基于小波基张量稀疏表示的DAS数据去噪方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108649926A(43)申请公布日2018.10.12(21)申请号201810449245.0(22)申请日2018.05.11(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)发明人钱峰韩青云胡光岷(74)专利代理机构成都虹盛汇泉专利代理有限公司51268代理人王伟(51)Int.Cl.H03H21/00(2006.01)权利要求书1页说明书7页附图1页(54)发明名称基于小波基张量稀疏表示的DAS数据去噪方法(57)摘要本发明公开一种基于小波基张量稀疏表示的DAS数据去噪方法，应用于地震数据处理领域，能够有效地保留DAS数据中的结构信息，有效的去除噪声；通过提出新的稀疏表示模型，将DAS数据表示为稀疏张量形式，在计算过程中采用基于张量积的迭代压缩阈值算法来计算，减小计算复杂度。CN108649926ACN108649926A权利要求书1/1页1.基于权利要求1所述的小波基稀疏表示的DAS数据去噪方法，其特征在于，包括：S1、将DAS数据直接带入到小波基稀疏表示模型中；S2、采用二维平稳小波变换作为DAS数据的小波基张量字典S3、计算小波基张量系数；S4、根据小波基张量系数恢复出有效信号。2.根据权利要求1所述的基于小波基稀疏表示的DAS数据去噪方法，其特征在于，小波基稀疏表示模型的表达式为：其中，是小波基张量字典，每一个横向切片是一个小波基函数是小波基张量系数，β为参数，r是原子数，表示张量，||·||1表示l1范数，表示Frobenius范数。3.根据权利要求2所述的基于小波基稀疏表示的DAS数据去噪方法，其特征在于，采用具有4阶消失矩Coiflet小波作为步骤S1所述二维平稳小波变换的基本小波函数。4.根据权利要求3所述的基于小波基稀疏表示的DAS数据去噪方法，其特征在于，步骤S3通过基于张量积的迭代压缩阈值算法计算下式，得到小波基张量系数2CN108649926A说明书1/7页基于小波基张量稀疏表示的DAS数据去噪方法技术领域[0001]本发明属于地震数据处理领域，特别涉及一种DAS数据去噪技术。背景技术[0002]分布式光纤传感技术是一项革命性的新技术，近两年得到快速发展，针对光纤采集时产生的噪声，国内外的研究还很少。在信号处理领域，降噪技术经过长期的发展已经比较成熟。本发明从信号处理的角度，把噪声按照类型分为高斯噪声和非高斯噪声进行处理。[0003]高斯噪声是一种常见的随机噪声，其n维概率密度函数服从高斯分布。高斯分布，也称正态分布。对于随机变量X，其概率密度函数如图1所示，其分布记为N(a,σ)。常见的高斯噪声包括宇宙噪声、热噪声、散粒噪声、起伏噪声等。[0004]现有的主流去噪方法有如下几种：[0005](1)均值滤波器[0006]均值滤波器的原理是将邻域平均。该滤波器能有效去除图像中通过扫描产生的颗粒噪声。均值滤波器因为使用领域平均的原理，会在作用域周围出现模糊现象，其模糊程度和邻域半径成正比，但同时也能很好的消除噪声。几何均值滤波器的优势是能够更多的保留关键细节，在滤波过程中，它对信号的平滑水平和前面提到的滤波器的效果很接近。谐波均值滤波器在处理高斯噪声中具有较好的表现。逆谐波均值滤波器适用于处理脉冲噪声，它有一个很重要的参数：滤波器阶数符号。如果这个参数选择不合适，滤波效果就变得很差。因此，逆谐波均值滤波器的关注重点是噪声为“亮”或“暗”，这在其阶数符号的选择上有决定性作用。[0007](2)自适应维纳滤波器[0008]自适应维纳滤波器能自动调整滤波器的输出，该滤波器对局部方差进行处理，其效果与局部方差成正比。最小化图像的均方误差其中为恢复图像，f(x,y)为原始图像。通过该方式，图像高频部分得到了保留，整体的滤波效果与均值滤波器相比具有一定优势。然而，其庞大的数据计算量必然会产生运行效率低下的问题，因此这种滤波器更适合处理白噪声。[0009](3)中值滤波器[0010]中值滤波器是一种非常常见的非线性平滑滤波器。其原理是用当前点的某个领域中所有点的中值代替此点处的像素值，这样能够去掉邻域范围内和其他像素值差距很大的点，从而使各个像素值之差减小，将特别突兀的噪声点去除。因此，中值滤波针对椒盐噪声的效果会比较理想。在实际应用中，该方法无需事先了解待处理数据的统计特征。但在处理具有微小特征细节的图像时，中值滤波器往往无法得到理想的效果。[0011]非高斯噪声即概率密度函数不满足正态分布的随机过程。对其进行去噪处理通常采用高阶统计量的方法。现有的去噪方法有如下几种：[0012](1)小波去噪[0013]这种方法把频带进行多层次划分然后自适应地选择相应频段，使之与信号频谱相3CN108