مقایسه روش های توانمند برای افزایش کیفیت تصاویر و داده های لرزه ای
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1موسسه ژئوفیزیک دانشگاه تهران، تهران، ایران
2استادیار گروه فیزیک زمین
چکیده
در این تحقیق بعضی از روش های مرسوم برای تضعیف نوفه تصادفی برای افزایش کیفیت داده های لرزه ای بررسی می گردد. این روش ها شامل: تبدیل موجک و تبدیل کرولت که با اعمال تبدیلات بر روی سیگنال می تواند مولفه های مختلف فرکانسی سیگنال و زمان وقوع آن ها را با دقت مناسبی تعیین کند. روش تجزیه مد تجربی که سیگنال حاوی نوفه به مولفه هایی به نام توابع مد ذاتی ‏تجزیه می شود و آن دسته توابع مد ذاتی که معرف نوفه هستند حذف شده و سیگنال با استفاده از سایر ‏توابع مد ذاتی بازسازی می شود. روش تجزیه مقدار منفرد که داده های لرزه ای به صورت یک ‏ماتریس در نظر گرفته می شوند و سپس این ماتریس به صورت مجموع تعدادی ماتریس که ویژه ‏تصاویر نامیده می شوند نوشته می شود. هر ویژه تصویر نشاندهنده بخشی از داده ی لرزه ای است و ‏با حذف ویژه تصاویر مربوط به نوفه تصادفی و جمع کردن سایر ویژه تصاویر می توان داده لرزه ای ‏را پردازش کرد.‏ فیلتر واهمامیخت FX که با توجه به این نکته که در حوزه فرکانس- دورافت، سیگنال به صورت تابعی از دورافت قابل پیشگویی است نوفه زدایی می کند. نتایج هرکدام از روش های مورد نظر برای افزایش کیفیت تصاویر لرزه ای بررسی و مقایسه خواهد شد.
کلیدواژه ها
 
Title
Comparison of powerful methods for increasing the quality of seismic images and data
Authors
Mohammad Ali Khodagholi, Majid Bagheri
Abstract
In this paper, some conventional methods used to reduce random noise are reviewed. These methods are as follows: Wavelet transform and curvelet transform which by applying these transforms on the signal, we can determine the various components of the frequency of the signal and the time of their occurrence with proper accuracy. Empirical mode decomposition which in this method, the noisy signal is decomposed into components called intrinsic mode functions (IMFs), and those IMFs that represent the random noise are eliminated and the signal is reconstructed using IMFs. Singular value decomposition which in this method, seismic data are considered as a matrix, and then this matrix is written as a sum of a number of matrices, which are called eigenimages. Each eigenimage represents part of the seismic data, we can process seismic data by removing eigenimages related to random noise gathering other eigenimages. FX deconvolution filter, the data will be denoised according to the signal as a predictable function of offset. The ability of different methods for seismic images quality improvement will investigate and compare.
Keywords
Seismic images, random noise, Wavelet and Curvelet transform, empirical mode decomposition, Singular value decomposition, FX filter