论文阅读记录1 非迭代 3D-SPF去噪（Denoising）

最新推荐文章于 2024-01-12 17:05:33 发布

易溪

最新推荐文章于 2024-01-12 17:05:33 发布

阅读量172

点赞数

文章标签：论文阅读

本文链接：https://blog.csdn.net/qq_53212393/article/details/127555222

版权

Noniterative f-x-y streaming prediction filtering for random noise attenuation on seismic data -Yang Liu，Zhisheng Zheng

本文基于流预测滤波器（PF）理论，加入局部相似性（the local similarity）为惩罚项改善病态（ill-posed）目标函数进行求解，再由得出的自适应滤波器系数解得出预测的原信号。获得了与RNA（regularized nonstationary autoregression）相当的滤波能力并降低了运算量，同时在数据处理路径上使用了蛇形（S型）路径提高了源信号的恢复能力。

Noniterative f-x-y streaming prediction filtering for random noise attenuation on seismic data -Yang Liu，Zhisheng Zheng

1.两步插值策略

基于PF的插值算法主要分为两个步骤：1.构建自回归问题求滤波器系数 2.重建信号

1.1 滤波器系数求解

用滤波系统输出来估计原信号，故有最优化问题：

F为PF系数，G为数据矩阵，g为原信号样本.

1.2 重建信号

用求解的F系数，重新估计原信号。

$\tilde{g}=G^{T}F$

2.二维（f-x）下SPF：

2.1 数据模型假设：基于预测滤波器理论，地震资料样本在频率切片上具有以下预测关系:

${g}_{m,n}=\sum_{p=1}^{P}f_{m,n,p}g_{m,n-p}=G_{m,n}^{T}F_{m,n}$

g为一组地震资料样本，p为x方向上滤波器系数,G为g的偏移矩阵（spatial shift p），F为自适应滤波器系数。

2.2 提出目标函数

目标函数为预测滤波器输出与原函数的误差，以类似数值分析中的最佳平方逼近构造：

$\left \| min_{F_{m,n}} (g_{m,n}-G_{m,n}^{T}F_{m,n})\right \|_{2}^{2}$

这显然是一个病态（ill-posed）的优化问题，他的解仍然具有不定性。

解决措施：机器学习中会接触到正则化的概念，通过引入一些额外的条件对模型复杂度进行惩罚从而避免病态或者过拟合问题。本文通过假设数据点（m,n）与（m,n-1）相似，得到x方向上：

$\lambda _{x}F_{m,n} \approx \lambda _{x}F_{m,n-1}$

同样f方向上也有： $\lambda _{f}F_{m,n} \approx \lambda _{f}F_{m-1,n}$

利用这种局部相似性(local similarity)引入正则项 $\lambda _{x}$ 与 $\lambda _{f}$ 以L2范数形式形成Ridge回归。

目标函数变为：

$\left \| min_{F_{m,n}} (g_{m,n}-G_{m,n}^{T}F_{m,n})\right \|_{2}^{2}+\lambda _{f}^{2}\left \| F_{m,n}-F_{m-1,n} \right \|_{2}^{2}+\lambda _{x}^{2}\left \| F_{m,n}-F_{m,n-1} \right \|_{2}^{2}$

2.3 求解

QR分解为：

此时由于加入正则化项，从ill-posed问题变为了overdetermined问题：

超定方程组最小二乘解公式：

对于 $Ax=b$ 左乘 $A^{T}$ 得 $A^{T}Ax=A^{T}b$ ,求逆得：

$x=(A^{T}A)^{-1}A^{T}b$

故： $F_{m,n}=(\lambda _{f}^{2}I+\lambda _{x}^{2}I+G_{m,n}^{*}G_{m,n}^{T})^{-1}(g_{m,n}G_{m,n}^{*}+\lambda _{f}^{2}F_{m-1,n}+\lambda _{x}^{2}F_{m,n-1})$

简化：

$\left\{\begin{matrix}\lambda ^{2}=\lambda_{x} ^{2}+\lambda_{f} ^{2} \\ \lambda ^{2}\tilde{F}_{m,n} = \lambda_{x} ^{2}F_{m,n-1}+\lambda_{f} ^{2}F_{m-1,n} \end{matrix}\right.$

得： $F_{m,n}=(\lambda _{f}^{2}I+G_{m,n}^{*}G_{m,n}^{T})^{-1}(g_{m,n}G_{m,n}^{*}+\lambda ^{2}\tilde{F}_{m,n})$

由Sherman-Morrison formula：

恢复原信号（去噪后）： $\tilde{g}_{m,n}=G_{m,n}^{T}F_{m,n}$

3.三维（f-x-y）SPF：

f-x-y SPF在f-x SPF基础上添加另一个空间方向上的滤波，求解时加入另一个方向上的相似性，相比于二维约束性增强，对噪声的抑制加强，达到更好的滤波效果。

3.1 数据模型假设：在二维基础上添加新的空间方向

${g}_{m,n,l}=\sum_{p=1}^{P}f_{m,n,l,p,q}g_{m,n-p,l-q}=G_{m,n,l}^{T}F_{m,n,l}$

g为一组地震资料样本，p为x方向上滤波器系数,q为y方向上滤波器系数,G为g的偏移矩阵（spatial shift p,shift q），F为自适应滤波器系数。

3.2 目标函数

目标函数为预测滤波器输出与原函数的误差，以类似数值分析中的最佳平方逼近构造：

$\left \| min_{F_{m,n,l}} (g_{m,n,l}-G_{m,n,l}^{T}F_{m,n,l})\right \|_{2}^{2}$

同样加入局部相似性作为正则化项进行约束，假设数据点（m,n,l）与（m,n-1,l）相似，得到

x方向上：

$\lambda _{x}F_{m,n,l} \approx \lambda _{x}F_{m,n-1,l}$

f方向上：

$\lambda _{f}F_{m,n,l} \approx \lambda _{f}F_{m-1,n,l}$

y方向上：

$\lambda _{y}F_{m,n,l} \approx \lambda _{y}F_{m,n,l-1}$

新目标函数：

$\left \| min_{F_{m,n,l}} (g_{m,n,l}-G_{m,n,l}^{T}F_{m,n,l})\right \|_{2}^{2}+\lambda _{f}^{2}\left \| F_{m,n,l}-F_{m-1,n,l} \right \|_{2}^{2}+\lambda _{x}^{2}\left \| F_{m,n,l}-F_{m,n-1,l} \right \|_{2}^{2}+\lambda _{y}^{2}\left \| F_{m,n,l}-F_{m,n,l-1} \right \|_{2}^{2}$