2. 油气藏地质与开发国家重点实验室, 四川成都 610500;
3. 中国石油集团东方地球物理勘探有限责任公司物探技术研究中心, 河北涿州 072751
2. State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Chengdu 610500, China;
3. R&D Center of BGP, CNPC, Zhuozhou 072751, China
在地震勘探过程中, 随机噪声的存在影响地震数据的后续处理精度, 因此压制噪声对后期地震资料的处理、反演和解释等具重要作用。地震资料去噪方法一般分为原始数据域方法[1-2]和变换域方法[3-6]。原始数据域方法主要包括中值滤波[7-8]、维纳滤波[9]、各向异性扩散滤波等[10]; 变换域方法主要包括离散余弦变换[11-12]、小波变换[13-14]、曲波变换等[15]。这些算法由于缺少对非局部信息的利用, 因此在去除噪声的同时会损害部分有效信号。
DABOV等[16]提出的块匹配三维协同滤波(Block-matching and 3D collaborative Filtering, BM3D)方法将数据域与变换域结合, 充分利用数据自相似性和冗余性信息对随机噪声进行压制, 其核心步骤如下: ①将原始数据分解成多个相同大小的分块数据[17-18]; ②对各分块数据进行二维变换, 即先在列(行)方向进行一维变换, 直至所有列(行)都处理结束, 在此基础上, 再在行(列)方向进行一维变换, 直至所有行(列)都处理结束, 得到二维变换域分块数据; ③在二维变换域, 按目标块和各分块数据的相似程度和给定的阈值进行块匹配[19-20](按照匹配后相似块的块顺序号进行), 得到分组后的三维数据体; ④对分组后的三维数据体在块序号方向进行一维变换得到三维变换域数据, 并进行三维协同滤波(硬阈值滤波和经验维纳滤波)去噪处理; ⑤对分块数据块聚集重构图像, 得到最终的去噪结果。
BM3D方法在去噪[21-22]的同时可较好地保留原始数据的有效信息[23], 因此被广泛用于图像处理和地震数据处理等[24-25]领域。刘向乐等[26]提出的变换域方法为小波变换的BM3D方法, 在图像处理中取得了较好的应用效果。任婷婷等[27]提出的变换域方法为离散余弦变换(discrete cosine transform, DCT)的BM3D方法, 可用于地震数据随机噪声压制。孙成禹等[28]将曲波变换与BM3D相结合, 提出了基于曲波估计噪声的BM3D方法, 并用于实际地震数据的随机噪声压制, 该方法利用曲波变换估计地震数据噪声强度, 并基于估计的噪声强度自适应调整BM3D中的滤波阈值和块匹配参数。张欢等[29]提出结合主成分分析的BM3D方法, 该方法通过对地震数据进行降维, 得到地震数据噪声估计值, 并基于估计噪声值规避传统噪声预估值的局限性, 优化了BM3D对地震数据的噪声估计。
BM3D方法的块匹配及分组结果受块间能量差异影响较大, 去噪精度有待提升; 另外, BM3D方法中的参数选取(如滤波阈值等)需经过多次试验才能确定, 参数选取效率较低。为提高BM3D方法的去噪效果和参数选取效率, 本文提出了基于分块能量归一化的BM3D, 介绍了该方法的基本原理及具体实现步骤, 并将其与传统方法(中值滤波、DCT滤波、BM3D)进行对比。最后通过模型数据和实际数据测试与应用, 验证本文方法的有效性。
1 块匹配三维协同滤波基本原理BM3D由基础估计和最终估计组成, 其核心步骤如图 1所示, 主要分为以下3个方面: ①硬阈值块匹配及分组; ②三维协同滤波, 即基础估计阶段的硬阈值滤波和最终估计阶段的经验维纳滤波; ③块聚集。
硬阈值块匹配及分组包括基础估计阶段的硬阈值块匹配及分组, 最终估计阶段的硬阈值块匹配及分组。基础估计阶段的硬阈值块匹配及分组过程如下: ①数据分块及二维变换, 将大小为Nx×Ny的原始图像分解为N1×N1(N1为正整数)大小的分块数据Ai(i为分块顺序号, 且i∈[1, N], N为分块数据总个数), 并对分块数据Ai进行二维变换得到二维变换域分块数据Bi; ②分块数据相似程度计算, 假定分块数据Bi为目标块, 分块数据Bj(j为分块顺序号, 且j∈[1, N])为搜索块, 并用欧氏距离d(Bi, Bj)判断搜索块Bj与目标块Bi的相似程度; ③变换域相似块匹配, 利用硬阈值τ1(τ1为常数, 且τ1∈[0, +∞)) 和欧氏距离d(Bi, Bj)在Bj中搜索与目标分块数据Bi相似的分块数据, 得到相似块匹配结果Oj; ④相似块分组, 按相似块顺序号j, 对相似块匹配结果Oj进行堆叠, 构建目标块Bi对应的三维数据体Ri, p00(p0表示搜索到的相似块个数, 且1≤p0≤N)。
假设Bi[m][n], Bj[m][n]和Oj[m][n]分别为分块数据Bi, Bj和相似块匹配结果Oj的离散表示, Ri, p00[m][n][l]为三维数据体Ri, p00的离散表示, 其中, m, n和l为正整数, 且m∈[1, N1], n∈[1, N1], l∈[1, p0], 则有:
$ \begin{cases}O_{j}[m][n]=B_{j}[m][n] & \text { if } \quad d\left(B_{i}, B_{j}\right)<\tau_{1} \\ O_{j}[m][n]=0 & \text { if } \quad d\left(B_{i}, B_{j}\right) \geqslant \tau_{1}\end{cases} $ | (1) |
且
$ \begin{gathered} d\left(B_{i}, B_{j}\right)=\left\|B_{i}[m][n]-B_{j}[m][n]\right\|_{2}^{2} \in \\ {[0,+\infty)} \end{gathered} $ | (2) |
式中: ‖·‖2为L2范数; ‖·‖22表示L2范数的平方即欧氏距离。相应地, 有:
$ \begin{gathered} R_{i, p_{0}}^{0}[m][n][l]=\left\{B_{j}[m][n]\right\} \quad \text { if } \\ d\left(B_{i}, B_{j}\right)<\tau_{1} \end{gathered} $ | (3) |
其中, { }表示集合。
最终估计阶段的硬阈值块匹配及分组与基础阶段相似, 其简写过程如下: ①数据分块及二维变换, 将估计图像分解为分块数据Ci, 并得到二维变换域分块数据Di; ②分块数据相似程度计算, 用欧氏距离d(Di, Dj)判断搜索块Dj与目标块Di的相似程度; ③变换域相似块匹配, 利用硬阈值τ2(τ2为常数, 且τ2∈[0, +∞))和欧氏距离d(Di, Dj)得到相似块匹配结果Gj; ④相似块分组, 构建目标块Di对应的三维数据体Ri, p14, 然后, 按Ri, p14中目标块顺序号i和相似块顺序号j构建三维数据体Ri, p15。
假设Di[m][n], Dj[m][n]和Gj[m][n]分别为分块数据Di, Dj和相似块匹配结果Gj的离散表示, 则:
$ \left\{\begin{array}{lll} G_{j}[m][n]=D_{j}[m][n] & \text { if } \quad d\left(D_{i}, D_{j}\right)<\tau_{2} \\ G_{j}[m][n]=0 & \text { if } \quad d\left(D_{i}, D_{j}\right) \geqslant \tau_{2} \end{array}\right. $ | (4) |
且
$ \begin{gathered} d\left(D_{i}, D_{j}\right)=\left\|D_{i}[m][n]-D_{j}[m][n]\right\|_{2}^{2} \in \\ {[0,+\infty)} \end{gathered} $ | (5) |
假设Ri, p14[m][n][l]和Ri, p15[m][n][l]分别为三维数据体Ri, p14和Ri, p15的离散表示, 其中, l为正整数, 且l∈[1, p1], 则:
$ \begin{gathered} R_{i, p_{1}}^{4}[m][n][l]=\left\{D_{j}[m][n]\right\} \quad \text { if } \\ d\left(D_{i}, D_{j}\right)<\tau_{2} \end{gathered} $ | (6) |
且
$ \begin{gathered} R_{i, p_{1}}^{5}[m][n][l]=\left\{B_{j}[m][n]\right\} \quad \text { if } \\ d\left(D_{i}, D_{j}\right)<\tau_{2} \end{gathered} $ | (7) |
由(1)式、(2)式、(4)式和(5)式可知, τ1和τ2越小, 搜索到的相似块越少; τ1和τ2越大, 搜索到的相似块越多。由(3)式和(5)式可知, 欧氏距离d(Bi, Bj)和d(Di, Dj)受分块数据总能量差异影响较大, 并不能完全反映分块数据间的相似度。因此, 在分块数据总能量差异较大的情况下, τ1和τ2的选择会影响BM3D的计算效率, 需多次试验; 且搜索到的相似块不能真正反映搜索块与目标块间的相似度, 影响了三维协同滤波结果, 最终影响BM3D去噪效果。
1.2 三维协同滤波三维协同滤波包括基础估计的硬阈值滤波和最终估计的经验维纳滤波。基础估计的硬阈值滤波过程如下: ①分组数据三维变换, 对块匹配分组后的三维数据体Ri, p00沿块顺序号方向进行一维变换, 得到变换域的三维数据体Ri, p01; ②变换域硬阈值滤波, 对Ri, p01按给定的硬阈值λ1(λ1为常数, 且λ1∈[0, +∞))和加权系数Ki进行滤波处理, 得到三维变换域滤波后的三维数据体Ri, p02; ③滤波数据三维反变换, 对Ri, p02进行三维逆变换T3D-1, 得到原始图像域滤波结果Ri, p03。该滤波过程可表示为:
$ \begin{gathered} R_{i, p_{0}}^{3}[m][n][l]=T_{3 \mathrm{D}}^{-1}\left(R_{i, p_{0}}^{2}[m][n][l]\right)= \\ T_{3 \mathrm{D}}^{-1}\left(R_{i, p_{0}}^{1}[m][n][l] \cdot K_{i}[m][n][l]\right) \end{gathered} $ | (8) |
且
$ K_{i}[m][n][l]=\left\{\begin{array}{lll} 1 & \text { if } & \left|R_{i, p_{0}}^{1}[m][n][l]\right| \geqslant \lambda_{1} \\ 0 & \text { if } & \left|R_{i, p_{0}}^{1}[m][n][l]\right|<\lambda_{1} \end{array}\right. $ | (9) |
其中, |·|表示取模。
最终估计的经验维纳滤波过程如下: ①分组数据三维变换, 对三维数据体Ri, p14和Ri, p15在相似块顺序号方向进行一维变换, 得到三维变换域三维数据体Ri, p16和Ri, p17; ②变换域硬阈值滤波, 利用Ri, p16和松弛因子δ在三维变换域计算维纳滤波系数Wi, 并将Wi对Ri, p17进行加权, 得到三维变换域滤波后的三维数据体Ri, p18; ③滤波数据三维反变换, 对Ri, p18进行三维反变换, 得到原始图像域滤波结果Ri, p19。假设Ri, p17[m][n][l], Ri, p19[m][n][l], Wi[m][n][l]分别为三维数据体Ri, p17, Ri, p19, Wi的离散表示, 该滤波过程可表示为:
$ \begin{gathered} R_{i, p_{1}}^{9}[m][n][l]=T_{3 \mathrm{D}}^{-1}\left[W_{i}[m][n][l] \cdot\right. \\ \left.T_{1 \mathrm{D}}\left(R_{i, p_{1}}^{7}[m][n][l]\right)\right] \end{gathered} $ | (10) |
且
$ W_{i}[m][n][l]=\frac{\left|T_{1 \mathrm{D}}\left(R_{i, p_{1}}^{4}[m][n][l]\right)\right|^{2}}{\left|T_{1 \mathrm{D}}\left(R_{i, p_{1}}^{4}[m][n][l]\right)\right|^{2}+\delta^{2}} $ | (11) |
其中, δ∈[0, +∞)。
由(8)式至(11)式可知, λ1越大, 噪声压制效果越明显; δ越大, 噪声压制效果越明显。在分块数据总能量差异较大情况下, λ1和δ会影响BM3D计算效率和三维协同滤波结果, 最终影响BM3D去噪效果, 其值的选择需多次试验。
1.3 块聚集块聚集包括基础估计块聚集和最终估计块聚集。基础估计块聚集过程如下: ①滤波数据分块, 将滤波后的三维数据体Ri, p17分成分块顺序号为j的块Aj; ②原始图像重构, 对其加权后返回图像原始位置, 得到估计图像H0。假设H0[x][y], j[m][n]分别为H0, Aj的离散表示, 该过程可表示为:
$ \begin{aligned} &H^{0}[x][y]=\\ &\frac{\sum\limits_{\bar{A}_{j}[m][n] \in R_{i, p_{0}}^{3}}\left(1 /\left\|K_{i}[m][n][l]\right\| \cdot \bar{A}_{j}[m][n]\right)}{\sum\limits_{\bar{A}_ j[m][n] \in R_{i, p}^{3}}\left(1 /\left\|K_{i}[m][n][l]\right\| \cdot U_{0}\right)} \end{aligned} $ | (12) |
其中, U0为特征函数, 且U0={0, 1}, 仅当Aj[m][n]=0时, U0=1;x和y为正整数, 且x∈[1, Nx], y∈[1, Ny]; ‖·‖表示L1范数。
最终估计块聚集过程如下: ①滤波数据分块, 将滤波后的三维数据体Ri, p15分成分块顺序号为j的块Cj; ②原始图像重构, 对其加权后返回图像原始位置, 得到最终图像H1。假设H1[x][y], j[m][n]分别为H1, Cj的离散表示, 该过程可表示为:
$ \begin{aligned} &H^{1}[x][y]=\\ &\frac{\sum\limits_{\bar{C}_{j}[m][n] \in R_{i, p}^{5}}\left(1 /\left|W_{i}[m][n][l]\right|_{2}^{2} \cdot \bar{C}_{j}[m][n]\right)}{\sum\limits_{\bar{C}_{j}[m][n] \in R_{i, p}^{5}}\left(1 /\left|W_{i}[m][n][l]\right|_{2}^{2} \cdot U_{1}\right)} \end{aligned} $ | (13) |
其中, qi, p11为Ri, p15对应的权值; U1为特征函数, 且U1={0, 1}, 仅当Cj[m][n]=0时, U1=1。
2 块能量归一匹配三维协同滤波基本原理BM3D方法易受块间能量差异影响且参数选取效率不高, 相似块匹配精度、处理参数选取效率及滤波效果都有待提升。为消除上述影响, 本文提出块能量归一BM3D方法, 主要包括以下3个方面: ①能量归一软/硬阈值块匹配及分组; ②能量归一软/硬阈值三维协同滤波; ③能量归一块聚集。其核心步骤如图 2所示(改进部分为图 2中红色模块), 与BM3D方法的不同之处主要体现在①和②两方面。
基础估计阶段的能量归一软/硬阈值块匹配及分组过程如下: ①分块数据二维变换及滤波, 将分块数据Bi在二维变换域进行软/硬阈值滤波得到分块数据Fi; ②分块数据能量归一, 将分块数据Fi在二维变换域进行总能量归一化处理, 得到分块Bi; ③分块数据相似程度计算, 假定Bi为目标块, Bj为搜索块, 并用欧氏距离d(Bi, Bj)判断搜索块与目标块的差异程度; ④变换域相似块匹配, 利用阈值τ(常数)和欧氏距离d(Bi, Bj)在Bj中搜索(匹配)相似块, 得到相似块匹配结果Oj; ⑤相似块分组, 按相似块顺序号j对相似块匹配结果Oj进行堆叠, 构建目标块Bi对应的三维数据体Ri, p00。软阈值滤波过程可表示为:
$ F_{i}[m][n]=\left\{\begin{array}{cl} B_{i}[m][n] & \text { if }&\left|B_{i}[m][n]\right| \geqslant \max \left(\left|B_{i}[m][n]\right|\right) \cdot \mu_{1} \\ 0 & \text { if }&\left|B_{i}[m][n]\right|<\max \left(\left|B_{i}[m][n]\right|\right) \cdot \mu_{1} \end{array}\right. $ | (14) |
且经软阈值去噪和总能量归一化处理的分块数据Bi可表示为:
$ \bar{B}_{i}[m][n]=\frac{F_{i}[m][n]}{\sqrt{E_{i}}}=\frac{\left.F_{i}[m][n]\right]}{\left\|F_{i}[m][n]\right\|_{2}} $ | (15) |
式中: max(·)表示取最大值; μ1为实数, 且μ1∈[0, 1];Ei表示分块数据Fi的能量。
变换域软/硬阈值相似块匹配可表示为:
$ \begin{cases}O_{j}[m][n]=\bar{B}_{j}[m][n] & \text { if } \quad d\left(\bar{B}_{i}, \bar{B}_{j}\right)<\bar{\tau} \\ O_{j}[m][n]=0 & \text { if } \quad d\left(\bar{B}_{i}, \bar{B}_{j}\right) \geqslant \bar{\tau}\end{cases} $ | (16) |
且
$ \bar{\tau}=\left\{\begin{array}{l} \max \left(\left|\bar{B}_{j}[m][n]\right|\right) \cdot \tau_{2} \\ \tau_{3} \end{array}\right. $ | (17) |
式中: 软阈值τ2为常数, 且τ2∈[0, 1];硬阈值τ3为常数, 且τ3∈[0, 1]。
由(14)式可知, μ1越小, 去噪效果越弱; μ1越大, 去噪效果越强。由(17)式可知, 经软阈值去噪和总能量归一化处理后, 消除了因欧氏距离d(Bi, Bj)使分块数据总能量产生的差异, 能较好地反映分块数据间相似度, 减少值试验次数, 提升了BM3D方法的计算效率; 搜索到的相似块能较好反映搜索块与目标块间相似度, 最终提升BM3D去噪效果。
最终估计阶段的基于变换域能量归一软/硬阈值块匹配及分组过程如下: ①变换域相似块匹配及分组, 对估计图像H0进行基础估计中能量归一软/硬阈值块匹配及分组, 得到三维数据体Ri, p14; 按照Ri, p14中相似块顺序号, 取原始图像的相应分块数据并构建Ri, p15; ②分块数据能量关系保持, 保持Ri, p14和Ri, p15二维变换域的分块数据能量相对关系, 并存入Ri, p14, Ri, p15。假设Ri, p14[m][n][l], Ri, p15[m][n][l] 分别为Ri, p14, Ri, p15的离散表示, 保持块间相对能量关系可表示为:
$ \left\{\begin{array}{l} \bar{R}_{i, p_{1}}^{4}[m][n][l]=R_{i, p_{1}}^{4}[m][n][l] \cdot \sqrt{E_{j}} \\ \bar{R}_{i, p_{1}}^{5}[m][n][l]=R_{i, p_{1}}^{5}[m][n][l] \cdot \sqrt{E_{j}} \end{array}\right. $ | (18) |
式中: Ej为相似块Bj对应的分块Fj的能量。
2.2 能量归一软/硬阈值三维协同滤波能量归一三维协同滤波仅包括基础估计能量归一软/硬阈值协同滤波, 过程如下: ①分组数据三维变换, 对块匹配分组后的三维数据体Ri, p00沿块顺序号方向进行一维变换, 得到变换域的三维数据体Ri, p01; ②变换域软/硬阈值滤波, 对Ri, p01按给定的软阈值μ2或硬阈值λ2(λ2为常数)和加权系数Ki进行滤波处理, 得到变换域滤波后的三维数据体Ri, p02; ③滤波数据三维反变换, 对Ri, p02进行三维逆变换T3D-1得到原始图像域滤波结果Ri, p03; ④分块数据能量关系保持, 保持Ri, p03去噪后二维变换域的分块数据能量相对关系如(18)式, 并存入Ri, p03。假设Ki[m][n][l]是Ki的离散表示, 其中权值Ki可表示为:
$ \bar{K}_{i}[m][n][l]=\left\{\begin{array}{lll} 1 & \text { if } \quad\left|R_{i, p_{0}}^{1}[m][n][l]\right| \geqslant \max \left(\left|R_{i, p_{0}}^{1}[m][n][l]\right|\right) \cdot \mu_{2} \\ 0 & \text { if } \quad\left|R_{i, p_{0}}^{1}[m][n][l]\right|<\max \left(\left|R_{i, p_{0}}^{1}[m][n][l]\right|\right) \cdot \mu_{2} \end{array}\right. $ | (19) |
式中: μ2为实数, 且μ2∈ [0, 1]。
2.3 能量归一块聚集能量归一块聚集包括基础估计块聚集和最终估计块聚集。基础估计块聚集过程如下: ①滤波数据分块, 将滤波后的三维数据体Ri, p03分成分块顺序号为j的块Aj; ②保持分块能量关系, 保持各Ri, p03中Aj块间相对能量关系, 过程与公式(18)类似; ③原始图像重构, 对其加权后返回图像原始位置, 得到估计图像, 过程与公式(12)类似。
最终估计块聚集过程如下: ①滤波数据分块; ②原始图像重构。实现方式与传统方法一致。
3 模型数据试算通过模型试算来对比分析传统BM3D方法与本文方法的相似块匹配精度和滤波效果。本文方法中, 变换域方法均为二维DCT, 图中色标数值均代表振幅值。
3.1 模型试算一图 3a为12×12个像素点的无噪理论模型数据的数字显示, 其中, 图 3a右上角、左下角和右下角蓝框区域像素值分别为红框区域像素值的2倍、5倍和10倍; 图 3b为图 3a的图像显示; 图 3c为对图 3a加入随机噪声后的图像显示。
图 3c中黄色方块为目标块, 利用传统的块匹配方法和本文改进的块匹配方法, 进行相似块匹配处理。图 4为不同τ1的传统块能量归一硬阈值块匹配结果。图 5为不同τ2的块能量归一软阈值块匹配结果。图 6为不同τ3的块能量归一硬阈值块匹配结果。对比图 3至图 6可知, 传统块匹配结果受块间能量差异影响, 精度不高; 且随着硬阈值的不断增大, 其相似块匹配精度提升效果不明显; 基于块能量归一的软/硬阈值块匹配均消除了块间能量差异影响, 其相似块匹配精度较高。
图 7a为含有复杂断层的无噪合成地震数据, 图 7b为对图 7a加入随机噪声后的合成地震数据。图 8a、图 8b、图 8c和图 8d分别为对图 7b使用二维中值滤波、二维DCT滤波、传统BM3D方法和本文方法后的滤波结果, 滤除的噪声分别如图 9a、图 9b、图 9c和图 9d所示。图 10为4种方法去噪后的峰值信噪比(peak signal to noise ratio, PSNR)[30]的对比结果。
由图 7至图 10可知: 二维中值滤波和二维DCT滤波后的剖面断点不清晰, 边缘保持能力不强且对有效信息伤害较大(如图 8a、图 8b、图 9a和图 9b中黑色箭头所示); 传统的BM3D方法滤后的剖面断点较清晰, 边缘保持能力较强, 且对有效信号伤害较小(如图 8c中黑色箭头所示); 本文方法较传统的BM3D方法的滤波效果有所提升, 且滤除的噪声剖面中几乎不含有效信号(如图 9c、图 9d中黑色箭头所示)。对比4种方法的PSNR值可知, 本文方法峰值信噪比最大, 较传统方法去噪效果有明显提升。
4 实际地震数据应用采用传统BM3D滤波方法和本文改进的BM3D滤波方法对实际三维地震数据进行去噪处理, 具体步骤如下: ①对三维地震数据体按Inline(或Crossline)线读取数据, 并对读取的Inline线剖面数据进行去噪处理; ②重复步骤①, 直至所有的Inline线(或Crossline线)地震数据去噪处理都结束, 得到去噪后的三维地震数据体。
图 11a、图 11b分别为某三维地震数据中Inline100和Crossline100原始数据。图 12a和图 12b分别为对图 11a采用传统BM3D方法和能量归一块匹配软阈值BM3D方法进行滤波处理后得到的剖面, 滤除的噪声分别如图 12c和图 12d所示。图 13a和图 13b分别为对图 11b采用传统BM3D方法和能量归一块匹配软阈值BM3D方法进行滤波处理后得到的剖面, 滤除的噪声分别如图 13c和图 13d所示。图 14a是某三维地震数据中1 s等时切片, 图 14b和图 14c分别为对图 14a采用传统BM3D方法和能量归一块匹配软阈值BM3D方法进行滤波处理后得到结果, 滤除的噪声分别如图 14d和图 14e所示。
由图 12、图 13和图 14可见: 两种方法滤波处理后的剖面上同相轴连续性和信噪比均得到有效提升; 改进的BM3D方法的滤波结果对构造刻画精度较传统BM3D方法的滤波结果有所提升; 另外, 传统BM3D方法滤除的噪声中含有较多有效信号, 而改进的BM3D方法滤除的噪声中几乎不含有效信号, 去噪后反射同相轴更清晰且参数选取效率较高。
5 结论1) 本文提出的基于分块数据总能量归一的块匹配及分组算法, 可有效提升相似块匹配精度, 从而提升BM3D的应用效果;
2) 本文提出的基于分块数据总能量归一的软/硬阈值滤波方法, 通过软阈值滤波减少参数试验次数, 从而提高了参数选取效率;
3) 本文方法提升了去噪效果和参数选取效率, 可被广泛用于地震资料的去噪处理。
[1] |
BUADES A, COLL B, MOREL J M. A non-local algorithm for image denoising[J]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005, 2(7): 60-65. |
[2] |
DELEDALLE C A, DUVAL V, SALMON J. Non-local methods with shape-adaptive patches[J]. Journal of Mathematical Imaging and Vision, 2012, 43(2): 103-120. DOI:10.1007/s10851-011-0294-y |
[3] |
MALLAT S. A theory for multidimensional signal decomposition: the wavelet representation[J]. IEEE Trans Pattern Analysis & Machine Intelligence, 1989, 11(7): 674-693. |
[4] |
YAROSLAVSKY L P, EGIAZARIAN K O, ASTOLA J T. Transform domain image restoration methods: Review, comparison, and interpretation[J]. Proceedings of the SPIE—The International Society for Optical Engineering, 2001, 4304: 155-169. |
[5] |
KERVRANN C, BOULANGER J. Optimal spatial adaptation for patch-based image denoising[J]. IEEE Transactions on Image Processing, 2006, 15(10): 2866-2878. DOI:10.1109/TIP.2006.877529 |
[6] |
黄德智, 韩立国, 李辉峰, 等. 基于S变换自适应滤波迭代的多源地震数据分离[J]. 石油地球物理勘探, 2020, 55(6): 1253-1262. HUANG D Z, HAN L G, LI H F, et al. Deblending of seismic data based on S-transform adaptive filtering iteration[J]. Oil Geophysical Prospecting, 2020, 55(6): 1253-1262. |
[7] |
陈家益, 战荫伟, 曹会英, 等. 修剪中值检测的自适应加权中值滤波算法[J]. 计算机科学与探索, 2019, 13(3): 505-513. CHEN J Y, ZHAN Y W, CAO H Y, et al. Adaptive weighted median filtering algorithm based on detection with trimmed median[J]. Journal of Frontiers of Computer Science and Technology, 2019, 13(3): 505-513. |
[8] |
孙哲, 王建锋, 王静, 等. 基于时空变中值滤波的随机噪声压制方法[J]. 石油地球物理勘探, 2016, 51(6): 1094-1102. SUN Z, WANG J F, WANG J., et al. Random noise elimination based on the time-space variant median filtering[J]. Oil Geophysical Prospecting, 2016, 51(6): 1094-1102. |
[9] |
李娟, 孟可心, 李月, 等. 基于相似匹配维纳滤波的地震资料噪声压制[J]. 吉林大学学报(工学版), 2017, 47(6): 1964-1968. LI J, MENG K X, LI Y, et al. Seismic signal noise suppression based on similarity matched Wiener filtering[J]. Journal of Jilin University(Engineering and Technology Edition), 2017, 47(6): 1964-1968. |
[10] |
郝亮. 基于各向异性扩散滤波的地震资料噪声压制方法分析与研究[J]. 石油化工应用, 2021, 40(3): 86-88. HAO L. Analysis and research on seismic data noise suppression method based on anisotropic diffusion filtering[J]. Petrochemical Industry Application, 2021, 40(3): 86-88. DOI:10.3969/j.issn.1673-5285.2021.03.019 |
[11] |
张华, 刁塑, 温建亮, 等. 应用二维非均匀曲波变换压制地震随机噪声[J]. 石油地球物理勘探, 2019, 54(1): 16-23. ZHANG H, DIAO S, WEN J L, et al. A random noise suppression with 2D non-uniform curvelet transform[J]. Oil Geophysical Prospecting, 2019, 54(1): 16-23. |
[12] |
WANG Z. Fast algorithm for the discrete W transform and for the discrete fourier transform[J]. IEEE Transactions on Acoustics Speech & Signal Processing, 1984, 32(4): 803-816. |
[13] |
SPANIAS A S, JONSSON S B, STEARNS S D. Transform methods for seismic data compression[J]. IEEE Transactions on Geoscience & Remote Sensing, 1991, 29(3): 407-416. |
[14] |
DONOHO D L. Ideal spacial adaptation via wavelet shrinkage[J]. Biometrical, 1994, 81(3): 425-455. DOI:10.1093/biomet/81.3.425 |
[15] |
涂丹, 沈建军, 封孝生, 等. 小波域上的图像降噪Wiener滤波器设计[J]. 系统工程与电子技术, 2001(6): 4-7. TU D, SHEN J J, FENG X S, et al. The design of wavelet domain wiener filter and its application in image denoising[J]. Systems Engineering and Electronics, 2001(6): 4-7. DOI:10.3321/j.issn:1001-506X.2001.06.002 |
[16] |
DABOV K, FOI A, KATKOVNIK V, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. IEEE Transactions on Image Processing, 2007, 16(8): 2080-2095. DOI:10.1109/TIP.2007.901238 |
[17] |
MACQUEEN J B. Some methods for classification and analysis of multivariate observations[J]. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1967, 281-297. |
[18] |
BRUBAKER S C. Robust PCA and clustering in noisy mixtures[C]// Proc of the 20th Annual ACM-SIAM Symposium on Discrete Algorithms. Philadelphia: Society for Industrial and Applied Mathematics, 2009: 1078-1087
|
[19] |
SUN J, HE K. Computing nearest-neighbor fields via Propagation-Assisted KD-Trees[C]//2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence: IEEE Computer Society, 2012: 111-118
|
[20] |
XIAO C, LIU M, NIE Y, et al. Fast exact nearest patch matching for patch-based image editing and processing[J]. IEEE Transactions on Visualization & Computer Graphics, 2011, 17(8): 1122-34. |
[21] |
YANG J, ZHANG X, YUE H, et al. IBM3D: Integer BM3D for efficient image denoising[J]. Circuits, Systems, and Signal Processing, 2019, 38(2): 750-763. DOI:10.1007/s00034-018-0882-9 |
[22] |
CHEN Y, POCK T. Trainable nonlinear reaction diffusion: A flexible framework for fast and effective image restoration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1256-1272. DOI:10.1109/TPAMI.2016.2596743 |
[23] |
AMANI S, GHOLAMI A, NIESTANAK A J. Seismic random noise attenuation via 3D block matching[J]. Journal of Applied Geophysics, 2017, 136: 353-363. DOI:10.1016/j.jappgeo.2016.11.014 |
[24] |
唐杰, 戚瑞轩, 张文征, 等. 基于自相似块匹配的地震数据信噪分离方法研究[J]. 石油物探, 2020, 59(2): 198-207. TANG J, QI R X, ZHANG W Z, et al. Seismic data denoising based on self-similarity block matching[J]. Geophysical Prospecting for Petroleum, 2020, 59(2): 198-207. DOI:10.3969/j.issn.1000-1441.2020.02.005 |
[25] |
张广智, 常德宽, 王一惠, 等. 基于稀疏冗余表示的三维地震数据随机噪声压制[J]. 石油地球物理勘探, 2015, 50(4): 600-606. ZHANG G Z, CHANG D K, WANG Y H, et al. Random noise suppression of 3D seismic data based on sparse redundant representation[J]. Oil Geophysical Prospecting, 2015, 50(4): 600-606. |
[26] |
刘向乐, 冯象初. 小波域三维块匹配图像去噪[J]. 计算机工程与应用, 2010, 46(16): 185-187. LIU X L, FENG X C. Image denoising by mixing wavelet transformation with sparse 3D collaborative filtering[J]. Computer Engineering and Applications, 2010, 46(16): 185-187. |
[27] |
任婷婷, 周亚同, 郝茜茜, 等. 基于块匹配协同滤波的三维地震信号去噪[J]. 河北工业大学学报, 2017, 46(4): 1-7. REN T T, ZHOU Y T, HAO X X, et al. Three-dimensional seismic signal denoising based on block matching and collaborative filtering[J]. Journal of Hebei University of Technology, 2017, 46(4): 1-7. |
[28] |
孙成禹, 刁俊才, 李文静. 基于曲波噪声估计的三维块匹配地震资料去噪[J]. 石油地球物理勘探, 2019, 54(6): 1188-1194. SUN C Y, DIAO J C, LI W J. 3D Block matching seismic data denoising based on curvelet noise estimation[J]. Oil Geophysical Prospecting, 2019, 54(6): 1188-1194. |
[29] |
张欢, 池越, 周亚同, 等. 结合主成分分析的四维块匹配协同滤波三维地震信号去噪[J]. 激光与光电子学进展, 2018, 55(4): 142-149. ZHANG H, CHI Y, ZHOU Y T, et al. Three dimensional seismic signal denoising based on four-dimensional block matching cooperative filtering combined with principle component analysis[J]. Laser & Optoelectronics Progress, 2018, 55(4): 142-149. |
[30] |
SETIADI D. PSNR vs SSIM: Imperceptibility quality assessment for image steganography[J]. Multimedia Tools and Applications, 2020, 80: 8423-8444. |