[發明專利]地震信號隨機噪聲衰減方法、終端設備及存儲介質

有效

• 申請號: 201810487212.5
• 申請日: 2018-05-21
• 公開（公告）號: CN108710851B
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 陳穎頻;王靈芝;陳育群;林凡;喻飛
• 申請（專利權）人: 閩南師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40
• 代理公司: 廈門市精誠新創知識產權代理有限公司 35218
• 代理人: 何家富

本發明涉及基于交疊組稀疏廣義全變分的地震信號隨機噪聲衰減方法，該方法包括以下步驟：S1、輸入待去噪的地震信號圖G；S2、對求解輸出圖像模型中的參數進行初始化；S3、計算得到F^(k)，F^(k)為k次迭代得到的地震信號圖，并判斷是否滿足||F^(k+1)?F^(k)||₂/||F^(k)||₂tol，若滿足，轉至步驟S11，否則轉至步驟S4；更新F，V_x，V_y；S5、判斷是否滿足若滿足，轉至步驟S6，否則轉至步驟S8；S6、利用式更新S7、n＝n+1，返回至步驟S5；S8、計算S9、利用公式更新S10、k＝k+1，返回至步驟S3；S11、輸出去噪后的地震信號圖F。本發明方法充分利用了圖像一階、二階梯度的鄰域相似性，提高平滑區域與邊界區域的差異性，從而提高去噪算法的魯棒性，獲得相比于經典TGV更好的去噪性能。

技術領域

本發明涉及圖像處理領域，具體地，涉及一種基于交疊組稀疏廣義全變分的地震信號隨機噪聲衰減方法、終端設備及存儲介質。

背景技術

實際地震信號中存在大量隨機噪聲，如高斯噪聲、gamma噪聲等。全變分正則項(Total variation,TV)被證明是一種有效去除隨機噪聲的正則項，自從它被Rudin等提出之后，就引起學者們的廣泛關注。全變分正則項充分挖掘了二維圖像的橫向縱向梯度信息，較好地契合了自然圖像的局部光滑和梯度稀疏等先驗知識，被廣泛應用于地震圖像去噪，地震波阻抗反演，弱小目標檢測，超分辨率分析等眾多領域。由于TV模型假設圖像是分片光滑常數，導致該模型存在較為嚴重的階梯效應。為抑制階梯效應和提高TV模型的去噪效果，Bredies,Kunisch和Pock提出廣義全變分模型(Total generalized variation,TGV)。在眾多去除TV階梯效應的方法中，廣義全變分模型被理論和實踐證明是比較有效的一種方法。它同時約束了圖像的一階梯度與二階梯度，從而有效緩解了全變分模型的階梯效應。該模型是全變分模型的推廣，具有凸性、下半連續性、旋轉不變性等眾多優秀的數學性質，并能逼近任意多項式，引起學者們的廣泛關注，并將TGV正則項應用于眾多領域。

近年來，Selesnick和Chen提出了交疊組稀疏正則項。該正則項是一種非分離正則項，能更好地保持目標函數的稀疏性。交疊組稀疏正則項不僅僅考慮到圖像差分域的稀疏性，還挖掘了每個點的鄰域差分信息，從而挖掘了圖像梯度的結構化稀疏特性。通過交疊組合梯度可以提高平滑區域與邊界區域的差異，從而抑制TV模型的階梯效應。Liu等借鑒Selesnick和Chen的工作，將一維交疊組稀疏正則項推廣為二維交疊組稀疏正則項，并將其引入各向異性全變分模型，用于椒鹽噪聲的去噪和解卷積問題中。Liu等將交疊組稀疏正則項用于speckle噪聲的去除。上述工作全部是基于各向異性全變分模型做的推廣，然而，各向異性全變分模型沒有二階差分的約束，交疊組稀疏梯度的引入對階梯效應的抑制能力有限。值得注意的是，TGV和交疊組稀疏收縮對階梯效應的抑制機理并不一樣，前者利用的是圖像一階、二階差分約束來緩解階梯效應，后者則通過圖像梯度的結構特性來抑制階梯效應。目前，TGV模型與組稀疏收縮的交叉研究仍然處于起步階段，注意到經典的TGV模型并沒有考慮圖像梯度的鄰域結構特性。

發明內容

本發明旨在提供一種基于交疊組稀疏廣義全變分的地震信號隨機噪聲衰減方法，以解決上述現有地震信號去噪方法存在的問題。為此，本發明采用的具體技術方案如下：

基于交疊組稀疏廣義全變分的地震信號隨機噪聲衰減方法，包括以下步驟：

S1、輸入待去噪的地震信號圖G；