一種共成像點(diǎn)道集線性噪聲去除方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及地震勘探領(lǐng)域，尤其涉及一種共成像點(diǎn)道集線性噪聲去除方法及裝 置。
【背景技術(shù)】
[0002] 在地震勘探中，對(duì)地震數(shù)據(jù)進(jìn)行偏移成像時(shí)需要抽取共成像點(diǎn)道集，并根據(jù)該道 集上拾取的殘差曲率進(jìn)行速度分析等操作，從而優(yōu)化偏移成像的質(zhì)量。但實(shí)際的共成像點(diǎn) 道集往往會(huì)受到各類噪聲尤其是線性噪聲干擾，該噪聲會(huì)對(duì)殘差曲率識(shí)別造成干擾，影響 拾取的質(zhì)量，最終影響偏移成像的質(zhì)量。因此，在拾取殘差曲率前需要對(duì)共成像點(diǎn)道集進(jìn)行 線性噪聲去除處理。
[0003] 現(xiàn)有的去除線性噪聲的方法主要有三種：切除法、橫向?yàn)V波法和識(shí)別-差分法。其 中，切除法是直接切除受到線性噪音干擾的區(qū)域，該方法將被切除區(qū)域內(nèi)的有效信號(hào)也一 起被舍棄，嚴(yán)重影響到殘差拾取的精度。橫向?yàn)V波法是指在橫向做低通濾波，從而壓制斜向 噪音，但是該方法同時(shí)也影響到殘差信號(hào)，降低了殘差拾取的精度。識(shí)別-差分法首先識(shí)別 出線性噪音的方向，然后沿噪音方向?qū)π盘?hào)進(jìn)行差分運(yùn)算，以去除噪音。但是，由于線性噪 音成份復(fù)雜，往往有多個(gè)方向的噪音并存，因此很難對(duì)線性噪音的斜率做出精確估算，同時(shí) 差分算法也會(huì)造成有效信號(hào)的相位變化，最終導(dǎo)致差分算法無(wú)法去除噪音或嚴(yán)重?fù)p傷有效 信號(hào)。因此，如何有效的去除線性噪聲、恢復(fù)被噪聲污染的有效信號(hào)并保持其殘差曲線信息 是目前地震勘探技術(shù)領(lǐng)域亟需解決的技術(shù)問(wèn)題。

【發(fā)明內(nèi)容】

[0004] 本申請(qǐng)實(shí)施例提供一種共成像點(diǎn)道集線性噪聲去除方法及裝置，以有效的去除共 成像點(diǎn)道集線性噪聲，恢復(fù)被噪聲污染的有效信號(hào)并保持其殘差曲線信息。
[0005] 為達(dá)到上述目的，一方面，本申請(qǐng)實(shí)施例提供了一種共成像點(diǎn)道集線性噪聲去除 方法，包括以下步驟：
[0006] 獲取待處理的共成像點(diǎn)道集矩陣；
[0007] 根據(jù)所述共成像點(diǎn)道集矩陣建立低秩與稀疏模型，其中所述低秩與稀疏模型包括 有效信號(hào)矩陣變量和噪聲矩陣變量；
[0008] 根據(jù)所述有效信號(hào)矩陣變量與噪聲矩陣變量建立凸優(yōu)化函數(shù)；
[0009] 對(duì)所述凸優(yōu)化函數(shù)中的有效信號(hào)矩陣變量和噪聲矩陣變量進(jìn)行迭代優(yōu)化求解，獲 得去除噪聲的共成像點(diǎn)道集矩陣。
[0010] 另一方面，本申請(qǐng)實(shí)施例還提供了一種共成像點(diǎn)道集線性噪聲去除裝置，包括： [0011] 獲取單元，用于獲取待處理的共成像點(diǎn)道集矩陣；
[0012] 低秩與稀疏模型建立單元，用于根據(jù)所述共成像點(diǎn)道集矩陣建立低秩與稀疏模 型，其中所述低秩與稀疏模型包括有效信號(hào)矩陣變量和噪聲矩陣變量；
[0013] 凸優(yōu)化函數(shù)建立單元，用于根據(jù)所述有效信號(hào)矩陣變量與噪聲矩陣變量建立凸優(yōu) 化函數(shù)；
[0014] 優(yōu)化求解單元，用于對(duì)所述凸優(yōu)化函數(shù)中的有效信號(hào)矩陣變量和噪聲矩陣變量進(jìn) 行迭代優(yōu)化求解，獲得去除噪聲的共成像點(diǎn)道集矩陣。
[0015] 本申請(qǐng)實(shí)施例提出的低秩與稀疏模型分別對(duì)有效信號(hào)和噪聲的最本質(zhì)的特點(diǎn)進(jìn) 行了建模，將共成像點(diǎn)道集矩陣分解為有效信號(hào)矩陣變量和噪聲矩陣變量之和，然后根據(jù) 所述有效信號(hào)矩陣變量和噪聲矩陣變量建立凸優(yōu)化函數(shù)，最后通過(guò)對(duì)所述凸優(yōu)化函數(shù)進(jìn)行 優(yōu)化求解的方式獲得去除噪聲的共成像點(diǎn)道集。與現(xiàn)有方法相比，本申請(qǐng)實(shí)施例能夠有效 的去除線性噪聲，恢復(fù)被噪聲污染的有效信號(hào)并保持其殘差曲線信息。
【附圖說(shuō)明】
[0016] 圖1是本申請(qǐng)實(shí)施例中一種共成像點(diǎn)道集線性噪聲去除方法的流程圖；
[0017] 圖2是本申請(qǐng)實(shí)施例中一種共成像點(diǎn)道集線性噪聲去除裝置的模塊圖；
[0018] 圖3是本申請(qǐng)一實(shí)施例中待處理的共成像點(diǎn)道集剖面圖；
[0019] 圖4是本申請(qǐng)一實(shí)施例中去除噪聲的共成像點(diǎn)道集剖面圖。
【具體實(shí)施方式】
[0020] 下面結(jié)合附圖，對(duì)本申請(qǐng)實(shí)施例的【具體實(shí)施方式】作進(jìn)一步的詳細(xì)說(shuō)明。
[0021] 參考圖1所示，本申請(qǐng)實(shí)施例的共成像點(diǎn)道集線性噪聲去除方法，包括以下步驟：
[0022] Sl、獲取待處理的共成像點(diǎn)道集矩陣。
[0023] 具體的，從采集的地震數(shù)據(jù)中抽取共成像點(diǎn)道集，所述共成像點(diǎn)道集可以包括η 道數(shù)據(jù)，每道數(shù)據(jù)可以包括m個(gè)采樣點(diǎn)。所述η道數(shù)據(jù)，每道數(shù)據(jù)的m個(gè)采樣點(diǎn)可以形成所 述共成像點(diǎn)道集矩陣。
[0024] S2、根據(jù)所述共成像點(diǎn)道集矩陣建立低秩與稀疏模型，其中所述低秩與稀疏模型 包括有效信號(hào)矩陣變量和噪聲矩陣變量。
[0025] 具體的，共成像點(diǎn)道集包括有效信號(hào)和噪聲：有效信號(hào)內(nèi)部有一定的結(jié)構(gòu)信息，各 行或各列間是線性相關(guān)的，因此具有低秩的特征；噪聲只在部分?jǐn)?shù)據(jù)采集點(diǎn)中存在，因此具 有稀疏的特征。如圖3所示為本申請(qǐng)實(shí)施例所述的共成像點(diǎn)道集剖面圖，從圖中可以看出， 右上角部分為傾斜狀的線性噪聲，而其他部分為正常的有效信號(hào)。根據(jù)共成像點(diǎn)道集數(shù)據(jù) 包括低秩數(shù)據(jù)和稀疏數(shù)據(jù)的特性，可以建立低秩與稀疏模型，即將所述共成像點(diǎn)道集矩陣D 分解為有效信號(hào)矩陣X和噪聲矩陣E之和，即D = X+E，其中矩陣X和E都是變量，但X具有 低秩性，E具有稀疏性。
[0026] S3、根據(jù)所述有效信號(hào)矩陣變量與噪聲矩陣變量建立凸優(yōu)化函數(shù)。
[0027] 具體的，本申請(qǐng)實(shí)施例中所述建立凸優(yōu)化函數(shù)包括：
[0028] (1)根據(jù)所述有效信號(hào)矩陣變量與噪聲矩陣變量建立雙目標(biāo)優(yōu)化函數(shù)。
[0029] 具體的，根據(jù)所述有效信號(hào)矩陣變量X與噪聲矩陣變量E，可以將恢復(fù)有效信號(hào)矩 陣變量X轉(zhuǎn)化為一個(gè)雙目標(biāo)優(yōu)化函數(shù):min XiE (rank⑴，I IE I I。)，其中，矩陣X和矩陣E滿足 條件D = X+E
[0030] (2)引入?yún)f(xié)調(diào)參數(shù)，將所述雙目標(biāo)函數(shù)轉(zhuǎn)化為單目標(biāo)優(yōu)化函數(shù)。
[0031] 具體的，本申請(qǐng)實(shí)施例可以通過(guò)引入?yún)f(xié)調(diào)參數(shù)λ (用于平衡第一項(xiàng)與第二項(xiàng)對(duì)目 標(biāo)函數(shù)的貢獻(xiàn)，其數(shù)值可通過(guò)觀察去噪結(jié)果進(jìn)行人工調(diào)節(jié)），將所述雙目標(biāo)優(yōu)化函數(shù)轉(zhuǎn)化為 單目標(biāo)優(yōu)化函數(shù)：
[0032] minx,Erank (X) + λ I IE I 10
[0033] 其中，有效信號(hào)矩陣變量X和噪聲矩陣變量E滿足條件D = X+E，rank(X)表示矩 陣X的秩，I IE I I。表示矩陣E的零范數(shù)，即表示矩陣E中所有非零元素的個(gè)數(shù)。
[0034] (3)對(duì)所述單目標(biāo)函數(shù)進(jìn)行轉(zhuǎn)化獲得凸優(yōu)化函數(shù)。
[0035] 具體的，由于所述單目標(biāo)優(yōu)化函數(shù)中rank(X)和I |E| |。作為矩陣空間上的函數(shù)都 是不連續(xù)的，在優(yōu)化上存在非凸和非光滑特性，求解單目標(biāo)優(yōu)化函數(shù)是NP難問(wèn)題，因此可 以將所述單目標(biāo)優(yōu)化函數(shù)進(jìn)行松弛從而轉(zhuǎn)化成凸優(yōu)化函數(shù)：
[0036] minx，E| |Χ| |*+λ I |E| I1
[0037] 其中，有效信號(hào)矩陣變量X和噪聲矩陣變量E滿足條件D = X+E，I |X| L表示矩陣 X的核范數(shù)，即表示矩陣X所有奇異值的和；I IE I 11表示矩陣E的1-范數(shù)，即表示矩陣E所 有元素的絕對(duì)值之和。
[0038] S4、對(duì)所述凸優(yōu)化函數(shù)中的有效信號(hào)矩陣變量和噪聲矩陣變量進(jìn)行迭代優(yōu)化求 解，獲得去除噪聲的共成像點(diǎn)道集矩陣。
[0039] 具體的，對(duì)凸優(yōu)化函數(shù)求解有迭代閾值算法、對(duì)偶算法、加速近端低梯度算法、交 替方向算法等，交替方向算法相比較其他算法具有速度快，精度高的特點(diǎn)。本申請(qǐng)實(shí)施例 中對(duì)所述有效信號(hào)矩陣變量和噪聲矩陣變量進(jìn)行迭代優(yōu)化求解使用的是交替方向算法，包 括：
[0040] (1)根據(jù)所述凸優(yōu)化函數(shù)構(gòu)建拉格朗日函數(shù)：
[0042] 其中，μ為拉格朗日系數(shù)，Y為拉格朗日乘數(shù)矩陣，I ID-X-El |康示