CN109212608B - 基于3D shearlet变换的井中微地震信号去噪方法 - Google Patents
基于3D shearlet变换的井中微地震信号去噪方法 Download PDFInfo
- Publication number
- CN109212608B CN109212608B CN201810591853.5A CN201810591853A CN109212608B CN 109212608 B CN109212608 B CN 109212608B CN 201810591853 A CN201810591853 A CN 201810591853A CN 109212608 B CN109212608 B CN 109212608B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- signal
- denoising
- shear
- satisfies
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000009466 transformation Effects 0.000 title claims abstract description 20
- 238000010008 shearing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 241001269238 Data Species 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 6
- 230000001629 suppression Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开基于3Dshearlet变换的井中微地震信号去噪方法,包括以下步骤:步骤一、将井中微地震三个分量数据转为三维数据集;步骤二、对所述数据集进行剪切变换以获得剪切系数;步骤三、对所述剪切系数进行阈值处理得阈值后系数:步骤四、对所述阈值后系数应用逆剪切变换得时域去噪后信号;步骤五、输出所述时域去噪后信号前三个表面得到有效信号。本发明利用了微地震数据和剪切域中系数分布的相关性,应用3D shearlet处理三分量信号,并采用多尺度阈值函数去噪,在有效信号保留和噪声衰减方面取得了优良的性能。
Description
技术领域
本发明涉及地震信号处理技术领域,更具体的是,本发明涉及基于3D shearlet变换的井中微地震信号去噪方法。
背景技术
微地震监测在储层监测和资源特征研究中发挥着重要作用。但是,微地震数据往往受到不必要噪声的强烈污染,这导致现场记录的信噪比(SNR)较低。因此,抑制噪声是微地震处理中提高监测质量的重要步骤。
在获取微地震数据方面,井中监测越来越受欢迎。井中微地震数据由三个分量(3C)组成:x、y和z分量,它们之间有很强的相关性。然而,井中微地震数据的频率高于地面微地震信号。因此对于常见地震信号的降噪方法,不适用于井中微地震去噪。近年来,国内外学者对于研究井中地震数据去噪方法已经做出了一些努力。在现有技术中,有人提出了一种基于顶点偏移抛物Radon变换的自适应信号检测和数据去噪算法。该方法利用抛物线逼近提高算法速度。而它的主要工作集中在信号检测而不是噪声抑制。有研究者开发了一种基于数学形态学的新型滤波方法。该方法改进了顶帽过滤器难扩展的缺点。但它仅限于应用低频噪声处理。针对非平稳特性,提出了一种基于集合经验模式分解(EEMD)和置换熵的非平稳随机噪声抑制方法。有研究者通过基于Radon变换的自适应矢量方向中值滤波器提出了一种新的去噪方案。它成功地检测和衰减了噪声。但是,这两种方法只有在输入信号信噪比较高时有效。
Shearlet变换(ST)提供了一个多尺度,多方向和位置函数组成的表示***。二维剪切变换(2DST)与阈值相结合的算法已被广泛用于图像去噪和微地震处理。但是,将其应用于井中微地震数据时,几乎完全忽略了3C数据之间的相关性。
发明内容
本发明为解决目前的技术不足之处,提供了基于3D shearlet变换的井中微地震信号去噪方法,在保留有效信号前提下,更加彻底地去除背景噪音。
本发明提供的技术方案为:基于3D shearlet变换的井中微地震信号去噪方法,包括以下步骤:
步骤一、将井中微地震三个分量数据转为三维数据集;
步骤二、对所述数据集进行剪切变换以获得剪切系数;
步骤三、对所述剪切系数进行阈值处理得阈值后系数:
步骤四、对所述阈值后系数应用逆剪切变换得时域去噪后信号;
步骤五、输出所述时域去噪后信号前三个表面得到有效信号;
其中,所述阈值后系数SH'ψ(Sj)通过如下计算过程得到:
其中,S为所述数据集,SHψ(Sj)为剪切系数,j为尺度,λj为随尺度j变化的阈值;μ为第一系数,并且满足0≤μ≤1。
优选的是,在所述步骤二中所述的剪切变换满足:
SHψ(Sj)=<S,ψj,l,k>
其中,SHψ(Sj)表示对S进行shearlet变换,<S,ψj,l,k>表示连续shearlet变换将信号S投影到尺度为j、方向为l和时间为k的母函数ψj,l,k上。
优选的是,所述母函数ψj,l,k满足:
{ψj,l,k=|det A|j/2ψ(BlAjx-k):j∈Z,l∈Z2,k∈Z2}
其中,并且l=(l1,l2)∈Z2,Bl为剪切矩阵,并且满足Z和Z2分别是一组虚数和二维虚矢量。
优选的是,所述母函数ψj,l,k的频域为对于任意的ζ=(ζ1,ζ2,ζ3)∈R3,所述频域满足:
其中,紧支撑为 紧支撑为ω为频率,并且,当时,当|ω|≤1时有
优选的是,在所述步骤二中,
S=X+N
其中,X为所述有效信号,N为加性随机噪声。
优选的是,
SHψ(Sj)=SHψ(Xj)+SHψ(Nj)
其中,SHψ(Xj)表示有效信号剪切系数,SHψ(Nj)表示噪声剪切系数。
优选的是,所述步骤四中时域去噪后信号S′满足:
优选的是,所述步骤五,选取时域去噪后信号S′的前三个二维系数矩阵作为输出。
优选的是,所述第一系数满足:
其中,α为第二系数,并且满足0≤α≤1。
本发明至少具备以下有益效果:本发明提供了一种基于3D shearlet变换的井中微地震信号去噪方法,利用了微地震数据和剪切域中系数分布的相关性,应用3D shearlet处理三分量信号,并采用多尺度阈值函数去噪,在有效信号保留和噪声衰减方面取得了优良的性能。
附图说明
图1为本发明各尺度系数的能量分布图(黑色为第一尺度,无色为第二尺度,灰色为第三尺度)。
图2为本发明各尺度系数的高阶累积量分布(黑色为第一尺度,无色为第二尺度,灰色为第三尺度)。
图3为本发明的模拟信号的纯净信号。
图4为本发明的模拟信号的带噪信号图。
图5为本发明的WT去噪结果图。
图6为本发明的2DST去噪结果图。
图7为本发明的3DST去噪结果图。
图8为本发明的三种方法单道去噪结果图。
图9为本发明的三种方法去噪结果频谱图。
图10为本发明的实际信号的实际数据。
图11为本发明的实际信号的WT去噪结果。
图12为本发明的实际信号的2DST去噪结果。
图13为本发明的实际信号的3DST去噪结果。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明可以有许多不同的形式实施,而不应该理解为限于在此阐述的实施例,相反,提供这些实施例,使得本公开将是彻底和完整的。在附图中,为了清晰起见,会夸大结构和区域的尺寸和相对尺寸。
本发明提供了一种基于3D shearlet变换的井中微地震信号去噪方法,我们应用三维剪切变换(3DST)去除井中微地震数据中的随机噪声。利用三分量之间的相关性,将数据重组成3D矩阵,然后通过剪切变换进行处理。
包括以下步骤:
步骤一、将井中微地震三个分量数据转为三维数据集;
步骤二、对所述数据集进行剪切变换以获得剪切系数;
步骤三、对所述剪切系数进行阈值处理得阈值后系数:
步骤四、对所述阈值后系数应用逆剪切变换得时域去噪后信号;
步骤五、输出所述时域去噪后信号前三个表面得到有效信号;
其中,所述阈值后系数SH'ψ(Sj)通过如下计算过程得到:
其中,S为所述数据集,SHψ(Sj)为剪切系数,j为尺度,λj为随尺度j变化的阈值;μ为第一系数,并且满足0≤μ≤1。
在具体实例中,
三分量之间的相关性,与三帧视频数据相似。基于此,我们将井中微地震三个分量信号转换为三维数据(也称为3D数据)。将x,y和z分量叠放组成三维数据集S。对所述三维数据集S进行剪切变换以获得不同尺度j的剪切系数SHψ(Sj)。
S=X+N
其中,X是有效信号,N是加性随机噪声。
S在shearlet域可以被表示为:
SHψ(Sj)=SHψ(Xj)+SHψ(Nj)
其中,SHψ(Xj)表示有效信号剪切系数,SHψ(Nj)表示噪声剪切系数。
根据shearlet变换的稀疏性,SHψ(X)值集中并大于SHψ(N)。所以根据在shearlet域中有效信号与噪声的幅值不同,可以分离有效信号与噪声。
当维度d=3时,信号的shearlet变换定义为:
SHψ(Sj)=<S,ψj,l,k>
其中,SHψ(·)代表shearlet变换,<·>代表内积运算,连续shearlet变换将信号S投影到尺度为j,方向为l和时间为k的母函数ψj,l,k上。
母函数ψj,l,k满足:
{ψj,l,k=|det A|j/2ψ(BlAjx-k):j∈Z,l∈Z2,k∈Z2}
其中,Z和Z2分别是一组虚数和二维虚矢量。
此外,并且l=(l1,l2)∈Z2,剪切矩阵Bl并定义为
母函数ψj,l,k的频域为满足:
对于任意的ζ=(ζ1,ζ2,ζ3)∈R3,其中ψ1和ψ2满足:
(1)紧支撑为并且当时有
(2)紧支撑为并且当|ω|≤1时有ω为频率。
我们采用改进的小波阈值处理剪切系数SHψ(Sj):
其中,SH′ψ(Sj)是处理后的系数,λ是阈值参数。并且
α为第二系数,满足0≤α≤1。
但是,这个阈值函数不能直接应用于剪切系数。由于shearlet是一个多尺度变换,各种尺度上有效信号的分布也不同。我们借助剪切波系数的能量和高阶累积清楚地展示了这个特征。高阶累积的表达如下:
其中,cn是随机变量x的第n阶积累,Φ(ω)是x的特征函数,Ψ(ω)=lnΦ(ω)是x的第二特征函数。
一般情况下,噪声的能量低于信号能量,并且其高阶累积量趋于零。如图1-2所示,两个指标在每个尺度上的分布非常相似。此外,系数的能量和高阶累积量随着尺度的增加而增加。因此,我们可以得出结论,各个尺度包含有效信号的程度是不同的。在所有尺度上使用相同的阈值是不合理的。
基于以上分析,本发明提出了一个新的阈值函数(即为阈值后系数),其表达式如下:
其中,j表示尺度,λj表示随尺度变化的阈值。对于与有效信号相关的尺度应用较小的阈值,对于与噪声相近的尺度用较大的阈值。
为了验证本发明提出的去噪方法的可行性和适用性,如图3-4所示,我们给出了一个基于Ricker小波的若干井中微地震事件。Ricker小波的表达式如下:
x(t)=(1-2π2ω2t2)exp(-π2ω2t2)
其中,ω为频率,t为时间,exp(·)为指数函数。
图3-4中每道信号有128个采样点,主频率为200Hz。为了处理更真实的合成数据,它被嵌入在具有-5dB的SNR的高斯白噪声中。SNR被定义为:
其中,X(t,d)是纯净信号,是去噪结果,t是时间,d是道数,M和N分别是信号的长和宽。
图5-7是WT(小波变换)、2DST(二维剪切变换)和3DST(三维剪切变换)算法应用于嘈杂记录的去噪结果。为了展现3DST的优势,我们比较了区域A和区域B的优越效果。从WT的结果中,我们可以看到有效信号基本上恢复了,但是在区域A仍然有太多的噪声。图6显示了2DST的结果,该方法在区域A抑制噪声的能力优于WT,而有效信号衰减非常严重,特别是在区域B中。小幅度反射波几乎同时被滤除。相比之下,3DST可以在强噪声下恢复微小的失真小波。背景噪音的去除更加彻底,事件的恢复效果明显。
为了更好地观察去噪结果,在图8中我们给出了三种方法单道记录的去噪波形。通过比较,我们可以看到在WT和2DST之后仍然存在一些残余噪声。相比之下,本发明中的方法可以抑制噪声,并能更好地保留微地震信号的幅度。图9显示了三种方法的频谱比较结果。就频谱而言,3DST算法的结果在高频和低频区域更接近纯净信号。
SNR和均方误差(MSE)是衡量滤波结果性能的两个重要指标。较高的SNR和较小的MSE意味着更好的结果。如表1所示,利用两个指标对三种方法进行比较,我们可以得出结论,3DST在三种方法中性能最好。
表1三种方法的SNR和MSE
为了进一步测试我们提出的方法在实际数据处理中的有效性,我们将其应用于在中国的某个区域收集的15道井中微地震记录中。如图10所示,随机噪声的存在严重模糊了微地震事件。WT,2DST和3DST的去噪结果如图11,图12和图13所示。从WT的结果中,我们可以看到它仍然存在很多噪音,甚至产生了一些伪轴。至于2DST,它可以抑制大部分噪声,但同时会导致一些微弱信号的衰减。相反,本发明中的方法大大提高了信噪比并恢复了事件的连续性。
在本发明中,我们提出了一种基于3DST的新算法,并将其应用到井中微地震数据的噪声抑制中。它利用了微地震数据和剪切域中系数分布的相关性。实验结果表明,与WT和2DST去噪方法相比,该算法在有效信号保留和噪声衰减方面可以取得更好的性能。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.基于3D shearlet变换的井中微地震信号去噪方法,其特征在于,包括以下步骤:
步骤一、将井中微地震三个分量数据转为三维数据集;
步骤二、对所述数据集进行剪切变换以获得剪切系数;所述的剪切变换满足:
SHψ(Sj)=<S,ψj,l,k>
其中,SHψ(Sj)表示对S进行shearlet变换,<S,ψj,l,k>表示连续shearlet变换将信号S投影到尺度为j、方向为l和时间为k的母函数ψj,l,k上;
所述母函数ψj,l,k满足:
{ψj,l,k=|det A|j/2ψ(BlAjx-k):j∈Z,l∈Z2,k∈Z2}
其中,并且l=(l1,l2)∈Z2,Bl为剪切矩阵,并且满足Z和Z2分别是一组虚数和二维虚矢量,l、l1和l2均为方向参数,k为时间参数,ψj,l,k为母函数;
所述母函数ψj,l,k的频域为对于任意的ζ=(ζ1,ζ2,ζ3)∈R3,所述频域满足:
其中,紧支撑为紧支撑为ω为频率,并且,当时,当|ω|≤1时有
步骤三、对所述剪切系数进行阈值处理得阈值后系数:
步骤四、对所述阈值后系数应用逆剪切变换得时域去噪后信号;
步骤五、输出所述时域去噪后信号前三个表面得到有效信号;
其中,所述阈值后系数SH'ψ(Sj)通过如下计算过程得到:
其中,S为所述数据集,SHψ(Sj)为剪切系数,j为尺度,λj为随尺度j变化的阈值;μ为第一系数,并且满足0≤μ≤1。
2.如权利要求1的所述基于3D shearlet变换的井中微地震信号去噪方法,其特征在于,在所述步骤二中,
S=X+N
其中,X为所述有效信号,N为加性随机噪声。
3.如权利要求2所述的基于3D shearlet变换的井中微地震信号去噪方法,其特征在于,
SHψ(Sj)=SHψ(Xj)+SHψ(Nj)
其中,SHψ(Xj)表示有效信号剪切系数,SHψ(Nj)表示噪声剪切系数。
4.如权利要求1所述的基于3D shearlet变换的井中微地震信号去噪方法,其特征在于,所述步骤四中时域去噪后信号S′满足:
5.如权利要求2所述的基于3D shearlet变换的井中微地震信号去噪方法,其特征在于,
所述步骤五,选取时域去噪后信号S′的前三个二维系数矩阵作为输出。
6.如权利要求2所述的基于3D shearlet变换的井中微地震信号去噪方法,其特征在于,所述第一系数μ满足:
其中,α为第二系数,并且满足0≤α≤1,λ是阈值参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810591853.5A CN109212608B (zh) | 2018-06-11 | 2018-06-11 | 基于3D shearlet变换的井中微地震信号去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810591853.5A CN109212608B (zh) | 2018-06-11 | 2018-06-11 | 基于3D shearlet变换的井中微地震信号去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109212608A CN109212608A (zh) | 2019-01-15 |
CN109212608B true CN109212608B (zh) | 2019-08-30 |
Family
ID=64991125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810591853.5A Expired - Fee Related CN109212608B (zh) | 2018-06-11 | 2018-06-11 | 基于3D shearlet变换的井中微地震信号去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109212608B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109917453B (zh) * | 2019-01-25 | 2019-12-17 | 吉林大学 | 基于Shearlet变换的多尺度一次波分离方法 |
CN110646851B (zh) * | 2019-10-17 | 2021-01-22 | 东北大学 | 一种基于Shearlet变换的自适应阈值地震随机噪声压制方法 |
CN112363218A (zh) * | 2020-12-07 | 2021-02-12 | 鞍钢集团矿业有限公司 | 基于3D-Shearlet变换和尺度自适应的地震随机噪声压制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399348B (zh) * | 2013-08-15 | 2015-09-30 | 电子科技大学 | 基于Shearlet变换的地震信号去噪方法 |
US11092709B2 (en) * | 2016-11-17 | 2021-08-17 | Saudi Arabian Oil Company | Use of wavelet cross-correlation for virtual source denoising |
CN106597541A (zh) * | 2017-02-22 | 2017-04-26 | 中国石油大学(华东) | 基于Shearlet变换的地震数据重构方法 |
CN107845079A (zh) * | 2017-11-15 | 2018-03-27 | 浙江工业大学之江学院 | 基于紧支撑的3D‑shearlet医学CT视频去噪方法 |
CN107991707A (zh) * | 2017-12-05 | 2018-05-04 | 吉林大学 | 一种基于shear let域内峰度特性的井中微地震初至波拾取方法 |
-
2018
- 2018-06-11 CN CN201810591853.5A patent/CN109212608B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN109212608A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598166B (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
Tania et al. | A comparative study of various image filtering techniques for removing various noisy pixels in aerial image | |
CN108107475B (zh) | 基于经验小波变换和多阈值函数的井中微地震去噪方法 | |
Qiu et al. | Deep learning prior model for unsupervised seismic data random noise attenuation | |
CN109212608B (zh) | 基于3D shearlet变换的井中微地震信号去噪方法 | |
CN105700020A (zh) | 一种地震数据随机噪声压制方法及装置 | |
CN110646851B (zh) | 一种基于Shearlet变换的自适应阈值地震随机噪声压制方法 | |
CN112084845A (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
CN113204051B (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
Raju et al. | Denoising of MRI and X-Ray images using dual tree complex wavelet and Curvelet transforms | |
CN113484913B (zh) | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 | |
Patil et al. | Wavelet shrinkage techniques for images | |
CN110032968A (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
CN112213785B (zh) | 一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN106097264B (zh) | 基于双树复小波和形态学的卫星遥测数据滤波方法 | |
CN112363218A (zh) | 基于3D-Shearlet变换和尺度自适应的地震随机噪声压制方法 | |
Liang et al. | Self-adaptive spatial image denoising model based on scale correlation and SURE-LET in the nonsubsampled contourlet transform domain | |
CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
CN105372707A (zh) | 一种多尺度地震资料随机噪音衰减方法 | |
WANG et al. | An improved wavelet threshold function and its application in image edge detection | |
Jinhuan et al. | Research on Application of Deep Learning Algorithm in Earthquake Noise Reduction | |
Xuhui et al. | Ultrasound image denoising based on the contourlet transform and anisotropic diffusion | |
Arslan et al. | Paired directional transform-based methods of image enhancement | |
CN102663687B (zh) | 基于空间自适应高斯混合模型的表面波变换视频去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190830 Termination date: 20200611 |
|
CF01 | Termination of patent right due to non-payment of annual fee |