(19)中华人民共和国国家知识产权局
(12)发明专利说明书 | 正则化粒子滤波||
(10)申请公布号 CN 103489163 A (43)申请公布日 2014.01.01 | ||
(21)申请号 CN201310419247.2
(22)申请日 2013.09.13
(71)申请人 电子科技大学
地址 611731 四川省成都市高新区(西区)西源大道2006号
(72)发明人 钱峰 朱伟 胡光岷
(74)专利代理机构 成都宏顺专利代理事务所(普通合伙)
代理人 周永宏
(51)Int.CI
权利要求说明书 说明书 幅图 |
(54)发明名称
基于正则化混合范数滤波的地震图像结构导向降噪方法 | |
(57)摘要
本发明公开了一种基于正则化混合范数滤波的地震图像结构导向降噪方法，包括以下步骤：对输入三维地震图像求梯度结构张量；对梯度结构张量进行正则化混合范数滤波；根据滤波后的梯度结构张量的特征值和特征向量设计扩散张量；计算连续性因子，在边断层尖灭等位置连续性因子接近0，实现结构保持性能；用sobel算子做求导算子来计算散度。本发明的方法既能保留地震数据的纹理边缘信息，又能对高斯噪声，超高斯噪声和亚高斯噪声进行有效压制，是一种高效的降噪方法。 | |
法律状态
法律状态公告日 | 法律状态信息 | 法律状态 |
权 利 要 求 说 明 书
1.一种基于正则化混合范数滤波的地震图像结构导向降噪方法，其特征在于，该方法为：
1)设置以下参数：迭代步长Δt；梯度值最大的方向的扩散值系数α；结构导向滤波迭代次数；
2)导入三维地震图像数据u<sub>n</sub>，计算三维地震图像中每个点的梯度向量其中三维地震图像中点(x，y，z)的梯度的计算公式为：
其中，u<sub>n</sub>(x，y，x)为点(x，y，z)的像素值；u<sub>n</sub>(x+1，y，z)、u<s
ub>n</sub>(x-1，y，z)、u<sub>n</sub>(x，y+1，z)、u<sub>n</sub>(x，y-1，z)、u<sub>n</sub>(x，y，z+1)、u<sub>n</sub>(x，y，z-1)为点(x，y，z)的邻近点对应的像素值；
3)计算三维地震图像中每个点的梯度结构张量存储所述梯度结构张量S<sup>0</sup>的六个梯度结构张量体
4)对上述六个梯度结构张量体分别进行正则化混合范数滤波，得到正则化混合范数滤波后的6个体数据S<sub>ρ11</sub>，S<sub>ρ12</sub>，S<sub>ρ13</sub>，S<sub>ρ22</sub>，S<sub>ρ23</sub>，S<sub>ρ33</sub>，利用
S<sub>ρ11</sub>，S<sub>ρ12</sub>，S<sub>ρ13</sub>，S<sub>ρ22</sub>，S<sub>ρ23</sub>，S<sub>ρ33</sub>重构当前迭代的三维地震图像正则化混合范数滤波后的梯度结构张量S<sub>ρ</sub>：
5)将当前迭代的三维地震图像正则化混合范数滤波后的梯度结构张量S<sub>ρ</sub>进行特征值分解；
6)根据当前迭代的三维地震图像正则化混合范数滤波后的梯度结构张量S<sub>ρ</sub>的特征值和特征向量构造扩散张量D；
7)计算当前迭代的三维地震图像每一个点的连续性因子ε<sup>*</sup>：
ε<sup>*</sup>＝0.5*sin(pi*(ε-0.5))+0.5；
其中，Tr(·)表示矩阵主对角元素求和运算，是第一次迭代的三维地震图像正则化混合范数滤波后的梯度结构张量；
8)将扩散张量D乘以梯度向量得到向量K，对向量K的三个分量K<sub>x</sub>，K<sub>y</sub>，K<sub>z</sub>分别用sobel算子进行计算，得到K<sub>x</sub>的三个方向的偏导数K<sub>y</sub>的三个方向的偏导数K<sub>z</sub>的三个方向的偏导数将得到的所有偏导数相加，得到向量K的散度值div(K)；
9)根据迭代步长Δt和向量K的散度值div(K)计算当前迭代的三维地震图像中点的像素值u<sub>n+1</sub>：
10)判断是否达到结构导向滤波迭代次数的上限，若达到，则结束；否则，将u<sub>n+1</sub>作为待导入的三维地震图像数据，返回步骤2)。
2.根据权利要求1所述的基于正则化混合范数滤波的地震图像结构导向降噪方法，其特征在于，所述步骤1)中，迭代步长Δt取值范围为0.05-0.5；梯度值最大的方向的扩散值系数α的取值范围为0.0005-0.005；结构导向滤波迭代次数为3-10次。
3.根据权利要求1所述的基于正则化混合范数滤波的地震图像结构导向降噪方法，其特征在于，所述步骤4)中，正则化混合范数滤波后的6个体数据S<sub>ρ11</sub>，S<sub>ρ12</sub>，S<sub>ρ13</sub>，S<sub>ρ22</sub>，S<sub>ρ23</sub>，S<sub>ρ33</sub>的计算步骤如下：
1)初始化参数τ，输入一个梯度结构张量体将拉伸成一列，得到一个列向量数据S<sub>ij</sub>；其中，i＝1，2，3；j＝1，2，3；
2)构造三维地震图像的退化矩阵H，并利用退化矩阵H计算添加驱动噪声后的观测数据：
其中，s<sub>ij</sub>＝H*S<sub>ij</sub>；n<sub>noise</sub>为驱动噪声，n<sub>noise
</sub>选用高斯噪声；
3)计算混合范数参量λ<sub>n</sub>：
其中，χ(n<sub>ij</sub>)＝E[n<sub>ij</sub><sup>4</sup>]-3E<sup>2</sup>[n<sub>ij</sub><sup>2</sup>]；E[·]表示求均值；A、c为正则化混合范数中的滤波参数；
4)计算正则化变量α(S<sub>ij</sub>)：
其中，表示向量的二范数的平方，表示向量的四范数的四次方； C是巴特沃兹高通滤波器，阶数为8，截止频率为0.7；
5)计算目标表达式M(S<sub>ij</sub>)：
6)计算S<sub>ij</sub>经过混合范数滤波后的结果S<sub>ij_new</sub>：
其中，step为步长系数，为M(S<sub>ij</sub>)的梯度向量，为正则化变量α(S<sub>ij</sub>)的梯度向量；
7)计算用于下一次迭代的参数的更新值χ(n<sub>ij_new</sub>)、λ<sub>n_new</sub>、α(S<sub>ij_new</sub>)、M(S<sub>ij_new</sub>)、
n<sub>ij_new</sub>＝H*S<sub>ij</sub>-H*S<sub>ij_new</sub>；
8)判断迭代次数是否等于正则化混合范数滤波次数，若是，则结束滤波；否则，返回步骤6)，直到迭代次数等于正则化混合范数滤波次数；得到经正则化混合范数滤波后的体数据S<sub>ρij</sub>；其中，所述正则化混合范数滤波次数为3-10次。
9)重复上述步骤1)～8)，直到完成六个梯度结构张量体的正则化混合范数滤波后，得到六个梯度结构张量体的正则化混合范数滤波后的6个体数据S<sub>ρ11</sub>，S<sub>ρ12</sub>，S<sub>ρ13</sub>，S<sub>ρ22</sub>，S<sub>ρ23</sub>，S<sub>ρ33</sub>。
4.根据权利要求3所述的基于正则化混合范数滤波的地震图像结构导向降噪方法，其特征在于，三维地震图像的退化矩阵H的构造过程为：将m*n*t的三维地震图像分成t个m*n的二维图像，根据点扩散函数退化过程的退化矩阵构造方法，为每个m*n的二维图像构造一个退化矩
阵，得到t个二维的退化矩阵H<sub>i，j，1</sub>，H<sub>i，j，2</sub>，H<sub>i，j，3</sub>，...，H<sub>i，j，t</sub>，然后根据轮换对称性构造三维地震图像的退化矩阵H：
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论