地震图像处理基本理论（一）

多震源地震采集技术

其分为混合采集和同时激发采集。混合采集是按照震源随机编码在不同空间位置、以较短随机时间间隔进行激发，检波器连续接收地下介质反射信息响应，获得在时间空间上波长混合的地震记录；而同时激发采集则是在不同空间位置的多个震源同时激发，无激发延迟时，可以看作混合采集的特殊形式。

混合震源数据伪分离

两个或者两个以上单炮混合在共炮域可以表示为

中Ubl表示混合震源记录，U表示待分离的单炮记录，Γbl表示混合震源算子.但是在实际计算中Γbl是一个欠定矩阵，Γbl-1是不存在的，故没有办法直接求出，但是可以通过式(3)构造出伪逆，公式为

联合方程(2)和(3)我们可以得到：

其中〈U〉表示伪分离地震记录.

同时震源

指在一个常规炮点计时周期内，激发几个震源，其复合能量记录在同一组检波器内的一种思想。根据这种思想，可以在通常采集一炮地震记录的时间内采集两炮或更多炮。这两炮或多炮几乎是同时激发，各震源之间具有很小的随机时间延迟。该方法属于单点高密度地震勘探技术。

同时震源数据的分离技术

为了使同时震源采集数据有用，需要开发处理震源干涉的算法。最简单的方法是在预处理时，分离每个震源的能量，然后再进行常规处理。另一种方法是使干涉炮之间的延迟时不相干，将震源多次激发产生的地震道对齐，使时间零对应某个震源的激发时间，那么对应该震源的信号应该是相干的，而其他震源的信号就是不相干的。利用相干性就可以进行信号的分离。

地震数据分离技术

（1）基于反演理论的多震源混合采集数据分离技术发展
若将地震数据的混合采集视作地球物理正问题，则从混采数据中分离出常规单震源数据可转化为反问题进行求解，基于此基础，一些学者提出了基于反演理论的分离方法。通常此反问题属于欠定问题，须在反演中引入正则化算子方法求解。有学者利用信号在某些域中的稀疏特性，通过不同域的转换，对混合采集数据进行稀疏约束求解欠定题;也有学者将混采数据选排至共中心点域，并在Radon域中借助稀疏约束进行正则化反演，得到与未混合单震源数据质量相近的分离结果;最新的有学者在这方面所进行的改进是在求解欠定反演问题中加入非线性整型算子约束条件，分别利用seislet域整型正则化滤波、f-x预测滤波、f-k域滤波三种方法进行混采数据波场分离，这也证明了seislet域整型正则化算法分离效果的优越性。

(2)基于滤波去噪的多震源混合采集数据分离技术发展
去噪滤波方法主要基于混叠噪声在非共炮点域的不相干性，其研究思路是通过将
混采数据变换至非共炮点域进行去噪，然后反变换回共炮点域完成混合采集数据分
离。有学者通过多方位矢量中值滤波方法在非共炮点域将混叠噪声分离出去；还有的学者利用震源信号在不同时间域中的相干性差异，通过迭代的方法逐步从数据中估计混叠噪声并提取单炮数据。

CMP抽道集

CMP，是Common Middle Point的缩写，即CMP道集，是指把不同炮集中拥有共中心点的道抽取出来，形成一个新的集合。

范数

范数被用来度量某个向量空间（或矩阵）中的每个向量的长度或大小。

1、L0范数
L0范数并不是一个真正的范数，它主要被用来度量向量中非零元素的个数。

由于无法说明零的零次方和非零数开零次方的意义。因而，在通常情况下，大家都用的是：

用以表示向量x中非零元素的个数。
其优化问题为：

在实际应用中，由于L0范数本身不容易有一个好的数学表示形式，给出上面问题的形式化表示是一个很难的问题，故被人认为是一个NP难问题（注：NP问题意思是可以在多项式时间内进行验证的的问题，P问题是指可以在多项式时间内解决的问题）。所以在实际情况中，L0的最优问题会被放宽到L1或L2下的最优化。

２、L１范数
L1范数的定义如下：

其表示向量中非零元素的绝对值之和。使用L1范数可以度量两个向量间的差异，如绝对误差和（Sum of Absolute Difference）：

对于L1范数，它的优化问题如下：

由于L1范数的天然性质，对L1优化的解是一个稀疏解，因此L1范数也被叫做稀疏规则算子。通过L1可以实现特征的稀疏，去掉一些没有信息的特征，

３、L2范数
L2范数是我们最常见最常用的范数了，我们用的最多的度量距离欧氏距离就是一种L2范数，它的定义如下：

其表示向量元素的平方和再开平方。
像L1范数一样，L2也可以度量两个向量间的差异，如平方差和（Sum of Squared Difference）:

对于L2范数，它的优化问题如下：

L2范数通常会被用来做优化目标函数的正则化项，防止模型为了迎合训练集而过于复杂造成过拟合的情况，从而提高模型的泛化能力。

4、L∞范数
它主要被用来度量向量元素的最大值，与L0一样，通常情况下表示为

噪声模型

图像噪声通常看作是多维度随机过程，可以使用概率分布函数和概率密度分布函数来表示。
1、椒盐噪声
椒盐噪声是数字图像中的常见噪声，一般是由图像传感器、传输信道及解码处理等产生的黑白相见的亮暗点噪声，椒盐噪声常由图像切割产生。椒盐噪声是指两种噪声：盐噪声（salt noise）及椒噪声（pepper noise）。盐噪声一般是白色噪声，椒噪声一般是黑色噪声，前者高灰度噪声，后者属于低灰度噪声，一般两种噪声同时出现，呈现在图像上就是黑白杂点。图像去除脉冲干扰及椒盐噪声最常用的算法是中值滤波，图像模拟添加椒盐噪声是通过随机获取像素值点并设置为高亮点来实现的。

2、随机噪声
随机噪声，又称背景噪声，由时间上随机产生的大量起伏骚扰积累而造成的，其值在给定瞬间内不能预测的噪声。其可以通过随机生成黑白杂点来实现，但此黑白杂点也是随机色值（a,b,c）（255-a,255-b,255-c）,其中a，b，c是0-30的随机数，这些杂点在图像坐标内随机分布。

3、高斯噪声
高斯噪声是指概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度服从高斯分布，而它的功率谱密度又是分布均匀的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，是指先后信号在时间上的相关性。高斯白噪声包括热噪声和散粒噪声。高斯噪声完全由其时变平均值和两瞬时的协方差函数来确定，若噪声为平稳的，则平均值与时间无关，而协方差函数则变成仅和所考虑的两瞬时之方差有关的相关函数，它在意义上等效于功率谱密度。

滤波

常见的滤波方式有均值滤波、中值滤波、高斯滤波等。

1、均值滤波—mean_image

   均值滤波又称作邻域平均法，是典型的线性滤波算法，理想的均值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。
   从频率域观点来看均值滤波是一种低通滤波器（让图像的低频部分通过，通常弱化边缘，会得到比较平缓的图像），高频信号将会去掉，因此可以帮助消除图像尖锐噪声，实现图像平滑，模糊等功能。因为此方法不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊。

2、中值滤波—median_Image，适用于椒盐噪声

   中值滤波也是消除图像噪声最常见的手段之一，特别是消除椒盐噪声，中值滤波的效果要比均值滤波更好。它的基本原理是计算出数字图像中的一点的一个邻域中的各点值的中值（中间值），并使用该中值将将该点原值代替。可以理解为使用一个窗口沿图像移动，用窗口内所有象素灰度的中值来代替窗口中心位置的象素灰度。窗口根据需要定义，可以是3* 3，5 *5的方形、十字形或者圆形等。

3、高斯滤波—gauss_image，适用于高斯噪声

   高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。可以理解为用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

4、聚束滤波
聚束滤波由Ｓｈｕｍｗａｙ和Ｄｅａｎ（１９６８）提出，能够在输出噪声能量为最小的前提下，提取出无畸变的信号，是一种多道滤波方法。

5、f-k域滤波
ｆ-ｋ域滤波方法可以有效地压制线性干扰． ｆ-ｋ域滤波方法基于二维傅里叶变换原理将地震数据从ｆ（ｔ，ｘ）域（ｔ为反射时间，ｘ为道位置）转换到Ｆ（ｆ，ｋ）域（ｆ为频率，ｋ为波数）。

稀疏表示去噪

稀疏信号定义为：若信号仅有限非零采样点，而其他采样点均为零（或接近于零），则称信号是稀疏的。

稀疏表示能够去噪的原因：可以认为含噪图像是由无噪图像和噪声合成的图像，而观测图像被认为是可稀疏的，即可以通过有限个原子来表示，而噪声是随机的不可稀疏的，即不可以通过有限个原子表示，因此通过观测图像去提取图像的系数成分，再用这些稀疏成分来重构图像，在这个过程中，噪声被处理为观测图像和重构图像之间的残差，在重构过程中残差被丢弃，从而达到去噪的效果。

稀疏表示又称为稀疏编码，这个过程可以被视为特征提取的过程，可以看作把目标信号投影到一组非正交的基构成的空间中，而在每个基上投影的系数，就是稀疏编码。这组非正交的基向量中，每一个基向量被称为一个原子，这些原子（列向量）可以构成一个超完备的字典。

那么，为什么要使用过完备的字典，或者说要在非正交的空间进行投影呢？

对于一组正交基而言，它们可以准确而唯一地表示空间中的任何向量，而且这些向量间没有冗余（因为正交），正式因为严格的正交限制，因此正交基的展开简单，但是稀疏性不够理想，因为严格正交的基往往只能表示图像的某一个特征而不能够同时表示其他特征，因此正交基的稀疏性不及非正交基（过完备字典）。

不适定问题

适定问题满足以下三个条件：① 解是存在的；② 解是唯一的；③ 解连续依赖于定解条件，即解是稳定的。这三个条件中，只要有一个不满足，就是不适定问题。

欠定方程

所谓欠定方程，是指未知数的个数多于方程个数，且未知数受到某些（如要求是有理数、整数或正整数等等）的方程或方程组