[发明专利]一种压制地震数据随机噪音的去噪方法、设备及介质

说明书

本发明提供的一种压制地震数据随机噪音的去噪方法、设备及介质，方法为：对获取的含随机噪音地震记录数据进行局部梯度奇异值分解，得到局部特征描述子；根据局部特征描述子，生成数据相似集；根据相似集计算局部特征描述子的均值，进而确定滤波参数；根据滤波参数，结合以目标去噪点为中心的邻域和以相似点为中心的邻域的相似性权重，利用相似点及其权重的加权计算对含随机噪音地震记录数据进行去噪处理。本发明根据地震数据自相似性的大小，提取数据相似集，并计算相似集数据的权重因子，通过相似集数据的加权计算获得去噪数据，提高方法的细节保持能力，从而压制地震数据随机噪声。

技术领域

本发明涉及去噪技术领域，尤其涉及一种压制地震数据随机噪音的去噪方法、设备及介质领域。

背景技术

随着勘探目标的日趋复杂化，油气勘探对提高地震资料信噪比提出了更高的要求，针对压制地震资料噪音，提升地震资料品质，突出有效信号方面的需求，众多学者针对不同的噪音类型，提出了不同的解决方案。噪音分为规则噪音与随机噪音。针对随机噪音，常规的去噪方法有f-x域预测滤波，f-k域滤波等。f-x域预测滤波假设反射波同相轴具有线性或局部线性的特性，在f-x域中对每一个频率成分应用复数最小平方原理，求取预测算子对地震记录进行去噪。虽然f-x域预测滤波技术可以有效地压制随机噪声、增强相干信号的连续性，但只要是相干信号，不管是有效反射信号，还是面波、线性或近似线性干扰波，该技术都会对其进行加强。另外，由于高频段的信噪比较低，求取的预测算子受噪声成分的影响较大，这就使得去噪后高频段的有效信号严重畸变，不利于进一步提高分辨率。f-k域滤波基于有效信号与随机噪声在傅里叶域特征不同，将地震记录进行傅里叶变换，从而实现有效信号和随机噪声的分离。但是该方法会产生假频。传统方法的去噪效果已经难以满足当前勘探要求，非局部均值去噪算法逐渐成为研究热点。

非局部均值方法(The Nonlocal Means,简称NLM)最早由Buades(2005)等提出用于压制图像噪音。对每个像素点进行去噪处理时，需要所有像素点参与运算，因此，NLM算法本身计算成本很高。为降低计算成本，许多学者从不同角度开展研究。Sheng等(2009)利用算法的高度并行特点，利用GPU并行加速计算，节约了计算时间。Mahmoudi等(2005)以成像点为中心设置了一个范围，将求取相似系数限制在其中，大大减少了运算时间。Dowson等采用散列结构(2011)，相比于常规方法，计算效率提高15到180倍。NLM方法已经成功地应用于医疗数据，雷达数据，语音音频数据以及显微镜图像的去噪方面。Bonar等(2012)提出将NLM算法引入地震资料处理中，对随机噪声进行压制处理。但是，Bonar等(2012)提出的方法采用了常数滤波参数去噪，由于地震资料中每个数据都有各自的特征，使用同一个参数进行去噪，容易造成局部去噪不足或去噪过度。同时，Bonar等(2012)在搜索区域内对所有数据点去噪，没有考虑相似集的方法，在计算相似性时，虽然差异较大的数据被分配的权重较小，但仍然参与了运算，除了影响去噪效果外，也增加了计算成本。

发明内容

针对上述技术问题，本发明提供一种压制地震数据随机噪音的去噪方法、设备及介质，根据地震数据的自相似性的大小，提取数据相似集，并计算相似集数据的权重因子，通过相似集数据的加权计算获得去噪数据，提高方法的细节保持能力，从而压制地震数据随机噪声，与常规去噪方法相比，非局部均值去噪方法没有严格的去噪前提，不会产生假频，不会对同相轴间断处或弯曲同相轴过度平滑，能较好地保持数据的原始特征，对地震数据去噪效果良好。

为解决上述技术问题，本发明提供的技术方案是：

第一方面，本发明提供一种压制地震数据随机噪音的去噪方法，包括：

步骤S1，对获取的含随机噪音地震记录数据进行局部梯度奇异值分解，得到局部特征描述子；

步骤S2，根据所述局部特征描述子，生成数据相似集；

步骤S3，根据所述相似集计算局部特征描述子的均值，进而确定滤波参数；