几种去噪方法的比较与改进

1.1研究背景及意义21世纪以来，页岩气作为一种新能源，目前世界上天然气供应关系因为页岩气的快速发展发生了巨大的变化。

目前，页岩气勘探已经成为一场革命在整个世界兴起，受到了世界各国政府以及能源油气公司的重视，并将其勘探和开发提上日程。

叠前反演可以获得所需的裂缝和脆性属性，其在岩性预测和流体检测中发挥着重要作用，叠前反演的效果受到叠前道集数据质量的影响较大。

页岩气勘探虽然已从构造勘探转变为岩性勘探，但目前的地震数据处理仍以构造成像方法为主，为地震储层描述进行保持动力学特征的处理较少，产生的叠前道集存在随机噪声、多次波等干扰，部分道集因速度误差、各向异性等影响导致反射波同相轴不平。

因此，这些叠前道集不能真实地揭示地下介质的A VO特征，需要对叠前道集进行一定程度的优化处理，才能顺利地对叠前弹性参数进行反演。

地震道集是由很多振动的波形组成的，其产生是在地面由人工激发的地震波向下传播的过程中由于地下岩层拥有不同的物理属性而产生不同能量的反射，传感器接收到来自地面的反射波成像。

图1-1演示了地震波收集的过程，在两个地质界面属性不同的界面处地震波的振幅强。

地震记录有很多道集方式，如共炮点道集(CSP)，共接收点道集(CRP)，共深度点道集(CDP)，共中心点道集(CMP)等，不同的道集采集方式不同，CSP道集是在同一个炮点处激发，在不同检波点接收的所有道形成的道集。

CRP道集的激发不是来自于同一个炮点，是指在不同炮点激发，但是其接收来自于一个检波点，将这些信号组成道集就是CRP道集，它的每一道都出自于相同的中心点。

这些道集如果直接使用就是叠前道集，在地质解释的很多场合需要将这些道集进行叠加，叠加之后的道集就叫叠后道集，通常来说直接获得的道集更准确，也就是叠前道集的准确度优于叠后道集。

图1-1 地震法成像在野外由于复杂的地形特点，比如沼泽，山地等等，在这些地区进行野外勘探时受地形复杂的影响得到的数据质量差，富含大量的噪声，这些叠前数据成像不准确，干扰了结果分析。

《基于深度学习的低剂量CT去噪方法研究》篇一一、引言随着医学影像技术的不断发展，低剂量CT（Computed Tomography）技术因其能够减少辐射剂量、降低患者接受辐射的风险而受到广泛关注。

然而，低剂量CT图像往往伴随着明显的噪声，影响了图像的清晰度和诊断的准确性。

因此，如何有效地对低剂量CT图像进行去噪处理，提高图像质量，成为了当前研究的热点问题。

本文将针对基于深度学习的低剂量CT去噪方法进行研究，旨在为医学影像处理领域提供新的思路和方法。

二、深度学习在低剂量CT去噪中的应用深度学习是一种基于神经网络的机器学习方法，其强大的特征提取和表达能力在图像处理领域得到了广泛应用。

在低剂量CT去噪方面，深度学习能够通过训练大量的数据模型，学习到噪声与清晰图像之间的内在联系，从而实现有效的去噪。

常见的深度学习模型包括卷积神经网络（CNN）、生成对抗网络（GAN）等。

三、基于深度学习的低剂量CT去噪方法本文提出了一种基于生成对抗网络的低剂量CT去噪方法。

该方法主要包括生成器和判别器两个部分。

生成器负责将低剂量的CT图像转化为高清晰度的图像，而判别器则用于区分输入的图像是原始的高清晰度图像还是生成器生成的图像，从而对生成器的输出进行评估和优化。

具体而言，我们采用了U-Net结构的生成器，该结构能够有效地提取和重建图像的细节信息。

同时，我们使用了WGAN （Wasserstein Generative Adversarial Network）的判别器，通过优化损失函数，使得生成器能够更好地生成高清晰度的图像。

在训练过程中，我们使用了大量的低剂量CT图像和高清晰度图像数据，通过不断调整模型的参数，使得生成器能够学习到噪声与清晰图像之间的内在联系。

四、实验结果与分析我们在多个低剂量CT图像数据集上进行了实验，并与传统的去噪方法和其他的深度学习方法进行了比较。

实验结果表明，我们的方法在去噪效果和图像质量方面均取得了显著的改进。

一种改进的小波ica去噪方法专利名称：一种改进的小波ica去噪方法技术领域：本发明涉及图像去噪技术领域，具体地讲，涉及一种改进的小波ICA去噪方法。

背景技术：目前比较流行的低通滤波器方法主要通过平滑方法达到去噪的目的，而平滑方法会造成目标边缘模糊现象。

在这些方法中，基于傅立叶变换的去噪方法主要工作在频域，基于小波变换的方法在频率和空间域上都有应用，但这两种方法的数据都不具备适应性。

而在图像去噪过程中，如果滤波方法的数据具有适应性，会产生比较准确的结果，这主要是因为图像的去噪算法依赖于含噪图像的类型，因此算法的数据适应性在图像去噪中起到关键作用，而ICA方法恰恰具备数据适应性的本质特点。

在武器系统中，光学设备获取的图像通常被白高斯噪声污染，这是不同的图像捕捉方法造成的，该噪声包含了可见光波段的所有频率成分。

如何用ICA方法来消除比较复杂的噪声是目前研究界重点研究的问题，通常是对图像噪声的数量进行定量测量，先假设噪声图像的在特定范围内的变化已知，或通过不同的计算方法和优化方法得到。

去噪算法通常对噪声的数量以及图像采样窗口的大小依赖性较强。

如果采样窗口大，计算复杂度增加，算法的实施比较困难；反之，如果采样窗口较小，计算复杂度会降低，算法比较容易实现。

同时，采样窗口的大小也会影响处理过程中引入的噪声数量。

虽然大部份的算法也比较去噪前后的图像均方差BP以及信噪比SNR，但与视觉质量相比，这些定量计算的直观性要差一些。

目前比较流行的ICA方法主要包括以下几种:(I)适应性PCA方法主成份分析是线性数据适应变换技术，大家比较熟悉的是Hotelling变换。

假定数据的维数为m，变换子空间的维数为n，则需要确定正交向量Wi，(i = l，2，3-，n)。

首先在上一步发现的方向上进行正交，然后找到数据最大差异的方向，再进行优化获得主成份，其数学表达式为:Wi = arg InaxwiE {(Wi1X)2} (I)最大差异查找的限制条件为:Wi1Wj = 0，j〈I (2)|wj |=1 (3)通过计算相关矩阵Cx=E {x XtI的特征向量来查找主成份方向矢量，该矩阵降低了相应特征值的序数，在这里特征值为特征向量方向上的差异。

地震资料保幅去噪综述孙衍才【摘要】随着地震勘探向深层、复杂构造和岩性勘探的发展,人们对地震资料处理提出了更高的要求.地震资料“高信噪比、高分辨率、高保真度”三高要求中,信噪比是基础,然而信噪比和分辨率是相互矛盾又不能完全分开的,因此进行保幅条件下去噪是解决该问题的一项关键技术.本文从噪声的特征出发,首先对地震资料噪声进行了分类;然后综述了目前实际生产中常用的几种保幅去噪方法,包括小波变换压制面波、反演预测去噪、频滤空间域滤波、波动方程压制多次波等.【期刊名称】《内蒙古石油化工》【年(卷),期】2011(000)012【总页数】5页(P15-19)【关键词】保幅;小波变换;反演预测;波动方程;去噪【作者】孙衍才【作者单位】大庆油田海拉尔石油勘探开发指挥部贝16作业区【正文语种】中文【中图分类】P631.4+4近年来,随着地震勘探向深层、复杂构造和岩性勘探的发展,人们对“高信噪比、高分辨率、高保真度和准确成像”提出了更高的标准和要求。

基于地震“三高一准确”之间的关系,进行保幅条件下的去噪是实现“三高一准确”地震处理的一项关键技术。

不同的去噪方法具有不同的方法原理、物理意义、使用条件和保真性。

本文首先对地震资料中噪声的主要分类及其特点进行了叙述;然后综述了目前去噪方法中能够在较好的实现振幅保真的的情况下提高信噪比的去噪方法,主要包括小波压制面波、反演预测去噪、波动方程压制多次波、频率空间域预测滤波等,叙述了其方法原理、适用条件等。

按照不同的特征,地震资料中的噪声可以有不同的分类方法。

较常见的分类有三种:一是按噪声在地震剖面上出现的特征,将噪声分为规则噪声(常常等同于相干噪声)和不规则噪声(常常等同于随机噪声);二是按噪声的传播机理,将噪声分为面波(地滚波)、折射波、声波、侧面波、多次波、管波等;三是按噪声的频谱特征,将噪声分为低频噪声、高频噪声和50 Hz工业干扰等。

去噪的目的是在保持有效信号的前提下,最大可能地消除影响有效信号的因素,为后续的高分辨率处理打下基础。

㊀第３８卷第１期物㊀探㊀与㊀化㊀探Ｖｏｌ．３８，Ｎｏ．１㊀㊀２０１４年２月ＧＥＯＰＨＹＳＩＣＡＬ＆ＧＥＯＣＨＥＭＩＣＡＬＥＸＰＬＯＲＡＴＩＯＮＦｅｂ．，２０１４㊀ＤＯＩ：１０．１１７２０／ｊ．ｉｓｓｎ．１０００－８９１８．２０１４．１．１４改进的曲波变换及全变差联合去噪技术薛永安，王勇，李红彩，陆树勤（中国石油化工股份有限公司江苏油田分公司物探技术研究院，江苏南京㊀２１００４６）摘要：运用常规的基于曲波变换和全变差的联合去噪技术，可以有效地衰减随机噪声，较好地克服使用曲波变换带来的强能量团以及在同相轴边缘产生的不光滑现象，但是这种常规的联合去噪方法对有效信号有一定的损害㊂笔者采用一种多尺度多方向改进的Ｄｏｎｏｈｏ阈值去噪思想，较好地克服了常规的联合去噪方法的缺陷，保护了有效信号㊂该方法在应用曲波变换去噪时，对每一个尺度的每一个方向都选取一个合适的阈值因子，而不是常规的方法对整个曲波系数矩阵只选取一个固定比例的阈值因子㊂理论模型与实际资料的处理结果表明，该技术最大限度地保留了地震数据的有效信号，在地震资料处理中具有较好的应用前景㊂关键词：曲波变换；全变差；随机噪声；多尺度中图分类号：Ｐ６３１．４㊀㊀㊀文献标识码：Ａ㊀㊀㊀文章编号：１０００－８９１８（２０１４）０１－００８１－０６㊀㊀在地震勘探中，常规的随机噪声衰减方法对有效信号的损害比较大㊂为了较好地去除随机噪声，Ｎｅｅｌａｍａｎｉ等人在２００８年引入了一种多尺度的变换方法 曲波变换来衰减随机噪声，取得了较好的效果［１］㊂但是曲波变换不可避免地会产生伪影现象，同时在同相轴边缘产生不光滑现象，为了克服曲波变换的这个缺点，２０１０年，清华大学的唐刚在其博士论文中详细介绍了基于曲波变换和全变差的联合去噪技术，在压制随机噪声的同时，较好地保护了有效信号，同时该方法较好地压制了单独使用曲波变换去噪时产生的伪影现象［２］㊂此前，２００８年卢成武㊁２００９年倪雪，都相继介绍过基于曲波变换和全变差的联合去噪技术［３－４］㊂曲波变换最先由Ｃａｎｄèｓ和Ｄｏｎｏｈｏ等人于１９９９年在Ｒｉｄｇｅｌｅｔ变换的基础上提出［５］，随后几年，Ｃａｎｄèｓ等人对第一代Ｃｕｒｖｅｌｅｔ变换作了比较大的改进［６］㊂２００４年，ＨｅｒｒｍａｎｎＦ等最先将Ｃｕｒｖｅｌｅｔ变换应用到地震数据处理领域，成功地将Ｃｕｒｖｅｌｅｔ变换应用到多次波的衰减中［７－８］㊂虽然运用的联合去噪技术较好地克服了单独使用曲波变换去噪带来的强能量团以及在同相轴边缘产生的不光滑现象，同时较好地保护了有效信号，但是这种联合去噪方法对有效信号有一定损害［９］，笔者对该方法进行了一定的改进，通过模型数据和实际数据的测试表明，该技术较好地衰减了随机噪声，同时最大限度地保留了地震数据的有效信号，是一种值得推广的随机噪声压制方法㊂１㊀第二代曲波变换及全变差技术简介１．１㊀第二代曲波变换简介连续曲波变换属于稀疏理论的范畴，可以采用基函数与信号的内积形式实现信号的稀疏表示，因此曲波变换可以表示为ｃ（ｊ，ｌ，ｋ）＝ ｆ，φｊ，ｌ，ｋ⓪＝ʏＲ２ｆ（ｘ）φｊ，ｌ，ｋ（ｘ）ｄｘ，（１）式中：φｊ，ｌ，ｋ表示曲波函数，ｊ，ｌ，ｋ分别表示尺度㊁方向㊁位置参数㊂因为数字曲波变换是在频域进行的，根据Ｐｌａｎｃｈｅｒｅｌ定理，可以将这种内积形式表示成频域的积分形式ｃ（ｊ，ｌ，ｋ）＝１（２π）２ʏ＾ｆ（ω）φｊ，ｌ，ｋ（ω）ｄω＝１（２π）２ʏ＾ｆ（ω）Ｕｊ（Ｒθｌω）ｅｊ ｘ（ｊ，ｌ）ｋ，ω⓪ｄω，（２）经过变换后得到Ｃ｛ｊ｝｛ｌ｝（ｋ１，ｋ２）结构的系数，ｊ表示尺度，ｌ表示方向，（ｋ１，ｋ２）表示尺度层上的矩阵坐标［６］㊂１．２㊀全变差技术简介全变差最小化技术最先由Ｒｕｄｉｎ等人于１９９２年提出（通常称ＲＯＦ模型），经过全变差的定义及化简，得数据ｆ的全变差收稿日期：２０１２－１２－２５物㊀探㊀与㊀化㊀探３７卷㊀ＴＶ（ｆ）＝ʏΩ｜∇ｆ｜ｄｘ，（３）其中：Ω为图像ｆ的支撑区间，ｘɪΩ为图像的坐标向量㊂基于全变差的去噪方法可归结为最小化问题Ｅ（ｆ）＝ʏΩ｜ｆ－ｆ０｜２ｄｘ＋λＴＶ（ｆ），（４）其中：第一项为逼近项，使去噪后的图像依然能够较好地逼近原始图像；第二项是全变差正则化项；λ是拉格朗日常数，在逼近项和正则化项之间起着重要的平衡作用㊂上述目标函数Ｅ（ｆ）是ｆ的凸函数，其存在极值的充分必要条件是∇Ｅ（ｆ）＝０，由此可以得到其对应的Ｅｕｌｅｒ⁃Ｌａｒｇｒａｎｇｅ方程为－∇∇ｆ｜∇ｆ｜æèçöø÷＋λ（ｆ－ｆ０）＝０㊂（５）该方程为非线性方程，假设方程满足Ｎｅｕｍａｎｎ边界条件，通过梯度下降法对数据进行反复迭代得到一个稳定解，从而得到去噪后的数据，其迭代公式ｆｎ＋１＝ｆｎ－ｔｎ［ｇＴＶ（ｆｎ）］㊂（６）其中：令初始值ｆ１＝ｆ０，ｔｎȡ０表示迭代步长，ｇＴＶ（ｆ）＝－∇∇ｆ｜∇ｆ｜æèçöø÷表示全变差函数在ｆ处的次梯度［１０］㊂２㊀改进的联合去噪策略常规的联合去噪技术通常在曲波变换后对每一个尺度都选取一个相同比例的阈值，该选取方法不能够充分利用曲波变换的优点，会造成某些区域有效信号损害相对较大，而某些区域，去噪效果不理想的情况，传统的联合去噪流程见图１㊂通常地震数据经过曲波变换后，被划分成多个尺度层，最内层，也就是第一层称为Ｃｏａｒｓｅ尺度层，是由低频系数组成的；最外层，称为Ｆｉｎｅ尺度层，是由高频系数组成；中间的尺度层称为Ｄｅｔａｉｌ尺度层，是由中高频系数组成的㊂在不同的尺度层，有效信号和随机噪声的系数分布是不一样的，在Ｃｏａｒｓｅ尺度层它们之间的系数没有较明显分界，同时随机噪声在这个尺度层占的比重不大，因此，在这个尺度层可以多保留一些系数，同时在Ｄｅｔａｉｌ尺度层和Ｆｉｎｅ尺度层选择合适的阈值㊂通过该方法的的处理，能够更好地保留有效信号，达到高保真处理的目的，改进的联合去噪流程见图２㊂对于多尺度阈值的选取，主要是在Ｄｏ⁃ｎｏｈｏ阈值处理的基础上进行一定的改进，尽管Ｄｏ⁃ｎｏｈｏ阈值法一开始主要是用于小波阈值的求取，但是对Ｃｕｒｖｅｌｅｔ变换的阈值求取也有一定的借鉴意义，Ｄｏｎｏｈｏ提出的阈值求取方法如Ｔｔｈｒｅｓｈｏｌｄ＝σ２ｌｏｇＮ（７）所示㊂其中：σ＝Ｍｅｄｉａｎ（Ｃｉ，ｊ）／０．６７４５，Ｎ为地震数据的长度㊂在Ｄｏｎｏｈｏ阈值处理的基础上，在Ｃｕｅｖｅｌｅｔ变换的每一个尺度和方向上选取一个合适的阈值（即对Ｄｏｎｏｈｏ阈值进行一定的调整，针对不同的尺度特点，为更好地去噪，０．６７４５可以改为更大或更小），能够在消除随机噪声的同时，较好地保留有效信号㊂图１㊀传统的联合去噪流程图２㊀改进的联合去噪流程㊃２８㊃㊀６期薛永安等：改进的曲波变换及全变差联合去噪技术３㊀模型及实际数据测试选取两个模型数据和一块江苏油田工区的实际数据进行测试㊂首先选取一个双曲模型进行测试（胡天乐提供），该模型为５１２道，２０４８个采样点，１ｍｓ采样㊂图３ａ为原始不含噪声数据，图３ｂ是加入随机噪声以后的数据得到的信噪比为０．２８的含噪剖面，这里的信噪比用信号振幅的平方和与噪声振幅的平方和的比值来表示㊂图３ｃ是传统的联合去噪方法去噪后的结果，信噪比为２㊂图４ａ和图４ｂ为Ｄｏｎｏｈｏ阈值法及改进的Ｄｏｎｏｈｏ阈值去噪后的结果，信噪比分别达到３．８５和４．２，图４ｃ和４ｄ分别为这两种方法去噪后的结果与不含噪数据的误差剖面，从图中可以看到，改进Ｄｏｎｏｈｏ阈值法要优于前两种方法，同时保护了有效信号㊂ａ 原始不含噪数据；ｂ 加入随机噪声后的数据；ｃ 传统的联合去噪方法去噪后图３㊀原始模型数据（一）ａ Ｄｏｎｏｈｏ阈值去噪后结果；ｂ 改进Ｄｏｎｏｈｏ阈值去噪后结果；ｃ Ｄｏｎｏｈｏ阈值去噪后的误差剖面；ｄ 改进Ｄｏｎｏｈｏ阈值去噪后的误差剖面图４㊀Ｄｏｎｏｈｏ阈值去噪及改进后的Ｄｏｎｏｈｏ阈值去噪㊀㊀第二个模型数据为６４道，５０１个采样点，时间采样间隔为１ｍｓ，不含噪声的数据见图５ａ，加入随机噪声，得到信噪比为０．３的含噪数据（图５ｂ）㊂经过传统的联合去噪方法压制后，地震资料的信噪比得到了较大的提高，信噪比为１．８２，随机噪声得到了有效的压制，同时曲波变换的伪影现象也得到了有效克服（图６ａ）㊂但是，从图６ｂ中的误差数据可以看到，运用常规的联合去噪方法对有效信号有一定损害，特别是对近偏移距数据和弯曲同相轴损害较大㊂运用笔者提出的改进方法，去噪结果见图７ａ，误差结果见图７ｂ，信噪比达到１．９５㊂从图中可以看到，运用改进的方法，有效信号得到了很好的保真，特别是近偏移距附近的同相轴得到了很好的保留，因此改进的方法是一种有效的高保真的处理方法㊂㊃３８㊃物㊀探㊀与㊀化㊀探３７卷㊀ａ 原始不含噪声数据；ｂ 加入噪声后的数据图５㊀原始模型数据（二）及原始含噪数据ａ 常规联合去噪方法去噪后的数据；ｂ 误差数据图６㊀模型数据处理结果ａ 本文方法去噪后的数据；ｂ 误差数据图７㊀模型数据处理结果㊃４８㊃㊀６期薛永安等：改进的曲波变换及全变差联合去噪技术㊀㊀研究中，选取江苏油田某工区的偏移数据作为测试对象（图８ａ），本数据有２００道，４５１个采样点，采样间隔为１ｍｓ，运用笔者提出的改进的联合去噪方法和常规的联合去噪方法进行对比，图８ｂ和图８ｃ分别为常规的联合去噪方法去噪后的结果及误差剖面㊂从图中可以看到本地区资料断层发育，由于随机噪声的存在，影响了资料的品质㊂经过联合去噪以后，原始剖面中的随机噪声得到了很好的压制，剖面的信噪比得到了明显的提高，同时剖面的断点得到了很好的保留㊂但是在构造复杂区，有效信号受到一定的损害，在误差剖面中可以明显看到有效信号的存在，同时在深部弱信号区域，对有效信号的保真比较差㊂图９显示的是用笔者提出的方法处理的结果，从去噪剖面和误差剖面中可以看到，随机噪声不但得到了很好的压制，在构造复杂区的有效信号也得到了很好的保留，深部弱信号也得到了很好的保留㊂ａ 实际原始数据；ｂ 常规方法去噪后的结果；ｃ 误差剖面图８㊀实际数据常规处理结果ａ 本文方法去噪后的结果；ｂ 误差数据图９㊀实际数据改进的方法处理结果４㊀结论改进的联合去噪技术，经过模型数据和实际数据的测试表明，该方法可以有效的压制地震数据中的随机噪声，对于复杂构造区的资料，在去噪的同时，更好地保留了有效信号，使反射波同相轴更加清晰㊁连续性更好，同时较好地保留了断点㊁断面的信息，是一种值得推广的随机噪声压制技术㊂㊃５８㊃物㊀探㊀与㊀化㊀探３７卷㊀参考文献：［１］㊀ＮｅｅｌａｍａｎｉＲ，ＢａｕｍｓｔｅｉｎＡＩ，ＧｉｌｌａｒｄＤ，ｅｔａｌ．Ｃｏｈｅｒｅｎｔａｎｄｒａｎｄｏｍｎｏｉｓｅａｔｔｅｎｕａｔｉｏｎｕｓｉｎｇｔｈｅｃｕｒｖｅｌｅｔｔｒａｎｓｆｏｒｍ［Ｊ］．ＴｈｅＬｅａｄｉｎｇＥｄｇｅ，２００８：２４０－２４８．［２］㊀唐刚．基于压缩感知和稀疏表示的地震数据重建和去噪［Ｄ］．北京：清华大学，２０１０．［３］㊀卢成武，宋国乡．带曲波域约束的全变差正则化抑噪方法［Ｊ］．电子学报，２００８，３６（４）：６４６－６４９．［４］㊀倪雪，李庆武，孟凡，等．基于Ｃｕｒｖｅｌｅｔ变换和全变差的图像去噪方法［Ｊ］．光学学报，２００９，２９（９）：２３９０－２３９４．［５］㊀ＣａｎｄèｓＥＪ，ＤｏｎｏｈｏＤＬ．Ｃｕｒｖｅｌｅｔｓ：Ａｓｕｒｐｒｉｓｉｎｇｌｙｅｆｆｅｃｔｉｖｅｎｏｎ⁃ａｄａｐｔｉｖｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｆｏｒｏｂｊｅｃｔｓｗｉｔｈｅｄｇｅｓ［Ｍ］．ＮａｓｈｖｉｌｌｅＴＮ：ＶａｎｄｅｒｂｉｌｔＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２０００：１０５－１２０．［６］㊀ＣａｎｄèｓＥＪ，ＤｅｍａｎｅｔＬ，ＤｏｎｏｈｏＤ，ｅｔａｌ．Ｆａｓｔｄｉｓｃｒｅｔｅｃｕｒｖｅｌｅｔｔｒａｎｓｆｏｒｍｓ［Ｃ］／／ＡｐｐｌｉｅｄａｎｄＣｏｍｐｕｔａｔｉｏｎａｌＭａｔｈｅｍａｔｉｃｓ，Ｃａｌｉｆｏｒ⁃ｎｉａＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，２００５：１－４３．［７］㊀ＨｅｒｒｍａｎｎＦＪ，ＶｅｒｓｃｈｕｕｒＥ．Ｃｕｒｖｅｌｅｔｄｏｍａｉｎｍｕｌｔｉｐｌｅｅｌｉｍｉｎａｔｉｏｎｗｉｔｈｓｐａｒｓｅｎｅｓｓｃｏｎｓｔｒａｉｎｔｓ［Ｊ］．ＳｏｃｉｅｔｙｏｆＥｘｐｌｏｒａｔｉｏｎＧｅｏｐｈｙｓｉ⁃ｃｉｓｔｓ，ＥｘｐａｎｄｅｄＡｂｓｔｒａｃｔｓ，２００４：１３３３－１３３６．［８］㊀ＨｅｒｒｍａｎｎＦＪ，ＶｅｒｓｃｈｕｕｒＥ．Ｓｅｐａｒａｔｉｏｎｏｆｐｒｉｍａｒｉｅｓａｎｄｍｕｌｔｉｐｌｅｓｂｙｎｏｎ⁃ｌｉｎｅａｒｅｓｔｉｍａｔｉｏｎｉｎｔｈｅｃｕｒｖｅｌｅｔｄｏｍａｉｎ［Ｃ］／／ＥＡＧＥ６６ｔｈＣｏｎｆｅｒｒｅｎｃｅ＆ＥｘｈｉｂｉｔｉｏｎＰｒｏｃｅｅｄｉｎｇｓ，２００４．［９］㊀俞华，薛永安，王勇，等．曲波变换及全变差最小化技术联合去噪［Ｊ］．石油物探，２０１２，５１（４）：３５０－３５５．［１０］ＲｕｄｉｎＬＩ，ＯｓｈｅｒＳ，ＦａｔｅｍｉＥ．Ｎｏｎｌｉｎｅａｒｔｏｔａｌｖａｒｉａｔｉｏｎｂａｓｅｄｎｏｉｓｅｒｅｍｏｖａｌａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＰｈｙｓｉｃａＤ．，１９９２，６２（１）：６３－６７．ＡＮＩＭＰＲＯＶＥＤＲＡＮＤＯＭＡＴＴＥＮＵＡＴＩＯＮＭＥＴＨＯＤＢＡＳＥＤＯＮＣＵＲＶＥＬＥＴＴＲＡＮＳＦＯＲＭＡＮＤＴＯＴＡＬＶＡＲＩＡＴＩＯＮＸＵＥＹｏｎｇ⁃ａｎ，ＷＡＮＧＹｏｎｇ，ＬＩＨｏｎｇ⁃ｃａｉ，ＬＵＳｈｕ⁃ｑｉｎ（ＧｅｏｐｈｙｓｉｃａｌＰｒｏｓｐｅｃｔｉｎｇＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，ＪｉａｎｇｓｕＯｉｌＦｉｌｅｄＢｒａｎｃｈｏｆＳｉｎｏｐｅｃ，Ｎａｎｊｉｎｇ㊀２１００４６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｒａｎｄｏｍｎｏｉｓｅｃａｎｂｅｅｆｆｅｃｔｉｖｅｌｙａｔｔｅｎｕａｔｅｄｂａｓｅｄｏｎｃｏｎｖｅｎｔｉｏｎａｌｃｏｍｂｉｎａｔｉｏｎｏｆｃｕｒｖｅｌｅｔｔｒａｎｓｆｏｒｍａｎｄｔｏｔａｌｖａｒｉａｔｉｏｎｔｅｃｈ⁃ｎｏｌｏｇｙ．Ｔｈｉｓｃｏｍｂｉｎａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｃａｎｒｅｄｕｃｅｔｈｅｐｓｅｕｄｏ⁃ｇｉｂｂｓｅｆｆｅｃｔｓａｎｄｔｈｅａｌｉａｓｅｄｃｕｒｖｅｓｒｅｓｕｌｔｉｎｇｆｒｏｍｕｓｉｎｇｃｕｒｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ｂｕｔｔｈｉｓｍｅｔｈｏｄｉｓｎｏｔｃｏｎｄｕｃｉｖｅｔｏｔｈｅｆｉｄｅｌｉｔｙｏｆｓｅｉｓｍｉｃｄａｔａｐｒｏｃｅｓｓｉｎｇ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｒａｎｄｏｍｎｏｉｓｅａｔｔｅｎｕａｔｉｏｎｍｅｔｈｏｄｉｓｐｕｔｆｏｒ⁃ｗａｒｄｂａｓｅｄｏｎｍｕｌｔｉ⁃ｓｃａｌｅａｎｄｍｕｌｔｉ⁃ｄｉｒｅｃｔｉｏｎｉｍｐｒｏｖｅｄＤｏｎｏｈｏｔｈｒｅｓｈｏｌｄｓ，Ｔｈｉｓｉｍｐｒｏｖｅｄｃｏｍｂｉｎａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｃａｎｖｅｒｙｅｆｆｅｃｔｉｖｅｌｙｏｖｅｒｃｏｍｅｔｈｅｄｉｓａｄｖａｎｔａｇｅｓｏｆｃｏｎｖｅｎｔｉｏｎａｌｃｏｍｂｉｎａｔｉｏｎｔｅｃｈｎｏｌｏｇｙａｎｄｂｅｔｔｅｒｐｒｅｓｅｒｖｅｔｈｅｓｉｇｎａｌｏｆｓｅｉｓｍｉｃｄａｔａ．Ｗｈｅｎｔｈｉｓｍｅｔｈｏｄｉｓｕｓｅｄｔｏａｔｔｅｎｕａｔｅｒａｎｄｏｍｎｏｉｓｅ，ｗｅｍｕｓｔｃｈｏｏｓｅａｐｐｒｏｐｒｉａｔｅｔｈｒｅｓｈｏｌｄｆａｃｔｏｒｓａｔｅｖｅｒｙｓｃａｌｅａｎｄｉｎｅｖｅｒｙｄｉｒｅｃｔｉｏｎ，ａｎｄｉｔｉｓｕｎｌｉｋｅｃｏｎ⁃ｖｅｎｔｉｏｎａｌｔｅｃｈｎｏｌｏｇｙｗｈｉｃｈｏｎｌｙｃｈｏｏｓｅｓｏｎｅｆｉｘｅｄｐｒｏｐｏｒｔｉｏｎｔｈｒｅｓｈｏｌｄｆａｃｔｏｒｓｏｆａｌｌｃｕｒｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓ．Ｔｈｅｏｒｅｔｉｃａｌｍｏｄｅｌａｎｄｒｅａｌｄａｔａｐｒｏｃｅｓｓｉｎｇｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｔｅｃｈｎｏｌｏｇｙｃａｎｍａｘｉｍａｌｌｙｐｒｅｓｅｒｖｅｔｈｅｓｉｇｎａｌｏｆｓｅｉｓｍｉｃｄａｔａ，ｓｏｉｔｈａｓａｇｏｏｄｐｒｏｓｐｅｃｔｉｎｔｈｅｓｅｉｓｍｉｃｄａｔａｐｒｏｃｅｓｓｉｎｇ．Ｋｅｙｗｏｒｄｓ：ｃｕｒｖｅｌｅｔｔｒａｎｓｆｏｒｍ；ｔｏｔａｌｖａｒｉａｔｉｏｎ；ｒａｎｄｏｍｎｏｉｓｅ；ｍｕｌｔｉ⁃ｓｃａｌｅ作者简介：薛永安（１９８４－），男，工程师，２０１０年硕士毕业于中国石油大学（北京），现在江苏油田物探技术研究院从事采集㊁处理以及方法方面的研究工作㊂㊃６８㊃。

２００７年ｌ口月　第己巨卷第ｌ　０期　囊　｜ｌ　

一种具有保留边缘信息的改进ＳＵＳＡＮ　张从力　王述勇　王莲。　（１．重庆大学自动化学院　重庆４０００３０；２．重庆大学光电工程学院　重庆４０００３０）　

摘要：在图像去噪的过程中，大多数的滤波算法都会在滤除噪声的同时损失边缘信息，而ＳＵＳＡＮ算子的原理使其具有保持　边缘的特性。本文在原ＳＵＳＡＮ滤波的基础上，提出自适应的灰度差阈值选取，并针对原ＳＵＳＡＮ算法在图像边缘处滤波效　果不佳的情况下提出两个阈值对噪声进行判断。通过对加入椒盐噪声和随机噪声图像的去噪仿真实验表明，对于单次滤波　和多次滤波，改进的ＳＵＳＡＮ滤波算子避免图像模糊、保留边缘信息方面都具有比普通滤波算法更好的效果。　关键词：去噪；ＳＵＳＡＮ；保持边缘；滤波　中图分类号：ＴＰ３９１．４　文献标识码：Ａ　

Ｉｍｐｒｏｖｅｄ　ＳＵＳＡＮ　ｆｉｌｔｅｒ　ｗｉｔｈ　ｅｄｇｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｒｅｓｅｒｖｅｄ　Ｚｈａｎｇ　Ｃｏｎｇｌｉ　Ｗａｎｇ　Ｓｈｕｙｏｎｇ　Ｗａｎｇ　Ｌｉａｎ。　（１．Ｒｏｃｋｗｅｌｌ　Ａｕｔｏｍａｔｉｏｎ　Ｌａｂ，Ｃｏｌｌｉｅ　ｏｆ　Ａｕｔｏｍａｔｉｏｎ，Ｃｈｏｎｇｑｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ　４０００３０　２．Ｏｐｔｉ－Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ，Ｃｈｏｎｇｑｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ　４０００３０）　

Ａｂｓｔｒａｃｔ：Ｍｏｓｔ　ｏｆ　ｔｈｅ　ｆｉｌｔｅｒｓ　ｃｏｕｌｄ　ｌｏｓｅ　ｔｈｅ　ｅｄｇｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｎ　ｔｈｅ　ｐｒｏｃｅｓｓ　ｏｆ　ｉｍａｇｅ　ｄｅ－ｎｏｉｓｉｎｇ，ｗｈｉｌｅ　ＳＵＳＡＮ　ｏｐｅｒａｔｏｒ　ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｋｅｅｐ　ｅｄｇｅ　ｉｎｆｏｒｍａｔｉｏｎ．Ｔｈｕｓ　ｗｅ　ｐｒｏｐｏｓｅ　ａｎ　ｉｍｐｒｏｖｅｄ　ａｌｇｏｒｉｔｈｍ　ｏｆ　ａｄａｐｔｉｖｅ　ｇｒａｙ　ｔｈｒｅｓｈｏｌｄ　ｓｅｌｅｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ＳＵＳＡＮ　ｏｐｅｒａｔｏｒ，ａｎｄ　ｐｕｔ　ｆｏｒｗａｒｄ　ｔｗｏ　ｔｈｒｅｓｈｏｌｄｓ　ａｇａｉｎｓｔ　ｔｈｅ　ｐｏｏｒ　ｅｆｆｅｃｔ　ｏｆ　ｔｈｅ　ｏｒｉｇｉｎａｌ　ａｌｇｏｒｉｔｈｍ　ｉｎ　ｄｅ－ｎｏｉｓｉｎｇ．Ｆｏｒ　ｓｉｎｇｌｅ　ａｎｄ　ｒｅｐｅｔｉｔｉｏｕｓ　ｄｅ－ｎｏｉｓｉｎｇ。ｔｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔｓ　ｏｎ　ｓａｌｔ＆ｐｅｐｐｅｒ　ｎｏｉｓｅ　ａｎｄ　ｒａｎｄｏｍ　ｎｏｉｓｅ　ｐｒｏｖｅ　ｔｈａｔ　ｔｈｅ　ｉｍ—　ｐｒｏｖｅｄ　ＳＵＳＡＮ　ｏｐｅｒａｔｏｒ　ｈａｓ　ｂｅｔｔｅｒ　ｅｆｆｅｃｔ　ｔｏ　ａｖｏｉｄ　ｔｈｅ　ｉｍａｇｅ　ｂｌｕｒｒｙ　ａｎｄ　ｋｅｅｐ　ｔｈｅ　ｅｄｇｅ　ｄｅｔａｉｌｓ　ｔｈａｎ　ｏｒｄｉｎａｒｙ　ｆｉｌｔｅｒ　ｏｐｅｒａ—　ｔｏｒｓ．　Ｋｅｙｗｏｒｄｓ：ｄｅｎｏｉｓｅ；ＳＵＳＡＮ；ｋｅｅｐ　ｔｈｅ　ｅｄｇｅ　ｉｎｆｏｒｍａｔｉｏｎ；ｆｉｌｔｅｒ