第二代Curvelet变换在地震随机噪声衰减中的应用

doi:10.3778/j.issn.1002-8331.2009.25.068

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (25): 222-224.DOI: 10.3778/j.issn.1002-8331.2009.25.068

第二代Curvelet变换在地震随机噪声衰减中的应用

林春，王绪本

成都理工大学地球探测与信息技术教育部重点实验室，成都 610059

收稿日期:2008-12-09 修回日期:2009-01-12 出版日期:2009-09-01 发布日期:2009-09-01
通讯作者: 林春

Application of second generation Curvelet transform in random noise decaying of seismic data

LIN Chun，WANG Xu-ben

KLGIT，Chengdu University of Technology，Chengdu 610059，China

Received:2008-12-09 Revised:2009-01-12 Online:2009-09-01 Published:2009-09-01
Contact: LIN Chun

摘要/Abstract

摘要： 介绍了具有多尺度与多方向性特点的Curvelet变换的基本原理及实现方法。采用硬阈值法将其应用于地震数据随机噪声衰减中，并进行了仿真计算。结果证明利用Curvelet变换能比较彻底地去掉噪声，去噪后的图像边缘保持良好，滤除噪声同时还保留了有效部分，去噪效果良好，且易于实现，在地震资料处理中具有一定的可行性和应用前景。

关键词: 曲波, 硬阈值, 小波变换, 随机噪声

Abstract: The basic principle and realization of Curvelet transform，which have multi-scale and multi-direction characteristics are introduced.And they are applied in the random noise decaying of seismic data by adopting hard threshold，and they are emulated.The result proves that Curvelet transform can remove the noise nearly while the edge of picture keeps well and the detail part also keeps well at the same time.The result of noise decaying is good and easy to realize，so that curvelet transform has the feasibility and prospect in dealing with seismic data.

Key words: curvelet, hard threshold, wavelet transform, random noise

中图分类号:

TN911.7

林春，王绪本. 第二代Curvelet变换在地震随机噪声衰减中的应用[J]. 计算机工程与应用, 2009, 45(25): 222-224.

LIN Chun，WANG Xu-ben. Application of second generation Curvelet transform in random noise decaying of seismic data[J]. Computer Engineering and Applications, 2009, 45(25): 222-224.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[5]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[6]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[7]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[8]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[9]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[10]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[11]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[12]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[13]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[14]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.
[15]	黄亚飞，王国富，张法全，叶金才. 基于蜂群算法和带参阈值函数的图像去噪方法[J]. 计算机工程与应用, 2018, 54(17): 164-168.

第二代Curvelet变换在地震随机噪声衰减中的应用

Application of second generation Curvelet transform in random noise decaying of seismic data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics