اعمال روش SURE-LET يك بعدي با استفاده از موجك‌هاي مختلف به منظور تضعيف نوفه‌هاي تصادفي مقاطع لرزه‌اي

One-dimensional SURE-LET method using various wavelets for random noise attenuation of seismic data

داده هاي لرزه اي بازتابي همواره شامل انواعي از نوفه از جمله نوفه هاي ناهمدوس )تصادفي( و همدوس مي باشند. نسبت سيگنال به نوفه پايين؛ مراحل پردازش به خصوص برانبارش و مهاجرت را با مشكل مواجه مي كند و در نهايت ممكن است منجر به يك تصوير غير قابل تفسير از ساختارهاي زمين شود. از آنجا كه فرض اساسي تبديل فوريه پايا بودن سيگنال است، بنابراين براي سيگنال هاي ناپايا كاملاً كارا نيست. با توجه به اين كه تبديل موجك، تابع را در حيطه زمان و فركانس با استفاده از تابع موجك همزمان نشان مي دهد؛ بنابراين بر محدوديت هاي تبديل فوريه غلبه در حوزه تبديل موجك گسسته متعامد SURE-LET كرده است. در اين مقاله تلاش شده است تا روش نوفه زدايي از SURE-LET كاهشي و با استفاده از موجك هاي مختلف، به منظور تضعيف نوفه هاي تصادفي اعمال شود. در روش به دو بخش SURE-LET هرگونه فرضيه ي پيشين بر روي سيگنال هاي عاري از نوفه اجتناب مي گردد. در واقع روش درون مقياس است. )LET( اصلي تقسيم مي شود: تضعيف كننده ي موجك كه شامل بسط خطي توابع آستانه گذاري بين داده هاي نوفه اي و عاري از نوفه، ،)SURE( سپس پارامترهاي خطي براي به حداقل رساندن خطاي نااريب اشتين پارامترها به راحتي با حل يك سيستم معادلات خطي، ،MSE حل مي شوند. با توجه به فرم درجه ي دوم برآورد با موجك هاي مختلف نشان مي دهد كه موجك هاي سيملت و SURE-LET بهينه سازي مي شوند. نتايج اعمال روش كويفلت خروجي بهتري نسبت به ساير موجك ها دارند. با توجه به ميزان حفظ سيگنال در كنار تضعيف نوفه برتري نشان داده شده است. f-x بر روشهاي آستانهگذاري نرم و واهماميخت حوزه SURE-LET روش

In seismic data processing, the processing steps are completely affected by the data quality. Reflection seismic data are often affected by various noises including random and coherent noises. Low signal to noise ratio can produce problems for stacking and migration steps, which ultimately leads to poor interpretation. There are many methods that can be used for noise removal or attenuation of seismic data. The basic assumption of the Fourier transform is that it considers stationary signal, thus, for non-stationary signals, it is not always applicable. Based on this fact that the wavelet transform decomposes a function by translation and stretching, it can provide time-scale representation of a signal. In this paper, we have used SURE-LET method for noise removal in the wavelet transform domain. In the SURE-LET method, any assumptions of noise free signals are avoided.