去除噪声（共6篇）
去除噪声 篇1
由于红外焦平面阵列中各探测单元响应特性不完全一致, 不同的探测光敏元件对相同的红外辐射会产生不同的输出信号, 使红外图像内出现一种条纹状的非均匀性噪声[1]。因此, 校正红外焦平面阵列的非均匀性, 消除此条带噪声, 是提高红外图像质量的关键。目前国内外常用的去除条带噪声的方法主要分为两类:一类是基于产生机理的去除算法, 典型的方法有Gadallah F.L等人提出的基于矩匹配去除条带噪声的方法[2];另一类是与产生机理无关的去除算法, 包括Horn B.K.P和Kautsky J等人提出的直方图匹配法[3,4], 以及基于傅里叶变换的条带噪声消除算法[5,6]。但这些方法适应性和广泛性较差, 往往要求图像中地物类型单一, 且算法计算复杂。针对此类情况, 不少学者提出了条带噪声的改进算法。如Chang W.W等人又提出了矩匹配与基于小波变换的多分辨率分析相结合的条带噪声消除方法[7], 刘正军等提出了成像光谱图像条带噪声去除的3种改进矩匹配方法[8], 蒋耿明等则采用了傅里叶变换、小波变换和插值3种方法进行MODIS影像条带的去除[9]。这些方法在不同程度上达到保持图像质量, 并有效去除条带噪声的目的, 但效果并不理想。因此, 深入研究红外图像条带噪声产生机理, 提出原理简单、实用性强, 能够利用单幅图像估计校正参数, 有效消除条带噪声的新算法, 成为红外图像处理领域的关键。
本文从分析红外图像条带噪声特性入手, 给出了含有列均值和列方差的图像校正公式。进而将分段多项式拟合与中值预处理的思想分别应用于红外图像条带噪声的消除算法中, 得到了改进的多项式拟合滤波法和基于中值预处理的分段拟合滤波法。通过实验对比分析, 本文算法具有去条带效果好, 原始图像信息保留能力好和适应性强的特点。
1 红外图像条带噪声分析
1.1 红外图像条带噪声校正公式
红外焦平面探测器中一般含有多个放大器, 但通常探测器一列或一行输出共用一个放大器, 由此产生了列向或横向的条纹非均匀性, 即条纹噪声[10]。由于红外焦平面探测器的每行像元对应的偏置电压VFID存在噪声, FET (Field Effect Transistor) 栅极得到的栅极电压并不相同, 这造成了即使得到同样的红外辐射, 流过每一行像元的积分电流ip均不同, 这是该类型红外探测器输出的红外图像含有条纹噪声的根源。通过上述分析可知, 红外图像条带噪声产生的原因主要是读出电路的非均匀性以及偏置电压噪声[11]。
假设红外探测单元的响应模型是线性的
式中, Xij表示图像的真实灰度值, Yij表示含有条带噪声图像的灰度值。
因此, 当已知增益系数和偏置系数时, 就能对含有噪声的图像进行恢复, 获得真实图像的灰度值。由于文中假设条带噪声均是沿图像的列方向分布的, 对式 (1) 两边分别按列取均值和方差得
其中, E (Xj) 和D (Xj) 分别表示估计出的真实图像的列均值和列方差, E (Yj) 和D (Yj) 分别表示含有噪声图像的列均值和列方差。
计算增益系数和偏置系数的值与两点定标法的基本原理相似, 可得
将式 (6) 和式 (7) 两式按列代回式 (1) , 可得校正公式
1.2 含条带噪声的红外图像均值方差特性
从校正公式中可以发现, 从图像列均值和方差入手进行图像恢复。对于一幅图像而言, 由于空间相关性的存在, 图像相邻列之间的灰度值具有一定的继承性。假设图像的灰度列均值和列方差分别是一个一维离散信号, 那么由这些离散信号组成的两条曲线应该近似光滑且连续[12]。然而, 条带噪声的存在, 使图像的某些原始灰度值被改变, 出现连续偏高或偏低的现象, 这会进一步对图像的列均值和列方差曲线产生影响, 使其呈现出被噪声干扰的特点。图1分别给出了不含条带噪声和含条带噪声两种情况下, 其灰度列均值和灰度列方差的曲线对比图。
如图3所示, 在不含条带噪声的图像中, 其列均值和列方差的离散信号可近似组成一条连续的曲线, 即曲线上某点的值与其前后位置点的值有关, 不会出现大的波动, 平滑性较好。如图4所示, 在含有条带噪声的图像中, 由其列均值和列方差这两组离散信号组成的曲线连续性较差, 出现了较大的波动性。
从上述分析可知, 条带噪声的出现确实对红外图像的灰度列均值和灰度列方差产生了影响。所以, 可以对列均值和列方差曲线进行消除噪声处理, 近似估计出图像真实的灰度列均值和列方差, 达到提高图像信噪比的目的。
2 红外图像去条带噪声改进算法
2.1 改进的多项式拟合滤波法
红外图像内条带噪声的出现, 主要是由于探测器中各阵列元响应特性不一致所引起的。在假设目标背景较为均一的前提下, 各列探测元输出数据的均值和方差应该近似相等。因此, 可以选取某一行探测元作为参考, 将其它各列探测元的均值和方差分别调整到该参考列的辐射率上。但是, 传统矩匹配法的原理不适合内容较丰富、灰度分布不均匀的图像, 可能产生“带状效应”。所以, 如何根据相邻的列均值和列方差准确地估计出某列的均值和方差, 成为消除红外图像条带噪声的关键。根据以上所述红外图像列均值和列方差曲线, 本文提出了一种能够避免“带状效应”的改进多项式拟合滤波法。
其基本思想是: (1) 对红外图像的列均值和列方差组成的两组离散序列进行插值处理。 (2) 对插值后的离散序列进行分段拟合, 此处采用分段拟合的方法是为了更好地体现出红外图像相邻列的灰度值可能具有明显变化的特点。 (3) 根据拟合得到的列均值和列方差对图像进行消除条带噪声处理。由多项式拟合的最小二乘原理可知, 处理后的图像具有较好的平滑效果[13]。
具体实现过程如下: (1) 计算原始含噪声图像的灰度列均值和灰度列方差。 (2) 分别对列均值、列方差组成的离散序列进行插值。 (3) 利用最小二乘原理对插值后的列均值、列方差序列进行分段拟合。 (4) 根据返回的拟合系数生成新的多项式, 即为平滑滤波后的列均值和列方差。 (5) 用与插值间隔相对应的频率来对平滑滤波后的列均值和列方差进行采样, 得到估计出的列均值和列方差数据。 (6) 将上一步估计得到的列均值和列方差作为校正公式中真实图像列均值和列方差的估计值, 计算出图像消除条带噪声后的灰度值。
用Matlab将上述改进算法分别运用到以下两组含有条带噪声的红外图像中, 其结果对比如图5所示。
由图5可知, 当原始图像内的条带噪声比较少, 且内容比较单一时, 该算法能在消除条带噪声的同时, 基本保持原始图像的灰度连续性, 即当原始含噪声图像内的灰度变化较缓慢时, 该方法处理后的结果图中基本不会出现明显的灰度突变现象。但是, 当原始含条带噪声图像中某一列上的灰度值变化较明显或者该列灰度值与其前、后某列的灰度值具有较大差别时, 结果图中就会产生列方向上的“带状效应”, 出现较明显的灰度突变现象, 如图6所示结果图中圆圈标记处。这是因为在原始图像某列灰度值变化较大, 使得该算法不能准确地估计出原始图像的灰度列均值和列方差, 因此还需进一步对该算法进行改进。
2.2 基于中值预处理的分段拟合滤波法
针对复杂图像内出现灰度不连续的“带状效应”, 提出基于中值预处理的分段拟合滤波法。
其基本思想是:首先采用中值滤波方法对原始图像进行平滑预处理;然后, 按照改进多项式拟合滤波法的流程对图像进行消除条带噪声的处理。其中, 对图像进行预处理的根本目的是依据条带噪声的分布方向对相应方向的均值和方差进行准确估计, 因此, 最终选择的窗口形状应该为线状, 并且具有与条带噪声的分布方向相同的滤波方向。整个算法流程如图7所示。
用Matlab对基于中值预处理的分段拟合滤波法进行仿真实验, 并把实验结果分别与传统的多项式拟合滤波法[14]和改进多项式拟合滤波法仿真结果进行比较, 如图8所示。
从图8可以看出, 基于中值预处理的分段拟合滤波法则能更好地保持了原始图像的灰度连续性, 在结果图中没有出现灰度突变的“带状效应”。因此, 该算法能够适应内容丰富、灰度分布不均匀的红外图像。
3 图像质量定量评价
为了更客观地对本文算法进行评价, 针对去除红外图像内条带噪声的问题, 采用图像的灰度均值和灰度方差来评价一幅图像的整体质量和被噪声污染的状况[15]。采用信噪比 (SNR) 对消除噪声的图像效果进行评价。信噪比或峰值信噪比的值越高, 则表示图像的质量越好。表1为对图8进行评价的结果。
通过对表1列出的评价参数进行对比, 发现本文提出的两种算法消除条带噪声后图像的方差与原始图像相比没有明显变化。这说明对灰度分布比较均匀的红外图像进行消除条带噪声处理时, 采用本文提出的两种改进算法去除条带噪声后, 保留了原有的大部分信息。从信噪比这一数据作对比, 可以发现利用本文提出的改进算法, 能有效地消除红外图像的条带噪声, 在提高图像信噪比的能力上, 优于传统的多项式拟合滤波法, 这符合文中的研究目的。其中, 基于中值预处理的分段拟合滤波法比改进多项式拟合滤波法的消除条带噪声能力更强、信噪比更高。
4 结束语
通过分析含条带噪声红外图像均值和方差曲线特点, 在已有去条带噪声算法的基础上, 提出了两种去红外图像条带噪声的改进算法。既有效地去除了条带噪声, 又能较好地恢复和保持原始图像信息。从主客观两个方面对仿真结果进行了对比、评估, 验证了本文算法的良好效果。但对于结果图中出现的细节模糊, 还需进一步研究。
摘要：由于红外焦平面阵列中各探测单元的响应特性不完全一致, 导致像元之间存在一定的非均匀性, 使红外图像中出现深浅相间的条纹状噪声, 这种噪声严重影响了红外图像的质量和解析度。针对红外图像条带噪声的产生机理, 在传统距匹配法的基础上, 文中从图像灰度均值和方差的角度入手, 结合红外图像数据量小、图像内容丰富的特点, 将分段多项式拟合和中值预处理的思想分别应用到红外图像条带噪声的消除算法中, 得到了改进的多项式拟合滤波法和基于中值预处理的分段拟合滤波法。理论分析和实验结果表明, 文中提出的两种算法具有原理简单、实用性强的特点, 能够有效地消除红外图像的条带噪声, 提高图像信噪比。
关键词：红外图像,条带去除,分段多项式拟合,中值预处理
一种有效的脉冲噪声去除算法研究 篇2
图像在采集和传输过程中易受到多种噪声的干扰, 其中脉冲噪声非常常见。一般情况下脉冲噪声分为两类, 包括固定值脉冲噪声和随机值脉冲噪声。这种噪声的特点是仅仅干扰数字图像中的部分像素, 且受到干扰的像素不含图像中的任何有用信息, 噪声点的灰度值与其领域像素存在明显不同, 所以在视觉上给人感觉过亮或者过暗, 这些都会严重影响图像的质量, 如图1所示。在8-bit的数字图像中, 固定值脉冲噪声的亮度值往往是0或者255, 随机值脉冲噪声的取值可以是[0, 255]之间的任何值, 因此, 随机值脉冲噪声往往更难去除。基于此, 本研究的重点是数字图像中随机值脉冲噪声的去除。
此外, 由于随机值脉冲噪声点相对于其领域像素点来说在灰度值上有比较大的突变, 这对图像的分析、理解及识别等都存在极大的影响, 因而有效地去除图像中的固定值脉冲噪声具有非常大的意义。、
目前, 脉冲噪声的去除算法主要分为线性算法和非线性算法, 其中线性滤波是以均值滤波及其改进的方式为代表。这一类方法虽然可以有效地去除椒盐噪声, 但同时也破坏了图像中大量的有用信息。
相比线性的均值滤波算法, 标准中值滤波算法作为一种传统非线性滤波算法因为其良好的滤波效果、快速的运算速度一度非常流行[1]。但由于这种方法对图像中的噪声像素和非噪声像素采取统一处理的方式, 会导致图像原始信息遭到破环, 造成图像中一些细节出现模糊现象。
为解决这种弊端, 人们在标准中值滤波算法的基础上提出了很多相应的改进算法, 对图像中的不同像素使用不同的加权因子加权, 例如:加权中值滤波算法, 中心像素加权中值滤波算法。这些算法与标准中值滤波算法相比, 其滤波效果有了明显的改善, 计算复杂度上也没有明显的增加, 计算相对还是比较简单的。然而使用这些方法处理噪声图像时, 往往将噪声像素和非噪声像素都一起处理了, 而忽略了非噪声像素不需要处理的事实, 所以其结果是:很多非噪声像素经过处理后丢失了原有的数据信息, 导致图像质量下降, 部分细节出现模糊甚至丢失等现象。
对于此类问题的解决方案是仅仅处理那些受噪声干扰的噪声像素, 忽略那些非噪声像素。基于此, 人们利用噪声点检测技术首先判断出噪声点的位置, 然后利用标准中值滤波算法或者加权中值滤波算法处理噪声点。在这种思路的引导下, 提出了很多该类算法, 被统一称为开关中值滤波算法[2,3,4,5,6,7,8,9,10]。应用开关中值滤波算法的关键是如何设计噪声点检测算法, 如何合理地设定阈值将噪声像素和非噪声像素准确地分类。
2 研究思路
综上所述, 滤除图像中固定值脉冲噪声并有效地保护好图像的细节是设计此类滤波算法的核心理念。基于此, 本研究结合开关中值滤波算法和保边正则化算法, 设计了一种结合开关中值和保边正则化方法的中值滤波算法, 利用开关中值设计检测算子, 检测数字图像中的脉冲噪声像素, 对于被检测出的噪声像素采用边缘保护正则化算法对其赋值修复, 从而做到了在去除噪声的同时, 有效地保护了图像的细节信息。最后利用大量实验对本算法和相关算法进行比较, 验证了本算法的有效性。
3 噪声模型
当图像被固定值脉冲噪声污染后, 图像中的一部分像素被噪声所替代, 另一部分像素保持不变, 噪声像素中不含任何有用信息。若用Oi, j和Yi, j分别表示原始图像和噪声污染图像在位置 (i, j) 处的灰度值, 则当图像被密度为p的脉冲噪声污染时, 其模型可以用公式 (1) 表达:
从图1中可以看出, 大部分噪声的亮度值与周围像素对比都显得很突出, 这些噪声的存在对图像有较大的干扰。
4 噪声像素检测算子
对于噪声像素的检测, 本研究采用一个以目标像素Oi, j为中心的滑动滤波窗口Wi, j, 在该滤波窗口中选取最优方向, 然后对该窗口中的所有像素进行加权, 对最优方向上的像素赋予较大的权重, 其余像素赋予较小的权重, 然后根据这些权重, 取该窗口的中值, 设计阈值, 比较Oi, j与加权中值, 判断Oi, j是否为噪声像素, 从而检测图像中的噪声像素。具体步骤如下。
Step1:以噪声图像N为待处理图像, uK=u, K=0;
Step2:计算以uKi, j为中心的滤波窗口的各个方向像素值的标准差, 确定最优方向 (噪声密度小于30%时取3×3的窗口, 否则取5×5的窗口) ;
上式中Tk是用来检测噪声像素的阈值, k是迭代次数。
5 保边正则化算法
6 实验与仿真
本研究将从主观视觉和客观数据 (PSNR值和MAE值) 两个方面评价算法的性能, 作为对比算法, 选取SM算法、DWM算法、ASWM算法和ROLD-EPR算法, 具体实验结果如图2所示:
通过上述实验可以看出, 无论是主观视觉效果还是客观的PSNR值和MAE值, 本研究算法与同类算法相比具有比较明显的优越性。
7 结语
本研究设计了一种有效的脉冲噪声滤出算法, 结合加权开关滤波算法和保边正则化算法对数字图像中的脉冲噪声进行检测和修复。并通过仿真实验将本算法与同类的其他算法进行比较, 验证了本算法的优越性。
参考文献
[1]冈萨雷斯, 数字图像处理, 北京:电子工业出版社, 2003.
[2]S.Akkoul等, “一种新的自适应开关中值滤波算法, ”信号处理快报, 17 (6) , 587-590, 2010.
[3]陈涛, 吴宏仁, “自适应加权中心值中值滤波算法, ”信号处理快报, 8 (1) , 1-3, 2001.
[4]A.S.Awad, “基于标准差的最优方向脉冲噪声去除算法研究, ”信号处理快报, 18 (7) , 407–410, 2011.
[5]U.Ghanekar等“基于图像增强的随机值脉冲噪声滤波算法, ”信号处理快报, 17 (1) , 47–50, 2010.
[6]C.S.Lee等, “基于图像处理的模糊加权均值滤波算法, ”模糊集与系统, 9 (2) , 157–180, 1997.
[7]余汉成, 赵力.“一种有效的图像随机值脉冲噪声去除算法, ”信号处理快报, 15 (1) , 922–925, 2008.
[8]R.Garnett等, “基于脉冲噪声检测算子的图像噪声去除算法, ”图像处理汇刊, 14 (11) , 1747–1754, 2005.
去除噪声 篇3
关键词：TSPL算法,投票策略,椒盐噪声,中值滤波,MSSIM
0 引言
图像作为信息的重要载体之一,是人们获取信息的重要来源。然而在图像获取、处理与传输等过程中,往往受到噪声的干扰。而图像去噪作为图像处理系统中的基础环节,其去噪结果会直接影响到图像的一些后期处理,比如特征提取、边缘检测、图像分割、模式识别等。因此,研究噪声的去除方法具有重要的现实意义。目前,常用的去噪算法主要分为2类:空间域去噪算法和变换域去噪算法。空间域去噪算法包括线性的均值滤波去噪算法[1]和非线性的中值滤波去噪算法[2];变换域去噪算法包括离散余弦变换[3]、傅里叶变换[4]、小波变换[5]以及多尺度几何分析等。近几年,基于多尺度几何分析理论,提出了脊小波(Ridgelet)[6],曲小波(Curvelet)[7]和轮廓小波(Contourlet)[8]等去噪算法。
在文献[9]中提出了基于三子集划分的灰度图像分层表示算法(Triple-subset Partition Based Image Layerpresentation,TSPL)[9]。TSPL算法是一种新型数字图像变换方法,与传统的线性变换思想有着根本区别。该算法的核心思想是用一系列具有解析形式的灰度函数gn(x,y)(称为基函数)来逼近不规则的原图像灰度函数f(x,y)。其中,序列中每个基函数gn(x,y)都定义在图像像素集合的一个三子集划分上。该算法是一个良好的逼近器,具有快速收敛性。文献[9]的实验结果表明,当分层数仅为5时,算法已可获得相当好的图像表示效果。本文基于TSPL算法提出了一种图像椒盐噪声的去除新方法。为了客观评价图像的去噪效果,采用WangZhou提出的基于结构相似性的图像质量评估的参数MSSIM作为图像去噪效果的客观评价标准[10]。实验结果表明该方法优于传统的中值滤波方法,在去除噪声的同时很好的保护了图像细节信息。
1 算法描述
1.1 基于三子集划分的灰度图像分层表示算法
定义图像内任意两像素点a(xa,ya)和b(xb,yb)之间的距离为:
在此距离定义的基础上,进一步定义像素p到图像子区域A的距离为:
对于灰度图像f(x,y),图像内所有的像素点构成的集合记为X,图像的灰度值可以为负值,将它的最大灰度值记为M,即对任意像素(x,y),都有f(x,y)≤M。将f(x,y)平移M′=M/2,令f′(x,y)=f(x,y)-M/2=f(x,y)-M′,那么对任意像素(x,y),均有|f′(x,y)|≤M′。设A1为X内满足|f′(x,y)|≥M′/3的像素点所构成的子集,B1为X内满足|f′(x,y)|≤-M′/3的像素点构成的子集。显然A1与B1是不相交的,并且X的三个子集A1,B1和C1=X-(A1⋃B1)构成X的一个划分。可以找到一个定义在集合X上的函数g1(x,y)=g1(p),满足:
由上式容易推知,对任意像素p∈X,函数g1满足不等式|g1(p)|≤M′/3,并且在X上有|f′(x,y)-g1(x,y)|≤2M′/3。
接下来考虑函数f′(x,y)-g1(x,y)。令A2为X内使|f′(x,y)-g1(x,y)|≥2M′/9的点构成的子集,B2为X内使|f′(x,y)-g1(x,y)|≤-2M′/9的点构成的子集,与上同理,A2与B2是不相交的,并且X的三个子集A2,B2和C2=X-(A2⋃B2)构成X的一个划分。那么可再次定义一个函数g2(x,y)=g2(p),满足:
即对任意像素p∈X,|g2(p)|≤2M′/9与|f′(x,y)-g1(x,y)-g2(x,y)|≤4M′/9均成立。重复以上过程可构造出一个函数序列gn(x,y),使得对任意像素p∈X,它们满足:
由式(6)可知级数在X上一致收敛,因此,它的和存在,且由式(5)得知,g(x,y)=f′(x,y)。令,则gN(x,y)是f(x,y)的一个近似,并且当N→∞时,gN(x,y)→g(x,y)=f′(x,y)。此时,可将图像灰度函数f′(x,y)用一个函数序列表示出来。将得到的再向上平移M/2,即获得原始的图像灰度函数的近似表示。构造无限函数序列是不可行的,可以构造一个有限函数序列gn(1≤n≤N),近似重建原始图像。对于灰度范围为0~255的灰度图像,由于灰度级以整数形式表示,当N=15时即可精确重构出原始图像,因此本文中取N=15。
每个gn(x,y)对应着图像像素集合X的一个3子集划分:X=An⋃Bn⋃Cn。这样,就可以把每个gn(x,y)看作一个三态图像(或称为三值图像),即每个像素都属于且仅属于An,Bn和这三个状态之一。一般来讲,对于不同的gn(x,y),各自对应的3子集划分是不同的。另外还需要指出,X的每个子集An,Bn或Cn都是由1个或多个连通区域组成的(如图1(b)所示)。
1.2 基于TSPL的图像去噪算法
由于图像的像素之间具有连续性,像素之间的相关性很强,所以相邻像素之间灰度值相差不大,而对于有椒盐噪声的图像,其噪声所在的像素点必然与其周围的像素点灰度值相差比较大,表现在由TSPL算法分解生成的每层三值图像上,则是在大面积的平坦地带中出现一个个孤立小点。以256×256 Lena图像为例,椒盐噪声对每层三值图像的影响如图1(d)所示,图中只显示了椒盐噪声对第1层三值图像的影响,噪声对其他各层三值图像的影响也是类似的。其中图1(a)是未加噪声的Lena图像;(b)为第1层三值图像,用黑、白、灰3种灰度值表示,白色代表A区,黑色代表B区,灰色代表C区;(c)为加入噪声强度为1%椒盐噪声后的Lena图像;(d)为基于(c)生成的第1层三值图像。由(d)看出,由于噪声的影响,使得每个区中都有少数像素被错误的归入其他区,从而表现为小的孔洞(或理解为孤立小点)。
基于以上分析,采用简单的选票策略处理由TSPL算法生成的每层三值图像,以实现对图像中椒盐噪声的去除。具体过程如下:将每个三值图像所划分成的An,Bn,Cn三个子集分别赋值为0,1,2,即An区中的像素赋值为0,Bn区中的像素赋值为1,Cn区中的像素赋值为2。然后以3×3的模板遍历图像中的全部像素(除边界像素之外),统计以每个像素点为中心的9个像素点(包含中心点)中0,1,2的数目,求出包含像素点数目最多的值,并把该值赋给中心像素点。也就是说,设N0,N1,N2分别表示值为0,1,2的像素的个数(满足N0+N1+N2=9),并令imax=arg max{Ni|i=0,1,2},则将中心像素点的值修改为imax。
例如,图2(a)中N0=2,N1=4,N2=3,则中心像素点的值保持不变,仍为1;而图2(b)中N0=2,N1=2,N2=5,则中心像素点的值修改为2。如此遍历完每层三值图像,再由公式(3)将处理后的三值图像转化为基函数gn(x,y),并叠加所有基函数gn(x,y),即得到去噪后的灰度图像。
本算法中需要考虑的一个参数是按投票策略要处理的基函数的数目,由TSPL算法可生成N=15个基函数gn(x,y),但为了达到更好的去噪效果,只处理前K个基函数,其余的基函数不再做处理而直接用于灰度图像的重构,即将按投票策略处理后的前K个基函数与未处理的后N-K个基函数进行叠加来重构原图像。
算法的流程表示如下:
2 实验结果
2.1 图像质量评价MSSIM算法
图像的质量评价方法一般分为主观评价方法和客观评价方法。主观评价方法由于受观察者对图像的理解、环境、专业知识背景、动机等因素的限制,费时、复杂,具有不稳定性和难移植性[11]。传统的客观质量评价最常用的有均方误差(MSE)和峰值信噪比(PSNR),均方误差和峰值信噪比基于像素灰度值进行统计和平均计算[12],从总体上反映原始图像和恢复图像的差别,并不能反映局部,通常跟人类的主观视觉效果不一致。
图像具有很强的结构性,像素之间存在很强的相关性,本文中采用Wang Zhou在基于人类视觉系统(HVS)的前提下,提出的基于结构相似度的SSIM方法,该方法是对于两个信号x,y通过亮度、对比度、结构方面的比较,综合得出参数SSIM,在此基础上,MSSIM是对于多个信号的SSIM的加和平均,即MSSIM表示未加噪的原始图像与加噪处理后的图像两幅图片之间的一种相似程度。MSSIM的值越接近于1效果越好,当两幅图片完全一样时,MSSIM=1。此方法在评价图像质量上明显优于传统的评价参数PSNR、MSE,更接近人眼的评价结果,与主观评价结果保持高度的一致性。
2.2 实验结果
以标准的256×256 lena图像作为原始图像检验本文提出的去噪方法(图3(a)所示)。对原始图像分别加入噪声强度为1%,3%,5%,7%,9%,11%,13%的椒盐噪声后得到加噪图像(如图3(b)所示为噪声强度为1%时的加噪图像)。分别采用本文算法和中值滤波方法对加噪图像进行处理,得到不同噪声强度下两种方法的MS-SIM值,如表1所示。
表1表明在不同噪声强度下,本文算法MSSIM值均高于中值滤波MSSIM值。特别的,当噪声强度为0.01时,本文算法MSSIM值达到了0.980 326,比中值滤波MSSIM值0.913 944高出了约0.067。所以本文算法在MSSIM值客观评价标准中优于中值滤波方法。在主观方面,通过人眼对本文算法处理结果(图3(d)所示)和中值滤波处理结果(图3(c)所示)进行比较,可以看到本文算法在有效去除椒盐噪声的同时较好的保持了图像边缘轮廓等细节信息,相比之下,中值滤波处理结果则显得比较模糊。故实验结果表明,本文算法在主客观方面都优于传统中值滤波方法。实验结果还表明一般取K=8时,可达到最佳的去噪效果。
3 结语
提出的TSPL算法是一种新型的数字图像变换方法,具有完备而简洁的数学理论基础,与传统的线性变换思想有着根本区别。本文采用投票策略处理由TSPL算法生成的各层三值图像实现对灰度图像椒盐噪声的去除。实验结果表明,本文方法在图像椒盐噪声的去除上优于传统的中值滤波方法,在去除噪声的同时更好地保留了细节信息。这显示出本文提出的TSPL算法在图像信息处理领域具有重要的应用价值。
参考文献
[1]李秀峰,苏兰海,荣慧芳,等.改进均值滤波算法及应用研究[J].微计算机信息,2008,24(1):235-236.
[2]王晓凯,李锋.改进的自适应中值滤波[J].计算机工程与应用,2010,46(3):175 176,218.
[3]周先国,李开宇.基于Contourlet变换的图像DCT去噪新方法[J].中国图象图形学报,2009,14(11):2212-2216.
[4]司祯祯.傅里叶变换与小波变换在信号去噪中的应用[J].电子设计工程,2011,19(4):155-157.
[5]龙洋,游勇华,于伟臣,等.基于Matlab小波去噪方法及应用研究[J].数字技术与应用,2012(8):5152,54.
[6]蔡政,陶少华.一种小波和脊波联合去噪方法[J].计算机工程与应用,2012,48(9):201-204.
[7]HAMDI Mohamed Ali.A comparative study in wavelets,curve lets and contourlets as denoising biomedical images[J].Graphicsand Signal Processing,2012,1:44-50.
[8]李康,陈雪军,赵乾宏.Contourlet域自适应萎缩阈值去噪方法[J].信息技术,2012(7):8284,87.
[9]李防震,胡匡祜,苏万芳,等.一种图像分层表述的快速算法[J].生物物理学报,2008,24(1):72-76.
[10]WANG Zhou,BOVIK A C,SHEIKH H R,et al.Image quali ty assessment:from error measurement to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-613.
[11]杨威,赵剡,许东.基于人眼视觉的结构相似度图像质量评价方法[J].北京航空航天大学学报,2008,34(1):1-4.
去除噪声 篇4
叠前资料的高信噪比、高保真度是叠前道集多属性提取的基础, 也是众多叠前去噪软件的努力方向。为此, 地球物理学家根据信号和噪声的各种特征差异, 开发了大量有针对性的去噪软件, 也普遍应用于资料处理中, 在保真度不降低的前提下, 极大地提高了叠前资料的信噪比。尽管如此, 有些特殊噪声的干扰波, 还没有一种有效方法去除。无需回避, 在实际施工中会常常遇到了一些不可避免的规则静态环境噪声, 如:抽油机、大型发电机的振动, 车动等一系列具有一定规律性的外部环境噪声, 特别是测线穿过工业区时尤为严重, 如图1所示。目前, 对这类有一定规律的、能量较强、频带较宽的静态环境噪声, 常规采用分频高能压制的方法, 但效果太差, 在资料处理中一般采取切除作为死道处理。如果这类干扰在整条 (束) 测线上分布较多、较广时, 显然不能作为死道处理。针对这类噪声, 进行了详细地分析, 并提出了一种有效的去噪方法。应用效果表明, 该方法能较好地去除这类噪声, 相对拓宽了频带, 提高了资料的信噪比。
2 噪声分析
有外部环境噪声的典型单炮记录和对应的初至前噪声频谱是对应记录的时频谱。可见, 在时间域, 从记录开始到结束, 外部环境噪声能量分布基本均匀、稳定, 是静态的、能量和频宽基本不随时间的增大而变化, 有一定的规律性;从噪声频谱可以看出, 有较宽的频带, 和有效反射波大部分频带重叠, 且能量强;在空间域有比较固定的噪声干扰位置。认为这是一种规则、静态、来自于外界震源引起的环境噪声, 明显有别于随机干扰和各类规则干扰 (线性干扰) , 无论是在时间域、频率域, 还是空间域等, 常规去噪方法很难有效压制。
3 方法原理
根据上述分析认为, 该类噪声在时间域有一定的稳定性、持续性, 是静态的、时不变的, 在频率域有相对稳定的频宽和振幅。利用原始记录的频谱和初至前噪声的频谱差, 在不改变原始相位的情况下, 就可达到去噪的目的。设x (t) 为地震道、s (t) 为信号、n (t) 为静态噪声在时问域, 我们很难知道和估算静态噪声n (t) , 因此, 也不可能去除该类噪声。然而, 在频率域, 由于噪声频谱的相对稳定性, 可以假定初至前噪声的频谱在信号区基本没有变化, 从而估算出信号区噪声频谱n (co) , 然后利用式 (1) 计算出信号的频谱s (∞) , 反变换到时间域, 达到去噪的目的。可以看出, 上述方法是一种简单、实用的自适应零相位振幅滤波方法。下面从理论合成记录进行分析和验证。图2a是理论记录与频谱, 图2b是含实际噪声的理论记录与频谱, 图2c是去噪后的理论记录与频谱, 图2d是初至前噪声的频谱。从相对振幅大小可以看出, 加噪声后的振幅基本等于信号和噪声的振幅之和, 之所以不完全相等, 是因为利用初至前噪声的频谱估算信号区噪声的频谱误差造成的, 就是说不能完全彻底地去除噪声。从去噪后的记录与频谱可见, 去噪效果明显, 去噪后频谱与原始信号频谱基本相同, 有效信号衰减很少。因此, 可以得出如下结论:
a..该类噪声应该是静态的、时不变的、基本稳定的;
b.只能去除绝大部分噪声;
c.少部分有效波能量有所衰减;
d.去噪前不能做任何时变振幅处理;
e.与静校正无关。
4 应用效果
为了进一步验证上述方法正确性和对实际资料的去噪效果, 选取了某工区穿过工业区的一条测线, 宽了频带, 提高了资料的信噪比和分辨率, 为后续反褶积、速度谱、剩余静等处理打下了良好的基础。前后叠加剖面的对比, 信噪比和分辨率两方面均有明显提高, 尤其是薄层、弱信号改善更为明显。图3a、3b分别是去噪前后叠加剖面对应的频谱, 从能量上对比分析, 可以看到30Hz以下低频段噪声能量受到了不同程度地衰减, 高频段弱信号能量相对得到提高, 从而达到了拓宽频带提高信噪比的目的。
结束语
通过理论分析和对噪声特征的详细分析, 以及实际资料的应用效果表明, 该方法对一些穿过工业区引起的各种环境静态噪声, 去噪效果明显, 是一种有针对性的叠前去噪方法, 既不引起假频, 也不破坏有效信号的保真度, 虽然应用范围有一定的局限性, 但作为一种特殊情况下的特殊去噪手段是可行的、科学的、也是非常必要的, 可作为众多叠前去噪方法中的一种补充
参考文献
[1]黄绪德, 袁明得.地震数据处理[M].石油工业出版社, 1994.
[2]张军华, 吕宁, 田连玉, 等.地震资料去噪方法综合评述[J].石油地球物理勘探, 2005, 40 (增刊) :121-127.
[3]陈仲委, 尧得中.自适应顺序统计滤波在地震资料处理中的应用[J].石油地球物理勘探, 2006, 41 (3) :271-274.
[4]蔡希玲.声波和强能量干扰的分频自适应检测与压制方法[J].石油地球物理勘探, 1999, 34 (4) :373380.
去除噪声 篇5
椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声,会严重影响图像的质量。为减小椒盐噪声的影响,通常采取传统中值TM(Traditional Median)滤波算法。TM算法由于可对椒盐噪声起到良好的平滑效果且可对图像中的某些细节起到保护作用,因而在图像降噪处理中得到了比较广泛的应用。然而TM算法对所有的像素进行统一处理,不仅改变了噪声点,也改变了信号点,造成了噪声在邻域传播,为此提出了许多改进算法,如开关中值(Switch Median,SM)滤波算法[1]、递进开关中值PSM(Progressive Switching Median)滤波算法[2]、基于minmax算法改进中值滤波算法[3]、极值中值EM(Extremum and Median Value)滤波算法[4]、基于局部极值噪声检测的迭代中值IFMLED(An Iterative Median Filter Based on Local Extreme Value Noise Detection)滤波算法[5]。这些算法从不同的角度对中值滤波进行了改进,在去除图像中椒盐噪声性能方面,做出了有益的探索。
借鉴自适应中值滤波和开关中值滤波的思想,本文提出一种自适应开关中值ASM(Adaptive Switch Median)滤波算法。该算法采用自适应窗口对噪声点进行检测,将像素点分为噪声点和信号点,在此基础上,采用开关中值滤波算法对噪声点滤波。结果表明,该算法能有效滤除噪声并较好地保护了图像细节。
1 ASM算法实现
在传统中值滤波中,所有的像素点都采用统一的处理方法即改变噪声点灰度值的时候,会一定程度地改变边缘像素灰度值,由于噪声点几乎都是邻域像素的极值,而边缘不是,因此可以利用这个特性来改进中值滤波。采用开关滤波,可以知道哪些点是信号点,哪些点是噪声点,就可以处理噪声点而保留信号点,这样就减少了图像的失真度。根据开关滤波思想,本文使用max-min算子作为椒盐噪声检测器,利用自适应邻域窗口对图像进行从左到右的逐行扫描,同时对位于窗口中心的像素点进行噪声判别。如果该点的灰度值处于极大值和极小值之间,则认为该点为被噪声污染;若该点的灰度值等于极值,则认为该点可能被椒盐噪声污染,然后再利用改进的方法进行判别,并将运算结果作为该点的替代值。
具体步骤如下:
设待检测的噪声图像为[xi,j],xi,j为噪声图像[xi,j]在(i,j)处的灰度值,wn为以点(i,j)为中心的一个n×n=2N+1(其中n为奇整数,N为正整数)的窗口,wn[xi,j]表示以点(i,j)为中心对图像中的点xi,j做窗口操作,yi,j为经过自适应开关中值(ASM)滤波后的图像[yi,j]在点(i,j)的灰度输出。
(1) 以(i,j)为中心确立初始值n=3窗口w3。
(2) 在窗口wn内求取最大最小灰度值max(wn[xi,j])和min(wn[xi,j])。
(3) 在窗口wn内寻找灰度值不等于max(wn[xi,j])和min(wn[xi,j])的像素点,若存在这样的像素点,则执行步骤(5);否则,扩大窗口(n=n+2),返回步骤(2)。考虑到计算量的复杂度,最大窗口设为9×9。
(4) 若扩大到最大窗口9×9时,在窗口w9内不存在灰度值等于max(wn[xi,j])或min(wn[xi,j])的像素点,则用已处理过的四个相邻像素的均值取代yi,j作为滤波输出,即:
(5) 判断窗口wn中心像素点xij是否为最大最小值。当xij为max(wn[xi,j])或min(wn[xi,j]),执行步骤(6);否则,对xij不作滤波处理,直接输出,即yij=xij。
(6) 计算窗口wn内灰度值不等于max(wn[xi,j])或min(wn[xi,j])的所有像素点的平均值mean和均方差(标准差)std。这里均方差std计算公式为:
其中k为窗口wn内灰度值不等于max(wn[xi,j])和min(wn[xi,j])的所有像素点的个数,xi和mean分别为这些像素点的灰度值和均值。
(7) 判断不等式|xij-mean|>std是否成立。若不等式成立,则认为xij为噪声点,应对其进行滤波处理,处理过程为:把窗口wn内不等于max(wn[xi,j])和min(wn[xi,j])的点组成一个集合,求取其中值,即:
其中x1,x2,…,xk为窗口wn内不等于max(wn[xi,j])和min(wn[xi,j])的k个像素点。若不等式不成立,则认为xij为信号点,不对其进行处理,直接输出,即yij=xij。
2 实验与结果比较
由于SM和EM算法在噪声检测方面分别与PSM、IFMLED算法相同,所以这里不对他们进行比较。本文以256×256的Lena图像为例,通过将本文算法与TM、AM、PSM、IFMLED、MMEM算法进行比较,实验结果表明本文算法在噪声检测和滤波效果两方面都具有良好的性能。
2.1 噪声检测能力的比较
与TM、AM滤波不同,PSM、IFLED、MMEM、ASM滤波方法都是先确定噪声后对其进行滤波,所以噪声点检测能力的优劣关系到滤波效果的好坏。
为比较噪声的检测能力的优劣,提出以下四个参数:实际噪声密度、估计噪声密度、漏检率和误检率。
其中,估计噪声密度为估计出的噪声点总个数与图像总像素之比;漏检率为未被检测出的噪声点个数与图像总像素之比;误检率为被误检出的噪声点个数与图像总像素之比。他们之间有如下关系:
实际噪声密度(AND)=估计噪声密度(END)+
漏检率(LDR)-误检率(FDR)
漏检率和误检率越小,噪声检测精度就越高,噪声检测能力也越强。四种滤波方法在256×256的Lena图像进行噪声检测时对应的漏检率和误检率如表1所示,表中数据IFMLED算法是在5×5大小的检测窗口下进行噪声检测的,PSM、MMEM算法的噪声检测门限值分别为50和30。
由表1可以看出ASM和IFMLED算法在漏检率方面都表现了比PSM和MMEM更优越的性能,其估计噪声密度基本和实际噪声密度持平。尽管ASM在噪声密度较高时存在微小的漏检率,但是可以通过调节阈值std得到有效的改善。在误检率方面ASM更优于IFMLED,这样对于图像的细节保护更加有利。PSM算法漏检率和误检率都随着噪声密度的增大而升高,所以对高椒盐噪声密度的图像PSM算法滤波更不乐观。MMEM算法一直都伴随着不同程度的漏检率和误检率出现,而且随着噪声密度的变大其漏检率也增加。由此可见ASM算法具有更强的噪声检测能力。
2.2 噪声滤波性能的比较
为比较六种滤波方法的滤波性能,这里采用归一化均方误差NMSE(Normalized Mean Squared Error)和峰值信噪比PSNR(Peak Signal Noise Ratio)作为客观评价的尺度。NMSE和PSNR分别定义为:
其中,A表示噪声图像,B表示滤波后的图像,(i,j)为像素点的坐标,图像的长度和宽度分别记为M和N。
Lena图像处理结果的NMSE图如图1所示,图中最下端的曲线即为本算法对应的NMSE曲线。从NMSE曲线图可以直观地看出,当噪声密度为0.1时,各算法滤波性能差异不太明显,当噪声密度逐步增大时,本算法、IFMLED算法的降噪性能要明显优于TM、PSM、MMEM、AM算法,尤其当噪声密度大于0.4时TM、PSM算法的滤波效果急剧变坏。当噪声密度高于0.8时,TM算法的滤波效果要好于PSM算法,这时因为此时PSM算法产生的漏检率极高的缘故。
图2进一步给出了不同算法对受不同程度脉冲噪声污染的Lena图像降噪的峰值信噪比。PSNR值越大,说明滤波图像越接近原始图像,滤波效果越好。图中最上端的曲线即为本算法对应的PSNR曲线,其结果与NMSE是吻合的。这里值得注意的是,MMEM算法在噪声密度小于0.2时滤波效果并不好,因为此时有比较大的漏检率,那也是由于在进行门限值选取的时候没有选择最佳的门限值。
2.3 ASM具体实现与核心编程
ASM具体实现流程如图3所示。
ASM核心编程如下所示:
close all; clear;
%----------------读图---------------------
Image=double(imread(′Lena.bmp));
% Image = rgb2gray(Image0);%转化为灰度图像,bmp格式不用转化%(a,b)为噪声坐标,前面程序给出
a=200;b=300;n=1;
for n=1:4;
Length=2*n+1;
NoiseMatrix=Image((a-n):(a+n),(b-n):(b+n));
Max=max(max(NoiseMatrix));
Min=min(min(NoiseMatrix));
Num=zeros();Count=0;
for i=1:Length
for j=1:Length
if NoiseMatrix(i,j)～=Max&NoiseMatrix(i,j)～=Min
Count=Count+1;
Num(Count)=NoiseMatrix(i,j);
end
end
end
if n==4
Image(a,b)=mean([Image(a-1,b),Image(a,b-1),Image(a+1,b),Image(a,b+1)]);
end
if Count～=0
if Image(a,b)==Max|Image(a,b)==Min
Mean=mean(Num);
Std=std(Num,0,2);
if abs(Image(a,b)-Mean)>Std
Image(a,b)=Mean;
end
end
break
end
end
本文的所有算法是在MATLAB7.0环境中进行的,使用的计算机设备为赛扬2.4G CPU,256M内存的PC平台。图4给出了在噪声密度为0.8时六种滤波方法滤波后的效果图。
从图4中可以看出,在高密度椒盐噪声下,本文算法不管是去噪能力还是保护图像细节都明显好于中值滤波、自适应中值滤波、PSM、MMEM算法。IFMLED算法与本文算法的滤波效果接近。
3 结 语
本文提出的ASM算法主要在以下几个方面改善了滤波性能:
(1) 滤波前对像素点进行了合理的分类,只对一部分点(噪声点)进行了滤波;
(2) 噪声检测算法使得漏检率降低至最小,防止了噪声的集结与传播,改善了滤波效果,尤其是当噪声密度较大时,滤波效果更加明显;
(3) 噪声检测自适应的执行,避免了PSM算法中初始经验参数的选择问题。
综合不同的算法,在客观角度和主观角度两方面的比较,可以说,本文提出的自适应开关中值滤波无论是在噪声检测的精确度还是在噪声滤波的效果方面都表现出良好的综合性能。
参考文献
[1]Sun Tong,Neuvo Y.Detail-preserving Median-based Filters in ImageProcessing[J].Pattern Recongnition Letters,1994,15(4):341-347.
[2]Wang Zhou,Zhang David.Progressive Switching Median Filter for theRemoval of Impulse Noise from Highly Corrupted Images[J].IEEETransactions on Circuits and Systems:Analog and Digital Signal Pro-cessing,1999,46(1):78-80.
[3]Wang Junghua,Lin Lianda.Improved Median Filter Using Minmax Al-gorithm for Image Processing[J].Electronics Letters,1997,3(16):1362-1363.
[4]刑藏菊,王守觉,邓浩江,等.一种基于极值中值的滤波算法[J].中国图象图形学报,2001,6(6):533-536.
去除噪声 篇6
叠前资料的高信噪比、高保真度是叠前道集多属性提取的基础, 也是众多叠前去噪软件的努力方向。为此, 地球物理学家根据信号和噪声的各种特征差异, 开发了大量有针对性的去噪软件, 也普遍应用于资料处理中, 在保真度不降低的前提下, 极大地提高了叠前资料的信噪比。尽管如此, 有些特殊噪声的干扰波, 还没有一种有效方法去除。无需回避, 在实际施工中会常常遇到了一些不可避免的规则静态环境噪声, 如:抽油机、大型发电机的振动, 车动等一系列具有一定规律性的外部环境噪声, 特别是测线穿过工业区时尤为严重, 如图1所示。目前, 对这类有一定规律的、能量较强、频带较宽的静态环境噪声, 常规采用分频高能压制的方法, 但效果太差, 在资料处理中一般采取切除作为死道处理。如果这类干扰在整条 (束) 测线上分布较多、较广时, 显然不能作为死道处理。针对这类噪声, 进行了详细地分析, 并提出了一种有效的去噪方法。应用效果表明, 该方法能较好地去除这类噪声, 相对拓宽了频带, 提高了资料的信噪比。
2 噪声分析
图2a是含有外部环境噪声的典型单炮记录和对应的初至前噪声频谱, 图2b是对应记录的时频谱。可见, 在时间域, 从记录开始到结束, 外部环境噪声能量分布基本均匀、稳定, 是静态的、能量和频宽基本不随时间的增大而变化, 有一定的规律性;从噪声频谱可以看出, 有较宽的频带, 和有效反射波大部分频带重叠, 且能量强;在空间域有比较固定的噪声干扰位置。认为这是一种规则、静态、来自于外界震源引起的环境噪声, 明显有别于随机干扰和各类规则干扰 (线性干扰) , 无论是在时间域、频率域, 还是空间域等, 常规去噪方法很难有效压制。
3 方法原理
根据上述分析认为, 该类噪声在时间域有一定的稳定性、持续性, 是静态的、时不变的, 在频率域有相对稳定的频宽和振幅。利用原始记录的频谱和初至前噪声的频谱差, 在不改变原始相位的情况下, 就可达到去噪的目的。 设x (t) 为地震道、s (t) 为信号、 n (t) 为静态噪声
x (ω) 频谱、s (ω) 为信号频谱、n (ω) 为静态噪声频谱 则有:
时间域地震道:x (t) =s (t) + n (t) ;
对应的频谱是:x (ω) =s (ω) + n (ω) ;
显然信号的频谱是:s (ω) =x (ω) - n (ω) 。 (1)
在时间域, 我们很难知道和估算静态噪声n (t) , 因此, 也不可能去除该类噪声。然而, 在频率域, 由于噪声频谱的相对稳定性, 可以假定初至前噪声的频谱在信号区基本没有变化, 从而估算出信号区噪声频谱n (ω) , 然后利用式 (1) 计算出信号的频谱s (ω) , 反变换到时间域, 达到去噪的目的。可以看出, 上述方法是一种简单、实用的自适应零相位振幅滤波方法。下面从理论合成记录进行分析和验证。
图3a是理论记录与频谱, 图3b是含实际噪声的理论记录与频谱, 图3c是去噪后的理论记录与频谱, 图3d是初至前噪声的频谱。从相对振幅大小可以看出, 加噪声后的振幅基本等于信号和噪声的振幅之和, 之所以不完全相等, 是因为利用初至前噪声的频谱估算信号区噪声的频谱误差造成的, 就是说不能完全彻底地去除噪声。从去噪后的记录与频谱可见, 去噪效果明显, 去噪后频谱与原始信号频谱基本相同, 有效信号衰减很少。因此, 可以得出如下结论:
a. 该类噪声应该是静态的、时不变的、基本稳定的;
b. 只能去除绝大部分噪声;
c. 少部分有效波能量有所衰减;
d. 去噪前不能做任何时变振幅处理;
e. 与静校正无关。
4 应用效果
为了进一步验证上述方法正确性和对实际资料的去噪效果, 选取了某工区穿过工业区的一条测线, 其主要干扰源来自于抽油机、发电机、大型钻机、车动等机械振动干扰。图4a、4b分别是该线受环境干扰的典型单炮记录和去噪后对应的单炮记录, 可见各种静态环境噪声不同程度地受到了压制, 相对拓宽了频带, 提高了资料的信噪比和分辨率, 为后续反褶积、速度谱、剩余静等处理打下了良好的基础。图5是去噪前后叠加剖面的对比, 信噪比和分辨率两方面均有明显提高, 尤其是薄层、弱信号改善更为明显。图6a、6b分别是去噪前后叠加剖面对应的频谱, 从能量上对比分析, 可以看到30Hz以下低频段噪声能量受到了不同程度地衰减, 高频段弱信号能量相对得到提高, 从而达到了拓宽频带提高信噪比的目的。
5 结束语
通过理论分析和对噪声特征的详细分析, 以及实际资料的应用效果表明, 该方法对一些穿过工业区引起的各种环境静态噪声, 去噪效果明显, 是一种有针对性的叠前去噪方法, 既不引起假频, 也不破坏有效信号的保真度, 虽然应用范围有一定的局限性, 但作为一种特殊情况下的特殊去噪手段是可行的、科学的、也是非常必要的, 可作为众多叠前去噪方法中的一种补充。
参考文献
[1]渥.伊尔马滋, 黄绪德, 袁明得.地震数据处理[M].石油工业出版社, 1994.
[2]张军华, 吕宁, 田连玉, 等.地震资料去噪方法综合评述[J].石油地球物理勘探, 2005, 40 (增刊) :121-127.
[3]陈仲委, 尧得中.自适应顺序统计滤波在地震资料处理中的应用[J].石油地球物理勘探, 2006, 41 (3) :271-274.
[4]蔡希玲.声波和强能量干扰的分频自适应检测与压制方法[J].石油地球物理勘探, 1999, 34 (4) :373-380.