隨著油氣勘探開(kāi)發(fā)工作的不斷深入,國(guó)內(nèi)外對(duì)地震資料采集和處理技術(shù)的要求也日益提高。去除隨機(jī)噪聲,提高信噪比,實(shí)現(xiàn)強(qiáng)噪背景下的弱信號(hào)提取對(duì)復(fù)雜構(gòu)造的精確成像具有重要意義�？紤]到傳統(tǒng)去噪方法在構(gòu)造復(fù)雜地區(qū)難以取得理想的去噪結(jié)果,本文引入尺度空間理論,提出基于Hessian矩陣的多尺度隨機(jī)噪音壓制方法。在二維數(shù)據(jù)中,本文將含有不同頻率成分的有效信號(hào)看作為多個(gè)尺度的不同曲率“曲線”的組合,從而利用Hessian矩陣在曲線檢測(cè)方面表現(xiàn)出的良好性能實(shí)現(xiàn)信噪分離。進(jìn)一步利用了有效信號(hào)在三維數(shù)據(jù)體中的時(shí)空連續(xù)性將算法擴(kuò)展到了三維,實(shí)現(xiàn)了三維地震數(shù)據(jù)的隨機(jī)噪音壓制。該方法與傳統(tǒng)方法相比不受地層傾角的限制,因此能夠處理構(gòu)造較為復(fù)雜地區(qū)的地震數(shù)據(jù),并且能較好的保持構(gòu)造的邊界。分別利用二維、三維模型及實(shí)際資料對(duì)論文提出方法進(jìn)行驗(yàn)證并與傳統(tǒng)方法F-X反褶積及商業(yè)軟件的去噪結(jié)果作對(duì)比,結(jié)果表明基于Hessian矩陣的多尺度隨機(jī)噪音壓制方法對(duì)于二維的疊前和疊后數(shù)據(jù)以及三維數(shù)據(jù)體都可取得良好的去噪效果,且在壓制隨機(jī)噪音的同時(shí)能夠保持有效信號(hào)的完整性,兼顧了地震資料的信噪比和保真度。

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１隨機(jī)噪聲分類??Ｆｉ１．１?Ｒａｎｄｏｍ?ｎｏｉｓｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??

?③背景干擾??這類噪聲是由于介質(zhì)的不均勻性引起的，波在不均勻體上產(chǎn)生彈性波散射，另??夕卜，方向及相位無(wú)規(guī)則的波任意疊加也會(huì)產(chǎn)生背景干擾，背景干擾分布范圍較廣，??其特點(diǎn)是幾乎在整張地震記錄上出現(xiàn)，與有效信號(hào)頻帶范圍相當(dāng)，雜亂無(wú)章，單純??的依靠頻域的閾值濾波很難對(duì)背景噪音進(jìn)行....

圖２．１圖形結(jié)構(gòu)與特征值大小示意圖??Ｆｉｇ．２．１?Ｇｒａｐｈｉｃ?ｓｔｒｕｃｔｕｒｅ?ａｎｄ?Ｈｅｓｓｉａｎ?ｍａｔｒｉｘ?ｅｉｇｅｎｖａｌｕｅｓ??

?第２章Ｈｅｓｓｉａｎ矩陣及其特征值???圖２．１圖形結(jié)構(gòu)與特征值大小示意圖??Ｆｉｇ．２．１?Ｇｒａｐｈｉｃ?ｓｔｒｕｃｔｕｒｅ?ａｎｄ?Ｈｅｓｓｉａｎ?ｍａｔｒｉｘ?ｅｉｇｅｎｖａｌｕｅｓ??并且特征值具有如下特性：??表２．１?Ｈｅｓｓｉａｎ矩陣特征值與探測(cè)形狀之間的對(duì)應(yīng)關(guān)....

圖２．２?（ａ）無(wú)噪模型（ｂ）木（ｃ）牟??Ｆｉｇ?２．?

?第２章Ｈｅｓｓｉａｎ矩陣及其特征值???ｉ：：＾Ｈ??！１００??卜??１８０??５０?１００?１５０?２００??Ｔｒａｃｅ??（ａ）??ｌ?＾?｜８０■??１２０?％?￡Ｓ：?１２０??１４０?１４０??１６０?１６０??１８０??２００?２００??５０?１００?１５０?２０....

圖２．７基于ＨｅＳＳ１ａｎ矩陣的指紋圖像增強(qiáng)處理［３６］??Ｆｉｇｕｒｅ?２．７?Ｆｉｎｇｅｒｐｒｉｎｔ?ｉｍａｇｅ?ｅｎｈａｎｃｅｍｅｎｔ?ｂａｓｅｄ?ｏｎ?Ｈｅｓｓｉａｎ?ｍａｔｒｉｘ０６］??

以獲得更多的指紋信息，如膚色、三維結(jié)構(gòu)等，可以進(jìn)一步提高指紋識(shí)別的準(zhǔn)確性??和安全性。??Ｙｏｎｇｈｅ?Ｔａｎｇ，．?Ｌｉｅｈｕｉ?Ｊｉａｎｇ等在２０１７年將Ｈｅｓｓｉａｎ矩陣應(yīng)用于指紋圖像增強(qiáng)??中，提高非接觸指紋紋路與紋路的對(duì)比度，提出了一種基于Ｈｅｓｓｉａｎ矩陣和短時(shí)傅??....

本文編號(hào)：4056900