CN106547025A - 一种均值加权去噪方法 - Google Patents
一种均值加权去噪方法 Download PDFInfo
- Publication number
- CN106547025A CN106547025A CN201510606585.6A CN201510606585A CN106547025A CN 106547025 A CN106547025 A CN 106547025A CN 201510606585 A CN201510606585 A CN 201510606585A CN 106547025 A CN106547025 A CN 106547025A
- Authority
- CN
- China
- Prior art keywords
- data
- denoising
- shot
- shot gather
- gather data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种均值加权去噪方法,属于物探技术领域,解决现有的均值加权去噪方法执行效率较低的技术问题。该方法包括:基于炮集数据获取所述炮集数据的去噪参数;根据计算节点的物理资源确定其最大计算线程数目;在所述最大计算线程数目内将所述炮集数据划分为多个子集;为每个所述子集分配计算线程;所述计算线程根据所述去噪参数对相应的子集内的炮集数据进行均值加权去噪处理。
Description
技术领域
本发明涉及物探技术领域,具体的说,涉及一种均值加权去噪方法。
背景技术
在地震资料“高信噪比、高分辨率、高保真度”三高要求中,信噪比是基础,因此提高信噪比是地震数据处理的首要任务。目前最好的去噪方式是对不同的干扰波采取不同的去噪方法,并且注重叠前去噪。相干干扰的存在对叠前资料处理例如子波处理、静校正量的计算以及速度分析等多个处理环节均会产生很多不利的影响,进而影响叠加效果。目前消除相干干扰的去噪方法很多,但有些技术在消除干扰的同时也损失了许多有效信息。均值加权消除相干干扰的去噪方法,在去噪过程中尽可能地减少了对有效波的损害,从而达到既去噪又保真的目的。
均值加权消除相干干扰方法针对相干干扰与有效信号在时间、频率、视速度和道间能量一致性等方面的差异,通过小波变换对地震记录进行分频,寻找相干干扰所在的频率范围,在此范围内,利用均值加权的思想来预测相干噪音,并予以消除。
任何去噪方法都有一个处理时间问题,尤其对于叠前资料,地震资料去噪软件的运行时间是一个不可忽视的因素。传统的均值加权去噪技术在其对叠前数据进行小波分频变换的过程中需要消耗大量的时间,并且处理人员获取去噪参数的过程也相当繁琐,这些因素都大大降低了均值加权去噪技术的计算效率。
因此,亟需一种能够提高计算效率的均值加权去噪方法。
发明内容
本发明的目的在于提供一种均值加权去噪方法,以解决现有的均值加权去噪方法执行效率较低的技术问题。
本发明的实施例提供一种均值加权去噪方法,该方法包括:
基于炮集数据获取所述炮集数据的去噪参数;
根据计算节点的物理资源确定其最大计算线程数目;
在所述最大计算线程数目内将所述炮集数据划分为多个子集;
为每个所述子集分配计算线程;
所述计算线程根据所述去噪参数对相应的子集内的炮集数据进行均值加权去噪处理。
在获取所述炮集数据的去噪参数的步骤中包括:
从所述炮集数据中选出单炮数据;
对选出的所述单炮数据进行小波分频变换形成多个尺度的频带数据;
基于所述单炮数据形成的多个尺度的频带数据获取所述炮集数据的去噪参数。
在所述计算线程对相应的子集内的炮集数据进行均值加权去噪处理的步骤中包括:
对所述子集内的炮集数据进行小波分频变换形成多个尺度的频带数据;
根据所述去噪参数对所述子集内的炮集数据形成的多个尺度的频带数据进行均值加权去噪处理形成多个尺度的去噪后的频带数据;
对所述多个尺度的去噪后的频带数据进行小波重构变换形成去噪后的炮集数据。
所述将所述炮集数据划分为多个子集的步骤具体为:
将所述炮集数据以单炮数据为单位划分为多个子集。
在将所述炮集数据划分为多个子集的步骤中包括:
从所述炮集数据中依次向每个所述子集分配一个单炮数据,直至所述炮集数据中所有的所述单炮数据都分配到所述多个子集中为止。
所述子集数据的数目为最大计算线程数目的一半。
在确定最大计算线程数目的步骤中包括:
通过应用程序编程接口获取所述计算节点的处理器核数,从而确定所述计算节点的最大计算线程数目。
所述去噪参数包括:预测相干噪音时所用空间道数、小波变换最大尺度数、相干噪音所在的小波变换尺度数以及扫描相干噪音方向时相邻道时差范围上限和下限中的一个或多个。
本发明实施例提供的均值加权去噪方法充分利用计算节点的多线程计算资源,将整个炮集数据分成多个子集多线程并行的进行小波分频、去噪和小波重构,使得对于炮集数据的均值加权去噪算法效率大大提高。与此同时,通过对一个或多个数据比较完整的单炮数据进行去噪参数的分析,并将得到去噪参数作为整个炮集的去噪参数,在保证去噪的结果和原始算法去噪的结果一样的情况下,大大提升去噪速度。本发明实施例提供的均值加权去噪方法通过上述两个方面优化了均值加权去噪算法,相对于现有技术算法节省了大量时间,效率大大提高。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚的说明本发明实施例中的技术方案,下面将对实施例描述中所需要的附图做简单的介绍:
图1是本发明实施例提供的均值加权去噪方法的流程示意图;
图2是本发明实施例提供的多线程均值加权去噪的流程示意图;
图3是本发明实施例提供的获取炮集数据的去噪参数的流程示意图;
图4是本发明实施例提供的地震资料的单炮原始剖面图;
图5是本发明实施例提供的经过均值加权去噪方法去噪后的地震资料的单炮剖面图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
本发明实施例提供一种均值加权去噪方法,如图1所示,该方法包括:
在步骤101中,基于炮集数据获取炮集数据的去噪参数。炮集数据为叠前数据,其中包含有多个单炮数据。获取炮集数据的过程是先对整个炮集数据进行小波分频变换,然后工作人员对分频得到的多个尺度的频带数据进行分析和比较,从而得到去噪参数。去噪参数包括:预测相干噪音时所用空间道数、小波变换最大尺度数、相干噪音所在的小波变换尺度数以及扫描相干噪音方向时相邻道时差范围上限和下限中的一个或多个。均值加权算法依据上述去噪参数消除炮集数据中的相干干扰。
在步骤102中,根据计算节点的物理资源确定其最大计算线程数目。首先由主控线程获取计算节点的物理资源,计算节点可以为服务器或者PC等。然后依据计算节点的物理资源给定将要开启的计算线程数目。
为了使得网格模型数据的生成方法可以跨平台的使用,本发明实施例提供了跨平台的获取计算节点当前系统可用核数的方法,即通过应用程序编程接口API获取计算节点的处理器核数,从而确定计算节点的最大计算线程数目。具体来说,首先对当前计算节点的操作系统做预判断,如果是windows系统,则使用GetsystemInfo()这个API返回当前计算节点的处理器核数;如果是Linux系统,则使用get_nprocs()这个API返回当前计算节点真正可用的处理器核数。
可选的,在本发明实施例中,使用一个处理器内核进行一个线程的数据计算,同样的,也可以根据实际需求使用一个处理器内核进行多个线程的数据计算,或者使用多个处理器内核进行一个线程的数据计算,在此不做限制。
在步骤103中,在最大计算线程数目内将炮集数据划分为多个子集。本步骤的设计思路为:首先,对均值加权去噪算法进行剖析,将去噪算法分解为五步:①小波分频变换法求取相干干扰所在的频率范围;②相干干扰方向的确定;③相干干扰识别技术;④均值加权去噪;⑤小波变换重构地震记录。接着,使用性能分析器,分析程序耗时所在,捕获程序计算的“热点”(即最耗时的部分)所在为小波分频和小波重构两个部分。因此上述“热点”为本发明的优化重点。
然后,分析均值加权去噪核心算法中的数据无关性。由于该算法在去噪时,对叠前数据的每一单炮数据运算是独立的。因此,炮集数据中每个单炮数据之间都是无关的,若由于特殊原因单炮数据之间的计算具有一定的相关性,则采用特定的技巧消除该可能的相关性。进而在并行的数据划分模式中采用分子集模式,将炮集数据以单炮数据为单位划分为多个子集。采用并行中的多线程方式对其中的核心算法的实现进行并行化,每个线程处理一个子集的地震数据,划分子集数由设定的计算线程数确定。
进一步的,在本发明实施例中,将炮集数据划分为多个子集的步骤中包括:将炮集数据中的所有单炮数据通过“卷帘式”分配方法分配到多个子集中,也就是说从炮集数据中的所有的单炮数据中依次向每个子集分配一个单炮数据,当所有的子集中都有一个单炮数据后,再依次向每个子集分配一个单炮数据,以此类推,直至所有的单炮数据都分配到子集当中为止。
在步骤104中,为每个子集分配计算线程,可以分配给每个子集一个或多个计算线程。在本发明的一个实施方式中分配给每个子集一个计算线程,每一个子集中的单炮数据都由一个计算线程来进行处理。可选的,子集数据的数目为最大计算线程数目的一半。使用一个处理器内核进行一个线程的数据计算,也就是说当前计算节点真正可用的处理器核数即为其最大计算线程数目。也就是说在获取处理器核数后,确定最大计算线程数目为处理器核数,使用一半数目的处理器核在多个子集中来进行多线程的去噪算法,留出一半的处理器核来进行其他的计算和处理,这样可以在提高去噪算法的效率的同时,保证系统和其他的计算的正常运行,最大性价比的利用计算节点的处理器资源。
在步骤105中,计算线程根据去噪参数对相应的子集内的炮集数据进行均值加权消除相干干扰处理。由于去噪算法的“热点”(即最耗时的部分)为小波分频和小波重构两个部分。为了对“热点”进行优化,本发明提供的均值加权去噪方法将炮集数据中的多个单炮数据的小波分频、去噪和小波重构分配给多个线程来执行。
如图2所示,步骤105具体为:S1由主线程读入去噪参数;S2由主线程读入炮集数据,即地震数据;S3计算线程并行进行子集去噪处理:S4主线程输出结果。
步骤S3具体为:首先,对子集内的炮集数据进行小波分频变换形成多个尺度的频带数据;然后,根据去噪参数对多个尺度的频带数据进行均值加权去噪处理形成多个尺度的去噪后的频带数据;最后,对多个尺度的去噪后的频带数据进行小波重构变换形成去噪后的炮集数据。当每个计算线程计算结束后,由主线程控制结果的输出并释放相关资源。
相对于现有的去噪方法中,对整个炮集数据进行小波分频、去噪和小波重构,本发明实施例提供的均值加权去噪方法充分利用计算节点的多线程计算资源,使得对于炮集数据的均值加权去噪算法效率大大提高。以一大小为60平方千米,数据量为62GB的叠前三维地震资料为例,如表1所示的该地震资料计算线程数和计算时间关系,随着计算线程数目的增加,均值加权去噪算法的计算时间线性减少。而且可以看出随着线程数目的增加,计算时间的减小趋势逐渐变缓,因此,使用计算节点资源中一半数目的处理器核来进行多线程的去噪算法,可以最大性价比的利用计算节点的处理器资源。
算法 | 线程数 | 计算范围 | 计算时间(分钟) |
均值加权去噪 | 1 | 62GB叠前数据 | 519 |
均值加权去噪 | 2 | 62GB叠前数据 | 274.8 |
均值加权去噪 | 4 | 62GB叠前数据 | 153.1 |
均值加权去噪 | 6 | 62GB叠前数据 | 112.9 |
均值加权去噪 | 8 | 62GB叠前数据 | 93.4 |
均值加权去噪 | 10 | 62GB叠前数据 | 81.7 |
表1
进一步的,在本发明实施例中,如图3所示,在获取炮集数据的去噪参数的步骤中包括:
在步骤201中,输入整个炮集数据。
在步骤202中,从炮集数据中选出一个或多个单炮数据。从炮集数据中选出一个或者多个数据内容相对完整的单炮数据,往往炮集数据中部的单炮数据相对其他单炮数据更加完整。
在步骤203中,对选出的单炮数据进行小波分频变换,形成多个尺度的频带数据,保留该中间数据即多个尺度的频带数据。
在步骤204中,基于单炮数据形成的多个尺度的频带数据获取炮集数据的去噪参数。即对多个尺度的频带数据进行均值加权算法去噪参数的分析,将选出的相对数据比较完整的单炮数据的去噪参数作为整个炮集的去噪参数。
以一大小为60平方千米,数据量为62GB的叠前三维地震资料为例,图4所示为该地震资料单炮的原始剖面图,在通过本发明实施例提供的均值加权去噪方法对该地震资料进行去噪后得到如图5所示的去噪后单炮的剖面图。
可选的,在本发明实施例中,为了保证去噪的结果和原始算法去噪的结果相同,在数据采集区域内选择一小片具有代表性地质特征的区域进行小规模炮集数据的采集,对采集到的数据分别用本发明实施例提供的去噪方法和传统的去噪方法进行去噪,比较两种方法的去噪结果,根据差别对去噪参数进行微调,使去噪结果和原始算法去噪结果相同。由于该具有代表性的区域的地质特征体现了整个数据采集区域的地质特征,所以其噪声以及去噪参数也代表了整个采集区域的共性,因此参考该经过调整过的去噪参数和调整过程,使用本发明实施例提供的方法获取数据采集区域内大规模炮集数据的去噪参数,可以使得对于大规模炮集数据的去噪结果和使用原始算法的去噪结果相同。
在地震勘探技术日趋发达,叠前地震数据规模日益庞大的今天,炮集数据规模往往非常庞大,原始的去噪方法对整个炮集数据进行去噪参数的选择是异常复杂的,经验不足或者对数据采集地区不是很了解的处理人员可能需要花费很多的时间通过几组操作才能获得最佳的去噪参数。而本发明实施例提供的方法通过对一个或多个数据比较完整的单炮进行去噪参数的分析,并将得到去噪参数作为整个炮集的去噪参数,可以在保证去噪的结果和原始算法去噪的结果一样的情况下,大大提升速度。
本发明实施例提供的均值加权去噪方法充分利用计算节点的多线程计算资源,将整个炮集数据分成多个子集多线程并行的进行小波分频、去噪和小波重构,使得对于炮集数据的均值加权去噪算法效率大大提高。与此同时,通过对一个或多个数据比较完整的单炮数据进行去噪参数的分析,并将得到去噪参数作为整个炮集的去噪参数,在保证去噪的结果和原始算法去噪的结果一样的情况下,大大提升去噪速度。本发明实施例提供的均值加权去噪方法通过上述两个方面优化了均值加权去噪算法,相对于现有技术算法节省了大量时间,效率大大提高。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种均值加权去噪方法,其特征在于,包括:
基于炮集数据获取所述炮集数据的去噪参数;
根据计算节点的物理资源确定其最大计算线程数目;
在所述最大计算线程数目内将所述炮集数据划分为多个子集;
为每个所述子集分配计算线程;
所述计算线程根据所述去噪参数对相应的子集内的炮集数据进行均值加权去噪处理。
2.根据权利要求1所述的方法,其特征在于,在获取所述炮集数据的去噪参数的步骤中包括:
从所述炮集数据中选出单炮数据;
对选出的所述单炮数据进行小波分频变换形成多个尺度的频带数据;
基于所述单炮数据形成的多个尺度的频带数据获取所述炮集数据的去噪参数。
3.根据权利要求2所述的方法,其特征在于,在所述计算线程对相应的子集内的炮集数据进行均值加权去噪处理的步骤中包括:
对所述子集内的炮集数据进行小波分频变换形成多个尺度的频带数据;
根据所述去噪参数对所述子集内的炮集数据形成的多个尺度的频带数据进行均值加权去噪处理形成多个尺度的去噪后的频带数据;
对所述多个尺度的去噪后的频带数据进行小波重构变换形成去噪后的炮集数据。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述将所述炮集数据划分为多个子集的步骤具体为:
将所述炮集数据以单炮数据为单位划分为多个子集。
5.根据权利要求4所述的方法,其特征在于,在将所述炮集数据划分为多个子集的步骤中包括:
从所述炮集数据中依次向每个所述子集分配一个单炮数据,直至所述炮集数据中所有的所述单炮数据都分配到所述多个子集中为止。
6.根据权利要求5所述的方法,其特征在于,所述子集数据的数目为最大计算线程数目的一半。
7.根据权利要求6所述的方法,其特征在于,在确定最大计算线程数目的步骤中包括:
通过应用程序编程接口获取所述计算节点的处理器核数,从而确定所述计算节点的最大计算线程数目。
8.根据权利要求7所述的方法,其特征在于,所述去噪参数包括:预测相干噪音时所用空间道数、小波变换最大尺度数、相干噪音所在的小波变换尺度数以及扫描相干噪音方向时相邻道时差范围上限和下限中的一个或多个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510606585.6A CN106547025A (zh) | 2015-09-22 | 2015-09-22 | 一种均值加权去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510606585.6A CN106547025A (zh) | 2015-09-22 | 2015-09-22 | 一种均值加权去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106547025A true CN106547025A (zh) | 2017-03-29 |
Family
ID=58364796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510606585.6A Pending CN106547025A (zh) | 2015-09-22 | 2015-09-22 | 一种均值加权去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106547025A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663709A (zh) * | 2017-04-01 | 2018-10-16 | 中国石油化工股份有限公司 | 一种小断层增强方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957458A (zh) * | 2009-07-21 | 2011-01-26 | 北京大学 | 一种处理超低频数据的方法 |
CN102063308A (zh) * | 2011-01-12 | 2011-05-18 | 中国石油集团川庆钻探工程有限公司 | 一种用于地震勘探资料处理流程控制的方法 |
CN102323619A (zh) * | 2011-05-25 | 2012-01-18 | 中国石油集团川庆钻探工程有限公司 | 基于多核处理器的线性去噪的方法 |
US20120215453A1 (en) * | 2011-02-22 | 2012-08-23 | Cggveritas Services Sa | Device and method for multi-dimensional coherency driven denoising data |
CN104459781A (zh) * | 2014-12-09 | 2015-03-25 | 中国石油天然气集团公司 | 三维叠前地震数据的随机噪声衰减方法 |
-
2015
- 2015-09-22 CN CN201510606585.6A patent/CN106547025A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957458A (zh) * | 2009-07-21 | 2011-01-26 | 北京大学 | 一种处理超低频数据的方法 |
CN102063308A (zh) * | 2011-01-12 | 2011-05-18 | 中国石油集团川庆钻探工程有限公司 | 一种用于地震勘探资料处理流程控制的方法 |
US20120215453A1 (en) * | 2011-02-22 | 2012-08-23 | Cggveritas Services Sa | Device and method for multi-dimensional coherency driven denoising data |
CN102323619A (zh) * | 2011-05-25 | 2012-01-18 | 中国石油集团川庆钻探工程有限公司 | 基于多核处理器的线性去噪的方法 |
CN104459781A (zh) * | 2014-12-09 | 2015-03-25 | 中国石油天然气集团公司 | 三维叠前地震数据的随机噪声衰减方法 |
Non-Patent Citations (1)
Title |
---|
赵馨: "地震数据处理中叠前去噪应用研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663709A (zh) * | 2017-04-01 | 2018-10-16 | 中国石油化工股份有限公司 | 一种小断层增强方法 |
CN108663709B (zh) * | 2017-04-01 | 2020-04-07 | 中国石油化工股份有限公司 | 一种小断层增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101661514B (zh) | 一种油藏黑油模型数值模拟系统 | |
Rossi | Resurrecting core spreading vortex methods: A new scheme that is both deterministic and convergent | |
Hara et al. | P-wave first-motion polarity determination of waveform data in western Japan using deep learning | |
CN102938071B (zh) | 基于非局部均值的sar图像变化检测模糊聚类分析方法 | |
CN109471171B (zh) | 一种混叠地震数据分离的方法、装置及系统 | |
CN104101902B (zh) | 地震属性聚类方法及装置 | |
CN101609416A (zh) | 提高分布式系统性能调优速度的方法 | |
CN102831588A (zh) | 一种三维地震图像的降噪处理方法 | |
CN102930519A (zh) | 基于非局部均值的sar图像变化检测差异图生成方法 | |
CN107704266B (zh) | 一种应用于解决粒子模拟并行数据竞争的归约方法 | |
CN103076627A (zh) | 一种速度模型平滑优化方法 | |
CN106990995B (zh) | 一种基于机器学习的循环分块大小选择方法 | |
Hou et al. | 3D density inversion of gravity gradiometry data with a multilevel hybrid parallel algorithm | |
CN106547025A (zh) | 一种均值加权去噪方法 | |
US10209403B2 (en) | Method of modelling a subsurface volume | |
Howison | Comparing GPU implementations of bilateral and anisotropic diffusion filters for 3D biomedical datasets | |
CN104422953B (zh) | 一种提高地震叠前时间偏移计算效率的方法 | |
CN112946746B (zh) | 用于提高薄煤层avo反演准确性的方法及装置 | |
Nanda et al. | A tri-stage cluster identification model for accurate analysis of seismic catalogs | |
CN103091708B (zh) | 一种三维地震构造曲率性能优化方法 | |
US20230095632A1 (en) | Interpretive-guided velocity modeling seismic imaging method and system, medium and device | |
Zhou et al. | Lithology identification based on multi-scale residual one-dimensional convolutional neural network | |
CN113642232B (zh) | 一种面波智能反演勘探方法、存储介质及终端设备 | |
CN111596358A (zh) | 一种多次波的压制方法、设备以及系统 | |
Cruz et al. | Fast evaluation of segmentation quality with parallel computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170329 |