石油地球物理勘探  2021, Vol. 56 Issue (1): 69-76  DOI: 10.13810/j.cnki.issn.1000-7210.2021.01.008
0
文章快速检索     高级检索

引用本文 

梁上林, 胡天跃, 崔栋, 隋京坤. 基于交叠组稀疏非凸Lp伪范数高阶全变分的地震随机噪声压制. 石油地球物理勘探, 2021, 56(1): 69-76. DOI: 10.13810/j.cnki.issn.1000-7210.2021.01.008.
LIANG Shanglin, HU Tianyue, CUI Dong, SUI Jingkun. Random noises suppression based on overlapping group sparsity, non-convex Lp-pseudo-norm regula-rization and higher-order total variation. Oil Geophysical Prospecting, 2021, 56(1): 69-76. DOI: 10.13810/j.cnki.issn.1000-7210.2021.01.008.

本项研究受国家自然科学基金项目“基于Marchenko方程的数据驱动一次波和层间多次波成像研究”(41674122)和国家重点研发计划项目“多元信息联合驱动的地震成像方法研究”(2018YFA0702503)联合资助

作者简介

梁上林  博士研究生, 1990年生; 2014年毕业于中国石油大学(华东), 获勘查技术与工程专业学士学位; 2018年获中国石油勘探开发研究院地球探测与信息技术专业硕士学位; 2018年至今在北京大学地球与空间科学学院地球物理系攻读固体地球物理学专业博士学位, 主要从事初至拾取及噪声压制方面的研究

胡天跃, 北京市海淀区颐和园路5号北京大学地球与空间科学学院, 100871。Email:tianyue@pku.edu.cn

文章历史

本文于2020年4月10日收到,最终修改稿于同年12月2日收到
基于交叠组稀疏非凸Lp伪范数高阶全变分的地震随机噪声压制
梁上林 , 胡天跃 , 崔栋 , 隋京坤①②     
1 北京大学地球与空间科学学院, 北京 100871;
2 中国石油勘探开发研究院, 北京 100083
摘要:针对高阶全变分模型在地震资料去噪中存在严重阶梯效应的问题,引入交叠组稀疏去噪技术;为提升对局部细节的保护能力,加入非凸Lp伪范数正则化,形成一种改进的去噪模型。该模型是从传统孤立的数据点向四周延伸,充分挖掘信号的邻域相似性。由于改进模型存在耦合问题,进一步采用交替方向乘子迭代法将其转化为四个子问题,并在求解过程中采用最大最小值算法和加权方向迭代L1算法以提高计算精度和效率。模拟数据和实际资料的应用结果表明,所提方法不仅能有效减弱阶梯效应,压制地震数据中的随机噪声,而且具有保护弱小信号局部细节的能力。
关键词交叠组稀疏    高阶全变分    非凸Lp伪范数    阶梯效应    随机噪声压制    
Random noises suppression based on overlapping group sparsity, non-convex Lp-pseudo-norm regula-rization and higher-order total variation
LIANG Shanglin , HU Tianyue , CUI Dong , SUI Jingkun①②     
1 School of Earth and Space Sciences, Peking University, Beijing 100871, China;
2 Research Institute of Petroleum Exploration and Development, PetroChina, Beijing 100083, China
Abstract: Suffering serious staircase effects, the higher-order total variation model provides unsatisfactory denoising results. In this paper, we introduce a technique of overlapping group sparsity, and utilize the non-convex Lp-pseudo-norm for preserving weak signals. Our new model can fully exploit local similarity of signals instead of unrelated individual data. To solve the multi-constrained problem, we adopt the alternating direction method of multipliers to divide the whole problem into four sub-problems. The iteratively re-weighted alternating direction L1-norm and majorization minimization algorithm are added into the algorithm to improve the efficiency and accuracy. Applied to synthetic and field data, the improved method not only reduced staircase effects and attenuated random noises, but also effectively preserved weak signals.
Keywords: overlapping group sparsity    higher-order total variation    non-convex Lp-pseudo-norm    staircase effects    random noise suppression    
0 引言

地震记录中常常混杂着大量的随机噪声,严重降低了资料的信噪比。有效压制地震数据中的随机噪声是地震资料处理的重要环节。然而,由于其产生具有随机性且无固定频率和视速度,随机噪声压制一直是勘探地球物理界的难点之一。目前,压制随机噪声的方法可归纳为时间域滤波[1-2]、频率域滤波[3]、空间域滤波[4]和各种变换域滤波[5-9]等。Rudin等[4]于1992年首次提出空间域的全变分(Total variation,TV)模型,利用含噪数据总变分比无噪信号总变分大的性质,构造能量泛函以达到去噪的目的。鉴于其有效性,该模型被广泛应用于噪声压制[10-12]、波阻抗反演[13]和全波形反演[14]等领域。

尽管TV模型具有保护图像边缘信息的优势,但存在严重的阶梯效应,导致信号分片光滑。针对此问题,Selesnick等[15]率先将交叠组稀疏(Overlapping group sparsity,OGS)引入TV模型,指出信号的一阶差分不仅具有稀疏特性,还具有结构稀疏特性。之后Selesnick等[16]通过正则化技术有效识别出平滑区域内被强噪声污染的信号。为挖掘图像一阶梯度和二阶梯度的结构稀疏性,陈颖频等[17]将OGS与TV模型相结合,构建了一种改进的去噪模型。

上述方法[15-17]从本质上都是在寻找不同的正则项及惩罚函数,以达到最佳去噪效果。考虑到L1正则项是一种凸近似,往往使重构的非零信号比真实值小而导致过拟合,Ahlad等[18]提出组内使用L2范数和组间使用L1范数的加权方式。Lp伪范数本质是一种非凸正则项,它具有比凸核更接近秩函数的优点,能在恢复信号细节与给定残差稀疏解之间达到平衡,被广泛应用于图形修复、地震数据重建和重力反演等领域[19-21]。Adam等[22-23]基于高阶TV模型,引入非凸正则项技术,在图形去模糊方面取得一定效果;同时指出OGS与非凸高阶TV模型在去除斑块虚假信息上是互补的。然而,目前尚未见到将Lp伪范数、OGS和TV模型三者相结合应用于地震资料去噪的实例。

鉴于一阶TV模型不能有效保护信号的边缘及纹理特征,存在严重的阶梯效应,本文将高阶TV模型与OGS相结合,目的是充分挖掘和利用两者的优点,在减弱阶梯效应的同时较好地保护局部信息;同时,为解决信号重构过程中产生的斑点和块状问题,保护非零有效信号,引入非凸Lp伪范数;最后通过模拟数据和实际资料对本文方法进行验证,并与常规五种去噪方法进行对比。

1 去噪原理 1.1 传统TV去噪模型

实际地震数据可表示为

$ \mathit{\boldsymbol{y}} = \mathit{\boldsymbol{s}} + \mathit{\boldsymbol{n}} $ (1)

式中:y表示检波器接收到的地震数据;s表示有效信号; n为随机噪声。TV去噪模型对应如下数学极值问题[4]

$ \mathop {{\rm{min}}}\limits_\mathit{\boldsymbol{s}} \left\{ {\frac{1}{2}\left\| {\mathit{\boldsymbol{s}} - \mathit{\boldsymbol{y}}} \right\|_2^2 + \lambda {\rm{TV}}(\mathit{\boldsymbol{s}})} \right\} $ (2)

式中:||·||2为欧几里德范数;$\frac{1}{2}\|s-\boldsymbol{y}\|_{2}^{2} $为保真项;λ为正则化参数;TV(s)表示关于s的正则项。

1.2 二维OGS正则项

Selesnick等[15]定义了窗尺度为K×K且中心点为(i, j)的二维矩阵

$ {{\mathit{\boldsymbol{\tilde f}}}_{i,j,K}} = \left[ {\begin{array}{*{20}{c}} {{\mathit{\boldsymbol{f}}_{i - {m_1},j - {m_1}}}}&{{\mathit{\boldsymbol{f}}_{i - {m_1},j - {m_1} + 1}}}& \cdots &{{\mathit{\boldsymbol{f}}_{i - {m_1},j + {m_2}}}}\\ {{\mathit{\boldsymbol{f}}_{i - {m_1} + 1,j - {m_1}}}}&{{\mathit{\boldsymbol{f}}_{i - {m_1} + 1,j - {m_1} + 1}}}& \cdots &{{\mathit{\boldsymbol{f}}_{i - {m_1} + 1,j + {m_2}}}}\\ {}&{}& \vdots &{}\\ {{\mathit{\boldsymbol{f}}_{i + {m_2} - 1,j - {m_1}}}}&{{\mathit{\boldsymbol{f}}_{i + {m_2} - 1,j - {m_1} + 1}}}& \cdots &{{\mathit{\boldsymbol{f}}_{i + {m_2} - 1,j + {m_2}}}}\\ {{\mathit{\boldsymbol{f}}_{i + {m_2},j - {m_1}}}}&{{\mathit{\boldsymbol{f}}_{i + {m_2},j - {m_1} + 1}}}& \cdots &{{\mathit{\boldsymbol{f}}_{i + {m_2},j + {m_2}}}} \end{array}} \right] $ (3)

式中$ {m_1} = \left\lfloor {\frac{{K - 1}}{2}} \right\rfloor 、{m_2} = \left\lfloor {\frac{K}{2}} \right\rfloor , \left\lfloor {} \right\rfloor $表示向下取整,K表示组稀疏交叠程度。二维OGS正则项定义为

$ \phi (\mathit{\boldsymbol{f}}) = \sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{{\left\| {{\mathit{\boldsymbol{f}}_{i,j,K}}} \right\|}_2}} } $ (4)

可见,OGS将邻域信息作为参考形成组合梯度,能充分挖掘信号的局部相似性。

1.3 基于OGS非凸Lp伪范数高阶TV模型

考虑到OGS能有效恢复全局较大轮廓而高阶TV模型可较好地保护局部弱信号,将OGS与高阶TV模型结合,充分利用两者优点形成一个混合去噪模型;同时,引入非凸Lp伪范数以更准确地重构噪声数据中非零信号。该模型所对应的数学极值问题[22]表示为

$ \mathop {{\rm{min}}}\limits_\mathit{\boldsymbol{s}} \left[ {\frac{{{\lambda _1}}}{2}\left\| {\mathit{\boldsymbol{s}} - \mathit{\boldsymbol{y}}} \right\|_2^2 + \phi (\nabla \mathit{\boldsymbol{s}}) + {\lambda _2}\left\| {{\nabla ^2}\mathit{\boldsymbol{s}}} \right\|_p^p + \vartheta (\mathit{\boldsymbol{s}})} \right] $ (5)

式中:$\nabla $是梯度算子;$\left\|\nabla^{2} s\right\|_{p}^{p} $表示p阶非凸正则项,p为非凸正则化阶数;λ1λ2为用以平衡数据的保真度与非凸正则项的正则化参数;$\phi(\nabla s) $表示式(4)给出的二维OGS正则项;$ \vartheta(s)$是用来存储有效信号的框式约束,有利于提高重构信号质量[19, 24]

改进的方法是以信号周围点的信息作为参考形成组合梯度,使孤立的噪声污染点与邻域的组合梯度下降;同时保持图像边缘点与邻域的组合梯度强度,通过设定合理的阈值,可在有效去除噪声的同时,减弱阶梯效应,较好地保护有效信号。

采用分离变量法将式(5)转化成如下受约束的极值问题

$ \begin{array}{l} \mathop {{\rm{min}}}\limits_\mathit{\boldsymbol{s}} \left[ {\frac{{{\lambda _1}}}{2}\left\| {\mathit{\boldsymbol{s}} - \mathit{\boldsymbol{y}}} \right\|_2^2 + \phi (\mathit{\boldsymbol{a}}) + {\lambda _2}\left\| \mathit{\boldsymbol{b}} \right\|_p^p + \vartheta (\mathit{\boldsymbol{c}})} \right]\\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\rm{s}}{\rm{.t}}{\rm{.}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \mathit{\boldsymbol{a}} = \nabla \mathit{\boldsymbol{s}},\mathit{\boldsymbol{b}} = {\nabla ^2}\mathit{\boldsymbol{s}},\mathit{\boldsymbol{c}} = \mathit{\boldsymbol{s}} \end{array} $ (6)

该式对应的无约束增广拉格朗日极值为

$ \begin{array}{*{20}{l}} {L\left( {\mathit{\boldsymbol{s}},\mathit{\boldsymbol{a}},\mathit{\boldsymbol{b}},\mathit{\boldsymbol{c}};{\mathit{\boldsymbol{\xi }}_1},{\mathit{\boldsymbol{\xi }}_2},{\mathit{\boldsymbol{\xi }}_3}} \right) = }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \frac{{{\lambda _1}}}{2}\left\| {\mathit{\boldsymbol{s}} - \mathit{\boldsymbol{y}}} \right\|_2^2 + \phi (\mathit{\boldsymbol{a}}) + {\lambda _2}\left\| \mathit{\boldsymbol{b}} \right\|_p^p + \vartheta (\mathit{\boldsymbol{c}}) - }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \mathit{\boldsymbol{\xi }}_1^{\rm{T}}(\mathit{\boldsymbol{a}} - \nabla \mathit{\boldsymbol{s}}) + \frac{\beta }{2}\left\| {\mathit{\boldsymbol{a}} - \nabla \mathit{\boldsymbol{s}}} \right\|_2^2 - \mathit{\boldsymbol{\xi }}_2^{\rm{T}}\left( {\mathit{\boldsymbol{b}} - {\nabla ^2}\mathit{\boldsymbol{s}}} \right) + }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \frac{\beta }{2}\left\| {\mathit{\boldsymbol{b}} - {\nabla ^2}\mathit{\boldsymbol{s}}} \right\|_2^2 - \mathit{\boldsymbol{\xi }}_3^{\rm{T}}(\mathit{\boldsymbol{c}} - \mathit{\boldsymbol{s}}) + \frac{\beta }{2}\left\| {\mathit{\boldsymbol{c}} - \mathit{\boldsymbol{s}}} \right\|_2^2} \end{array} $ (7)

式中:ξ1ξ2ξ3为拉格朗日乘子;β表示与$ \|a-\nabla s\|_{2}^{2}$$\left\|b-\nabla^{2} s\right\|_{2}^{2} $相关的二次补偿参数。

为求解式(7)所示的复杂耦合问题,本文采用交替方向乘子法(Alternating direction method of multipliers,ADMM)[25],按照下式交替迭代更新

$ \left\{ {\begin{array}{*{20}{l}} {{\mathit{\boldsymbol{s}}^{k + 1}} = \mathop {{\rm{arg}}{\kern 1pt} {\kern 1pt} {\rm{min}}}\limits_\mathit{\boldsymbol{s}} \mathit{\boldsymbol{L}}\left( {\mathit{\boldsymbol{s}},{\mathit{\boldsymbol{a}}^k},{\mathit{\boldsymbol{b}}^k},{\mathit{\boldsymbol{c}}^k};\mathit{\boldsymbol{\xi }}_1^k,\mathit{\boldsymbol{\xi }}_2^k,\mathit{\boldsymbol{\xi }}_3^k} \right)}\\ {{\mathit{\boldsymbol{a}}^{k + 1}} = \mathop {{\rm{arg}}{\kern 1pt} {\rm{min}}}\limits_\mathit{\boldsymbol{a}} \mathit{\boldsymbol{L}}\left( {{\mathit{\boldsymbol{s}}^{k + 1}},\mathit{\boldsymbol{a}},{\mathit{\boldsymbol{b}}^k},{\mathit{\boldsymbol{c}}^k};\mathit{\boldsymbol{\xi }}_1^k,\mathit{\boldsymbol{\xi }}_2^k,\mathit{\boldsymbol{\xi }}_3^k} \right)}\\ {{\mathit{\boldsymbol{b}}^{k + 1}} = \mathop {{\rm{arg}}{\kern 1pt} {\rm{min}}}\limits_\mathit{\boldsymbol{b}} \mathit{\boldsymbol{L}}\left( {{\mathit{\boldsymbol{s}}^{k + 1}},{\mathit{\boldsymbol{a}}^{k + 1}},\mathit{\boldsymbol{b}},{\mathit{\boldsymbol{c}}^k};\mathit{\boldsymbol{\xi }}_1^k,\mathit{\boldsymbol{\xi }}_2^k,\mathit{\boldsymbol{\xi }}_3^k} \right)}\\ {{\mathit{\boldsymbol{c}}^{k + 1}} = \mathop {{\rm{arg}}{\kern 1pt} {\rm{min}}}\limits_\mathit{\boldsymbol{c}} \mathit{\boldsymbol{L}}\left( {{\mathit{\boldsymbol{s}}^{k + 1}},{\mathit{\boldsymbol{a}}^{k + 1}},{\mathit{\boldsymbol{b}}^{k + 1}},\mathit{\boldsymbol{c}};\mathit{\boldsymbol{\xi }}_1^k,\mathit{\boldsymbol{\xi }}_2^k,\mathit{\boldsymbol{\xi }}_3^k} \right)} \end{array}} \right. $ (8)

可见,式(7)所示耦合问题被分解成四个子问题。下面利用式(9)~式(13)求解相应子问题。

sk+1是一个最小平方问题,其解析解为

$ \begin{array}{l} {\mathit{\boldsymbol{s}}^{k + 1}} = {[{\lambda _1}\mathit{\boldsymbol{I}} + \beta {\nabla ^{\rm{T}}}\nabla + \beta {({\nabla ^2})^{\rm{T}}}{\nabla ^2} + \beta \mathit{\boldsymbol{I}}]^{ - 1}}[{\lambda _1}\mathit{\boldsymbol{y}} - {\nabla ^{\rm{T}}}{\mathit{\boldsymbol{\xi }}_1} + \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \beta {\nabla ^{\rm{T}}}{\mathit{\boldsymbol{a}}^k} - {({\nabla ^2})^{\rm{T}}}{\mathit{\boldsymbol{\xi }}_2} + \beta {({\nabla ^2})^{\rm{T}}}{\mathit{\boldsymbol{b}}^k} - {\mathit{\boldsymbol{\xi }}_3} + \beta {\mathit{\boldsymbol{c}}^k} \end{array} $ (9)

ak+1的约束如下

$ {\mathit{\boldsymbol{a}}^{k + 1}} = \mathop {{\rm{arg}}{\kern 1pt} {\rm{min}}}\limits_\mathit{\boldsymbol{a}} \left[ {\frac{\beta }{2}\left\| {\mathit{\boldsymbol{a}} - \left( {\nabla {\mathit{\boldsymbol{s}}^{k + 1}} + \frac{{\mathit{\boldsymbol{\xi }}_1^k}}{\beta }} \right)} \right\|_2^2 + \phi (\mathit{\boldsymbol{a}})} \right] $ (10)

式中包含了式(4)所示的OGS正则项,当K=1时式(10)退化成传统的高阶TV模型;当K>1时,式(10)表示求解OGS正则项。鉴于最大最小值(Majorization minimization,MM)算法具有高效利用函数凹凸性搜寻原函数最值的优点,当原目标函数难优化时,不直接对其求解,而是求解一个易于优化且逼近于原目标函数的替代函数[26]。本文通过二次函数替代ϕ(a)实现MM算法。

同理,bk+1的约束为

$ {\mathit{\boldsymbol{b}}^{k + 1}} = \mathop {{\rm{arg}}{\kern 1pt} {\rm{min}}}\limits_\mathit{\boldsymbol{b}} \left[ {\frac{\beta }{2}\left\| {\mathit{\boldsymbol{b}} - \left( {{\nabla ^2}{\mathit{\boldsymbol{s}}^{k + 1}} + \frac{{\mathit{\boldsymbol{\xi }}_2^k}}{\beta }} \right)} \right\|_2^2 + {\lambda _2}\left\| \mathit{\boldsymbol{b}} \right\|_p^p} \right] $ (11)

式(11)是一个非凸优化问题。非凸优化算法和阈值的选取是决定去噪效果的两个重要因素。鉴于经典的加权方向迭代L1算法能有效平衡信号的正负二阶微分[27-28],因此本文采用该算法求解

$ \begin{array}{l} {\mathit{\boldsymbol{b}}^{k + 1}} = \mathop {{\rm{arg}}{\kern 1pt} {\rm{min}}}\limits_\mathit{\boldsymbol{b}} \left[ {\frac{\beta }{2}\left\| {\mathit{\boldsymbol{b}} - \left( {{\nabla ^2}{\mathit{\boldsymbol{s}}^{k + 1}} + \frac{{\mathit{\boldsymbol{\xi }}_2^k}}{\beta }} \right)} \right\|_2^2 + } \right.\\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \left. {\sum\limits_i {\frac{{{\lambda _2}p\left| {{\mathit{\boldsymbol{b}}_i}} \right|}}{{\left| {\mathit{\boldsymbol{b}}_i^k} \right| + \zeta }}} } \right]\\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} = \max \left[ {\left| {\frac{{\beta {\nabla ^2}{\mathit{\boldsymbol{s}}^{k + 1}} + \mathit{\boldsymbol{\xi }}_2^k}}{\beta }} \right| - \frac{{\lambda _2^2p}}{{\beta \left( {\left| {\mathit{\boldsymbol{b}}_i^k} \right| + \varepsilon } \right)}},0} \right] \times \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\mathop{\rm sign}\nolimits} \left( {{\nabla ^2}{\mathit{\boldsymbol{s}}^{k + 1}} + \frac{{\mathit{\boldsymbol{\xi }}_2^k}}{\beta }} \right) \end{array} $ (12)

式中:ζε都是较小量,用以避免分母为零;max表示求二者较大值;sign为符号函数。

类似地,ck+1的约束为

$ {\mathit{\boldsymbol{c}}^{k + 1}} = \mathop {{\rm{arg}}{\kern 1pt} {\rm{min}}}\limits_\mathit{\boldsymbol{c}} \left[ {\frac{\beta }{2}\left\| {\mathit{\boldsymbol{c}} - \left( {{\mathit{\boldsymbol{s}}^{k + 1}} + \frac{{\mathit{\boldsymbol{\xi }}_3^k}}{\beta }} \right)} \right\|_2^2 + \vartheta (\mathit{\boldsymbol{s}})} \right] $ (13)

另外,求解式(7)所需的三个拉格朗日乘子可表示如下

$ \left\{ {\begin{array}{*{20}{l}} {\mathit{\boldsymbol{\xi }}_1^{k + 1} = \mathit{\boldsymbol{\xi }}_1^k + \left( {{\mathit{\boldsymbol{a}}^{k + 1}} - \nabla {\mathit{\boldsymbol{s}}^{k + 1}}} \right)}\\ {\mathit{\boldsymbol{\xi }}_2^{k + 1} = \mathit{\boldsymbol{\xi }}_2^k + \beta \left( {{\nabla ^2}{\mathit{\boldsymbol{s}}^{k + 1}} - {\mathit{\boldsymbol{b}}^{k + 1}}} \right)}\\ {\mathit{\boldsymbol{\xi }}_3^{k + 1} = \mathit{\boldsymbol{\xi }}_3^k + \left( {{\mathit{\boldsymbol{s}}^{k + 1}} - {\mathit{\boldsymbol{c}}^{k + 1}}} \right)} \end{array}} \right. $ (14)

至此,四个子问题已求解完成。

将整个算法流程总结如下:

(1) 输入二维地震数据y,给定参数λ1>0,λ2>0,Kp

(2) 初始化模型:s0=yk=0,β=0.004,si=1, 2, 3=0,模型更新率εmin=1×10-6

(3) 更新式(9)中的sk+1

(4) 采用MM迭代算法更新式(10)中的ak+1

(5) 更新式(12)中的bk+1

(6) 更新式(13)中的ck+1

(7) 更新式(14)中的ξ1k+1ξ2k+1ξ3k+1

(8) 当$\frac{\left\|\boldsymbol{s}^{k+1}-\boldsymbol{s}^{k}\right\|_{2}}{\left\|\boldsymbol{s}^{k}\right\|_{2}} \geqslant \varepsilon_{\min } $时,k=k+1,继续循环,更新迭代;否则,退出循环,输出结果s=sk+1

2 模拟数据验证 2.1 评价指标

信噪比通常用信号总能量与噪声总能量的比值SNR(Signal to noise ratio)表征,是评价整体去噪效果的常用指标;结构相似性参数SSIM(Structural similarity)从亮度、对比度、结构三方面度量两幅图像的相似性,常作为衡量图像失真或噪声压制情况的客观标准[29];同时,为表征高斯噪声强弱,定义零均值噪声的标准差为δ。三者的具体定义如下

$ {\rm{SNR}} = 10{\rm{lg}}\frac{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{s^2}(i,j)} } }}{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{[s(i,j) - y(i,j)]}^2}} } }} $ (15)
$ {\rm{SSIM}} = \frac{{(2{\mu _\mathit{\boldsymbol{s}}}{\mu _\mathit{\boldsymbol{y}}} + {C_1})(2{\sigma _{\mathit{\boldsymbol{sy}}}} + {C_2})}}{{(\mu _\mathit{\boldsymbol{s}}^2 + \mu _\mathit{\boldsymbol{y}}^2 + {C_1})(\sigma _\mathit{\boldsymbol{s}}^2 + \sigma _\mathit{\boldsymbol{y}}^2 + {C_2})}} $ (16)
$ \delta = \sqrt {\frac{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{[s(i,j) - y(i,j)]}^2}} } }}{{MN}}} $ (17)

式中:MN分别表示二维地震数据的行数和列数;μsμy对应表示sy的均值;σsσy分别表示sy的方差;σsy表示sy的协方差;C1C2是维持稳定的两个常量,一般分别取2.252和6.752。为了更全面地评判去噪效果,本文将SNR、SSIM和运算耗时作为三个客观评价指标。

2.2 模拟数据

构建一个水平层状模型,通过有限差分声波正演模拟得到图 1所示的共炮记录。模拟采用主频为20Hz的雷克子波,采样间隔为4ms,采样长度为4s,接收道数为500。为了模拟地震数据中不同强度的随机噪声,向该记录加入标准差为δ的高斯白噪声,得到图 2所示的含噪数据。由图 2可知,随着δ增大,背景噪声加强,SNR降低,SSIM变差,弱反射信号逐渐被强噪声淹没。

图 1 正演模拟共炮记录

图 2 不同δ的含噪数据 (a)δ=10;(b)δ=20;(c)δ=30;(d)δ=40
2.3 参数优选

OGS从一个点向四周延伸K×K个点,可有效挖掘信号的局部相似性。为考察K值对去噪效果的影响,通过不断调整其大小,分别对图 2所示的四种不同噪声背景下的地震数据做去噪处理。

图 3展示不同K值得到的去噪结果所对应的三种指标的变化曲线。从图 3a可见,随着K值的增大,SNR先从小到大逐渐增加,达到最大值后减小。当SNR取最大值时,K值分别为3、5、7和10,说明K值的优选与背景噪声强度有关。当背景噪声较弱时,较小K值就能达到满意的去噪效果;当背景噪声增强时,应适当增大K值以提高SNR。图 3b中的SSIM表现出与SNR类似形态,区别在于当SSIM达到最大值后缓慢减小。这说明K值超过最优值后,对SSIM的影响不显著。图 3c显示,随着K值的增大运算耗时也不断增加,这是由于邻域信息的引入,导致计算量增大。

图 3 去噪结果的三指标随K值的变化曲线 (a)SNR;(b)SSIM;(c)耗时

因此,K值对本文方法去噪效果有显著影响。当K值过小时,邻域信息不足导致SNR和SSIM达不到最优,去噪效果欠佳;而当K值过大时,又会引入过多不相似的数据点,反而导致评价指标减小,去噪能力下降,这不仅会产生平滑效应,还会因使用过多邻域信息增加不必要的计算量。

边界与局部细节的恢复主要受非凸正则化阶数p控制,对图 2含噪数据进行处理并得到图 4所示三种指标随p的变化曲线。图 4a表明,当δ=10时,SNR随p值增大而快速增至最大值,然后快速减小;当δ=20、30和40时,SNR曲线都具有平缓段、快速上升段和快速下降段。在平缓段SNR对p值不敏感,经快速上升后达到最大值。SNR取最大值时对应p值分别为0.23、0.46、0.62和0.75,这说明p值的优选与噪声强度有关。图 4b表明,弱噪声情况下SSIM曲线先上升,然后保持平缓;当背景噪声变强时,SSIM曲线呈现平缓段—快速上升段—平缓段分布。该指标取最大值时对应p值分别为0.16、0.47、0.62和0.83。图 4c表明,随着p值增大,运算耗时先增至最大值,然后逐渐减小,显然该指标与背景噪声强度无关。

图 4 去噪结果的三种指标随p值的变化曲线 (a)SNR;(b)SSIM;(c)耗时

综上,p值对本文去噪方法有同样显著的影响。高SNR资料应取较小p值;反之,低SNR资料应适当增大p值,以达到最佳去噪效果。

图 5展示Kp最优情形下对图 2所示四种不同强度噪声背景下地震数据的去噪效果。不同强度随机噪声均得到有效压制,剖面整体干净,反射波同相轴清晰,深层弱能量信号得到有效保护。

图 5 含有不同δ背景噪声数据的去噪结果 (a)δ=10;(b)δ=20;(c)δ=30;(d)δ=40

以上去噪试验表明,本文方法能压制阶梯效应,去除不同强度随机噪声,提高信噪比,并能有效保护弱能量信号。

2.4 方法对比

为进一步验证本文方法的有效性,分别与各向异性全变分(Anisotropic total variation,ATV)、交叠组稀疏全变分(Overlapping group sparsity total variation,OGSTV)、中值滤波(Median filter,MF)、三维块匹配(Block matching 3D,BM3D)和K奇异值分解(K-singular value decomposition,KSVD)等五种方法进行对比。其中,ATV和OGSTV与本文方法属于同类,后三者为常用去噪方法。

表 1展示这些方法去噪后各项指标对比结果。从SNR和SSIM指标看,本文方法明显优于其他五种方法。从运算耗时指标看,本文方法用时虽然大于MF、ATV和OGSTV,但都未超过8s,在可接受范围内。对比后发现,用时明显小于BM3D和KSVD,这是由于最后两种方法涉及到耗时的非局部块匹配和字典训练。

表 1 针对四种含噪数据的六种方法去噪结果评价指标对比

图 6展示δ=40时上述六种方法去噪结果。强噪声背景下,ATV(图 6a)去噪并不理想,残留明显斑点和小块,阶梯效应严重。OGSTV(图 6b)引入邻域信息,阶梯效应得到一定压制,但仍存部分斑点伪影。MF(图 6d)去噪效果最差,存在大量残余噪声。BM3D(图 6e)产生了平滑效应,对深层弱信号的保护能力差。KSVD(图 6f)存在一定斑点,影响了最终去噪效果。图 6c所示剖面干净,阶梯效应弱,深层反射波同相轴连续性好,说明本文方法具有保护弱信号能力。

图 6 不同去噪方法对比 (a)ATV;(b)OGSTV;(c)本文方法;(d)MF;(e)BM3D;(f)KSVD

从上述不同方法纵横向对比可知,本文方法能有效去除随机噪声,压制阶梯效应,更好地保护弱信号,在效率与精度上能达到良好的平衡。

3 实际资料应用

将本文去噪方法应用于M工区实际地震资料。所选单炮记录(图 7a)共有240道,采样点数为700,采样间隔为2ms。由于存在大量随机噪声,反射波同相轴连续性差,弱能量信号被掩盖,信噪比较低。其叠后剖面(图 7b)共有800道,采样点数为800,采样间隔为2ms。该剖面深部地层有一定起伏,且发育微断层。随机噪声的存在致使剖面不清晰,同相轴错断,给地质解释带来诸多不便。

图 7 原始地震资料 (a)单炮资料;(b)叠后剖面

分别用上述六种方法进行去噪处理并得到图 8(单炮)和图 9(剖面)所示结果。历经多次试验并优选,针对图 7所示实际资料,本文方法参数设置为K=4、p=0.18和K=3、p=0.21。对比所得单炮记录去噪结果可知,ATV(图 8a)和MF(图 8d)去噪效果差,信号失真严重,尤其是1.2~1.5s和2.1~2.5s区间的弱信号;相对而言,OGSTV(图 8b)阶梯效应明显减少,去噪效果有一定提升,但仍存残余噪声;BM3D(图 8e)能保留强能量信号,但弱信号恢复能力差,产生了严重的平滑效应;KSVD(图 8f)和本文方法(图 8c)去噪效果相对较好,但KSVD在一些细节(弱信号)上不如本文方法。

图 8 不同单炮记录去噪结果对比 (a)ATV;(b)OGSTV;(c)本文方法;(d)MF;(e)BM3D;(f)KSVD

图 9 叠后资料去噪结果对比 (a)ATV;(b)OGSTV;(c)本文方法;(d)MF;(e)BM3D;(f)KSVD

对比、分析图 9表 2可知,MF去噪效率高,但剖面(图 9d)上仍有大量噪声残留;OGSTV(图 9b)去噪效果有改善,但仍不理想;ATV(图 9a)去噪后产生的阶梯效应使部分细节丢失;同样地,BM3D(图 9e)出现平滑模糊区块,不利于微断裂等信息的恢复;KSVD(图 9f)和本文方法(图 9c)都有效压制了随机噪声,但KSVD计算效率低。

表 2 不同去噪方法的计算耗时对比

针对实际资料的应用结果表明,本文方法能压制不同强度随机噪声,减弱阶梯效应,有效保护信号细节特征,去噪后整个剖面同相轴具有更好清晰度和连续性,因此具有良好应用潜力。

4 结论

(1) 本文去噪方法适用于不同强度的背景噪声,在有效压制随机噪声的同时兼顾计算效率,能显著提高地震资料的品质,具有广阔的应用前景。

(2) OGS考虑了信号的邻域信息,能充分挖掘局部相似性;将它与高阶TV模型和Lp伪范数结合,不仅能压制阶梯效应,提高算法去噪能力,而且能有效保护图像边缘信息,具有较高保真度。

(3) K值决定邻域信息的多少,若K值过小,则不能充分挖掘邻域信息;反之,若引入非相似信息,则不仅增大了计算量,而且导致平滑效应。p值关系到局部非零值信号的恢复,对于弱信号局部细节的保护有重要作用。

参考文献
[1]
Liu C, Liu Y, Yang B J, et al. A 2D multistage median filter to reduce random seismic noise[J]. Geophysics, 2006, 71(5): V105-V110. DOI:10.1190/1.2236003
[2]
Liu Y, Liu C, Wang D. A 1D time-varying median filter for seismic random, spike-like noise elimination[J]. Geophysics, 2009, 74(1): V17-V24. DOI:10.1190/1.3043446
[3]
Naghizadeh M. Seismic data interpolation and denoi-sing in the frequency-wavenumber domain[J]. Geophysics, 2012, 77(2): V71-V80. DOI:10.1190/geo2011-0172.1
[4]
Rudin L I, Osher S, Fatemi E. Nonlinear total variation based noise removal algorithms[J]. Physica D:Nonlinear Phenomena, 1992, 60(1-4): 259-268. DOI:10.1016/0167-2789(92)90242-F
[5]
Douglas A. Noise reduction in seismic data using Fourier correlation coefficient filtering[J]. Geophysics, 1997, 62(5): 1617-1627. DOI:10.1190/1.1444264
[6]
Shan H, Ma J W, Yang H Z. Comparisons of wavelets, contourlets and curvelets in seismic denoising[J]. Journal of Applied Geophysics, 2009, 69(2): 103-105. DOI:10.1016/j.jappgeo.2009.08.002
[7]
汪金菊, 袁力, 刘婉如, 等. 地震信号随机噪声压制的双树复小波域双变量方法[J]. 地球物理学报, 2016, 59(8): 3046-3055.
WANG Jinju, YUAN Li, LIU Wanru, et al. Dual-tree complex wavelet domain bivariate method for seismic signal random noise attenuation[J]. Chinese Journal of Geophysics, 2016, 59(8): 3046-3055.
[8]
程浩, 王德利, 王恩德, 等. 尺度自适应三维Shearlet变换地震随机噪声压制[J]. 石油地球物理勘探, 2019, 54(5): 970-978.
CHENG Hao, WANG Deli, WANG Ende, et al. Seismic random noise suppression based on scale-adaptive 3D-Shearlet transform[J]. Oil Geophysical Prospecting, 2019, 54(5): 970-978.
[9]
张华, 刁塑, 温建亮, 等. 应用二维非均匀曲波变换压制地震随机噪声[J]. 石油地球物理勘探, 2019, 54(1): 16-23.
ZHANG Hua, DIAO Su, WEN Jianliang, et al. A random noise suppression with 2D non-uniform curvelet transform[J]. Oil Geophysical Prospecting, 2019, 54(1): 16-23.
[10]
Tang G, Ma J W. Application of total variation based curvelet shrinkage for three-dimensional seismic data denoising[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(1): 103-107. DOI:10.1109/LGRS.2010.2052345
[11]
Kong D H, Peng Z M. Seismic random noise attenuation using shearlet and total generalized variation[J]. Journal of Geophysics and Engineering, 2015, 12(6): 1024-1035. DOI:10.1088/1742-2132/12/6/1024
[12]
Diriba G, Ma J W, Yong X S. A compound method for random noise attenuation[J]. Geophysical Prospecting, 2018, 66(8): 1548-1567. DOI:10.1111/1365-2478.12672
[13]
王治强, 曹思远, 陈红灵, 等. 基于TV约束和Toeplitz矩阵分解的波阻抗反演[J]. 石油地球物理勘探, 2017, 52(6): 1193-1199.
WANG Zhiqiang, CAO Siyuan, CHEN Hongling, et al. Wave impedance inversion based on TV regularization and Toeplitz-sparse matrix factorization[J]. Oil Geophysical Prospecting, 2017, 52(6): 1193-1199.
[14]
张盼, 韩立国, 巩向博, 等. 基于各项异性全变分约束的多震源弹性波全波形反演[J]. 地球物理学报, 2018, 61(2): 716-732.
ZHANG Pan, HAN Liguo, GONG Xiangbo, et al. Multi-source elastic full waveform inversion based on the anisotropic total variation constraint[J]. Chinese Journal of Geophysics, 2018, 61(2): 716-732.
[15]
Selesnick I, Chen P Y.Total variation denoising with overlapping group sparsity[C]. IEEE International Conference on Acoustics, Speech and Signal Proces-sing, 2013: 5696-5700.
[16]
Selesnick I, Farshchian M. Sparse signal approximation via nonseparable regularization[J]. IEEE Tran-sactions on Signal Processing, 2017, 65(10): 2561-2575. DOI:10.1109/TSP.2017.2669904
[17]
陈颖频, 彭真明, 李美慧, 等. 基于交叠组稀疏广义全变分的地震信号随机噪声衰减[J]. 石油地球物理勘探, 2019, 54(1): 24-35.
CHEN Yingpin, PENG Zhenming, LI Meihui, et al. Random noise suppression based on the improved total generalized variation with overlapping group sparsity[J]. Oil Geophysical Prospecting, 2019, 54(1): 24-35.
[18]
Ahlad K, Omair A M, Swamy M. An efficient denoi-sing framework using weighted overlapping group sparsity[J]. Information Sciences, 2018, 454(1): 292-311.
[19]
Chen P Y, Selesnick I. Group-sparse signal denoising:non-convex regularization, convex optimization[J]. IEEE Transactions on Signal Processing, 2014, 62(13): 3464-3478. DOI:10.1109/TSP.2014.2329274
[20]
刘群, 付丽华, 张婉娟. 非凸Lp范数三维地震数据重建[J]. 石油地球物理勘探, 2019, 54(5): 979-987.
LIU Qun, FU Lihua, ZHANG Wanjuan. 3D seismic data reconstruction based on non-convex Lp norm[J]. Oil Geophysical Prospecting, 2019, 54(5): 979-987.
[21]
李泽林, 姚长利, 吕庆田, 等. 基于Lp范数稀疏优化算法的重力三维反演[J]. 地球物理学报, 2020, 62(10): 3699-3709.
LI Zelin, YAO Changli, LU Qingtian, et al. 3D inversion of gravity data using Lp-norm sparse optimization[J]. Chinese Journal of Geophysics, 2020, 62(10): 3699-3709.
[22]
Adam T, Paramesran R. Image denoising using combined higher order non-convex total variation with overlapping group sparsity[J]. Multidimensional Systems Signal Processing, 2018, 30(1): 503-527.
[23]
Adam T, Paramesran R. Hybrid non-convex second-order total variation with applications to non-blind image deblurring[J]. Signal, Image and Video Processing, 2019, 14(1): 115-123.
[24]
Liu G, Huang T Z, Liu J, et al. Total variation with overlapping group sparsity for image deblurring under impulse noise[J]. Plos One, 2015, 10(4): 1-23.
[25]
Wu H, Li S, Chen Y P, et al. Seismic impedance inversion using second-order overlapping group sparsity with A-ADMM[J]. Journal of Geophysics and Engineering, 2020, 17(1): 97-116. DOI:10.1093/jge/gxz094
[26]
Figueiredo M A T, Bioucas-Dias J M, Nowak R D. Majorization-minimization algorithms for waveletbased image restoration[J]. IEEE Transactions on Image Processing, 2007, 16(12): 2980-2991. DOI:10.1109/TIP.2007.909318
[27]
Yang X, Karniadakis G E. Reweighted L1minimization method for stochastic elliptic differential equations[J]. Journal of Computational Physics, 2013, 248(1): 87-108.
[28]
Wipf D, Nagarajan S. Iterative reweighted L1 and L2 methods for finding sparse solutions[J]. IEEE Journal of Selected Topics in Signal Processing, 2010, 4(2): 317-329. DOI:10.1109/JSTSP.2010.2042413
[29]
Wang Z, Bovik A C, Sheikh H R, et al. Image quality assessment:from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612. DOI:10.1109/TIP.2003.819861