏扩展提供了更大灵活性,有利于更好地重建数据。合成地震数据以及实际海洋数据重建实验验证了本文算法的可行性及有效性。     

基于压缩感知和Contourlet变换的地震数据重建方法

基于压缩感知技术的地震数据字典重建算法在训练字典时耗时较长,基于压缩感知技术的稀疏变换重建算法对稀疏基的要求较高,权衡信噪比和时间,采用目前已应用于地震数据重建的Contourlet稀疏基,提出了一种基于压缩感知技术和Contourlet变换的地震数据重建方法。首先根据设计的测量矩阵,在Contourlet域中采用快速迭代收缩阈值算法(Fast Iterative Shrinkage-Thresholding Algorithm,FISTA)重建缺失的稀疏系数,然后进行Contourlet反变换完成地震数据的缺失重建。合成数据和实际地震数据测试结果表明,基于压缩感知技术的Contourlet变换能够很好地完成地震数据的缺失重建;与压缩感知技术中常用的短时傅里叶变换和小波变换方法相比,基于压缩感知的Contourlet变换重建结果信噪比更高,并且增加的耗时有限,在可以接受的范围之内。     

形态分量分析框架下基于DCT与曲波字典组合的地震信号重建

针对单一型数学变换或字典不能有效刻画地震信号的形态特征多样性这一问题,在形态分量分析(MCA)框架下,提出了一种基于离散余弦变换(DCT)与曲波字典组合的地震信号重建方法。该方法首先建立MCA框架下的地震信号重建模型,依托模型将信号分解成局部奇异形态分量以及平滑与线状形态分量。然后采用DCT字典表示局部奇异分量,采用曲波字典表示平滑与线状分量。再以迭代求解方式逐一重建各分量,最后将重建后的分量合并。人工合成地震信号和二维叠前及叠后实际地震信号重建实验结果表明,该方法能很好完成信号重建,重建精度不仅要高于非抽样小波变换(UDWT)与曲波字典组合、曲波与曲波字典组合、余弦调制滤波器组与曲波字典组合,而且更高于DCT,UDWT,或曲波等单一型字典。     

基于经验模态分解的广义S变换在低频阴影中的应用

经验模态分解是处理非平稳信号的一种经典时频分析方法。随着在勘探中的广泛应用,也暴露出经验模态分解的许多缺点,如缺乏具体的数学理论支撑、模态混叠等。这些缺点直接影响到实际地震信号处理中含油气层弱信号的提取。基于此,提出了一种通过基于经验模态分解的广义S变换的时频分析方法。首先,对地震数据进行经验模态分解,分解得到的固有模态分量,这是基于地震信号局部特征的时间尺度;其次,根据已有的测井资料选取合适的固有模态分量进行广义S变换;最后,对其进行分频处理和低频阴影分析。对比原地震信号只做广义S变换分频处理,基于经验模态分解的广义S变换能够得到更精确的有效单频剖面。     

压缩感知理论下基于快速不动点连续算法的地震数据重建

地震勘探中由于采集成本和采集条件等因素导致的地震数据不完整性极大地影响了地震数据的后续处理。为此,引入了一种压缩感知理论下的快速不动点连续(fast fixed point continuation,FFPC)算法对缺失的地震数据进行重建。首先对地震数据进行小波变换,然后根据要求选择合适的测量矩阵对地震数据进行缺失处理,最后采用FFPC算法重建缺失后的稀疏地震数据。模型数据及实际地震数据测试结果表明,该算法能够很好地完成地震数据重建,重建后的地震数据具有较高的信噪比。相对于不动点连续(fixed point continuation,FPC)算法,FFPC算法耗时更短、重建效率更高;相对于传统的正交匹配追踪(orthogonal matching pursuit,OMP)以及最小化L1范数的谱投影梯度(spectral projected-gradient for L1minimization,SPGL1)等算法,FFPC算法的重建精度更高。     

标准正交紧支集小波基与地震数据的分解和重建

本讨论了Ｄａｕｂｅｒｃｈｉｅｓ标准正交紧支集小波基，借助于多分辨率分析方法，建立了地震数据的分解和重建算法，并对实测地震数据进行了压缩和重建。     

地震数据分相位重构方法

如何从地震数据中有效提取相位信息并进行分析和应用,是地震数据频率域处理的热点和难点。为此,本文提出了一种地震数据分相位重构方法。首先,对地震道进行时频分析;其次,逐点提取地震道的振幅和相位信息;然后,在[-180°,180°]区间设定待重构的相位值及相位容许误差;最后,对处理后的频谱进行傅里叶反变换,即可得到分相位重构后的地震数据。模型及实际数据应用结果表明,该相位重构方法的处理过程准确高效,易于推广应用。     

基于数据驱动紧框架理论的三维地震数据去噪与重建

由于受经济成本、地质条件等因素限制,地震采集数据一般为欠采样数据且含有噪声,将对数据处理和地质解释产生严重影响。为此,基于数据驱动紧框架（data-driven tight frame,DDTF）理论,研究了三维地震数据去噪和重建问题。DDTF理论限定学习字典为一组平移不变的冗余小波紧框架,通过进一步控制字典的自由度,使DDTF算法拥有良好的鲁棒性,并且利用小波紧框架完美的重构特性,可更好地保留数据的精细特征。仿真实验和实际数据应用结果表明： DDTF算法对结构简单的三维合成地震数据及结构复杂的实际三维地震数据都具有良好的去噪和重建效果,但计算效率较低,还需进一步改进;曲波变换对实际数据的去噪和重建效果较差;块匹配四维协同滤波的去噪和重建结果过于光滑,会丢失一些结构特征。     

基于压缩感知的小波域地震数据实时压缩与高精度重构

地震数据压缩是解决地震仪无线数据传输的一项关键技术。现有技术方案是对现场数据变换编码，消除其冗余达到压缩效果，再解码反变换恢复原始数据。这类方案需要对完整采集的地震数据进行操作，不仅时效性差，造成了硬件资源浪费，而且数据解码难以高精度恢复。针对以上问题，本文基于压缩感知理论（CS）提出一种新的地震数据压缩重构方案，通过构造混沌伯努利测量矩阵（CBMM）对地震数据小波变换后的稀疏系数进行压缩，在下位机端实时编码；为了提高重构精度，采用贝叶斯小波树结构CS重构算法（BTSWCS），根据小波树结构统计特性，构建一个分层贝叶斯CS先验模型，利用马尔科夫链蒙特卡洛推理对模型参数后验估计，在上位机端恢复原始数据。实际地震数据处理表明，使用本方法对总采样点为2⁸的数据压缩，压缩时间可缩短至1.0×10^-5s。低信噪比情况下，本文重构算法使峰值信噪比（PSNR）值至少提升5dB。     

用小波变换和K-L上滤波方法联合提高地震资料分辨率

根据小波变换在时域或频域均具有良好的局部化性质,对小波分解后的频带记录进行了高频补偿,经小波重构后可以发现,地震记录的分辨率得到了有效的提高.之后又对记录进行了K-L滤波,从而大大地提高了地震记录的信噪比.实践证明,这种处理方法是行之有效的.     

聚合经验模态分解和小波变换相结合的地震信号衰减分析

常规经验模态分解（EMD）方法存在模态混叠等问题会造成多解性,从而影响含气层弱信号的识别。为此,引入可改进模态混叠的聚合EMD（EEMD）方法,结合小波变换从地震数据中可提取具有明确物理和地质意义的新地震属性进行含气性检测。具体步骤为：1对地震道进行EEMD。选取具有强相关性的IMF进行重构生成地震道的特征高频子信号;2衰减梯度计算。针对EEMD处理后的IMF高频信号特征,采用改进的动态频率域窗函数,逐点计算地震道特征子信号小波时频图中各点处的对数能量,并逐道、逐点计算地震数据体的衰减梯度;3利用最小二乘法和选择频率域动态窗函数提高衰减梯度的预测精度。对川西海相碳酸盐岩的储层预测结果表明,利用文中方法可以刻画各相带储层的不同强振幅异常特征,尤其对台内滩相储层的强振幅异常更灵敏,可以有效地识别宽带地震响应中特定频率的强振幅异常,同时能较好地抑制地层等影响因素,给出的含烃类统计性解释结果与已知井的含气测试结果相吻合。     

应用快速POCS算法的非均匀地震数据重建

凸集投影(Projection on Convex Sets, POCS)算法已经成功地应用于地震数据重建，灵活且简单。然而该算法要求重构数据必须是在规则网格上进行，由于障碍物等因素导致实际采集数据偏离预设网格点，重构效果不佳，且该算法的收敛速度仅为O(1/k),其中k为迭代次数。针对以上问题，首先构建了非均匀网格地震数据正演模型；然后从快速迭代收缩阈值算法(Fast Iterative Shrinkage Thresholding Algorithm, FISTA)出发，推导并提出了基于曲波变换的快速凸集投影算法(Fast POCS,FPOCS),该算法保留了迭代收缩阈值算法(ISTA)的计算简单性，具有全局收敛速度O(1/k²);是一种快速的地震数据重构方法；最后通过模拟和实际数据处理验证了本文方法的有效性。     

基于迭代最小化稀疏学习的三维地震数据重建

受采集技术、现场环境及经济成本等因素的影响，地震勘探中采集的原始数据往往存在缺炮或缺道等现象，这种数据的不完整性对后续数据处理和成像会造成不良影响，故必须重建此类缺失数据。为此，提出基于迭代最小化稀疏学习（Sparse Learning via Iterative Minimization，SLIM）的方法，主要利用三维地震数据频率切片的二维谐波结构特性，对三维随机缺失地震数据进行重建。即先对三维地震数据沿时间轴方向做傅里叶变换，再利用循环最小化算法（Cyclic Minimization，CM）对频率切片的二维谐波谱进行迭代求解，最后对谱估计做傅里叶逆变换而重构缺失数据。此外，采用共轭梯度最小二乘法实现数据重建过程中的求逆运算，以缩短数据重建时间。试验结果表明：所采用的基于频率切片的SLIM方法对合成和实际三维地震数据均取得了较好的重建效果；该方法的重建性能优于基于频率切片的Hankel矩阵降秩的多道奇异谱分析方法（Multi-channel Singular Spectrum Analysis，MSSA）。     

高分辨率滤波算子在小波域中的提取

常规提高分 率的地震处理方法中,反褶积算子局部化特征差,影响算子的频率。小波变换中,小波函数具有非常好的局部化特征。小波变换分频处理地震资料,也可以得到较好的高分辨率资料,但是分频处理地震资料的时间较反褶积方法长。本文基于小波域分频处理方法,提出了一种在泸滤域中的时间域和频率域构造类似于反褶积算子的滤波算子,并且推导出了适应于高分辨率地震资料的处理的导数小波函数,在时间域采用反褶积方法处理高分辨地