Structured Graph Dictionary Learning and Application on the Seismic Denoising
Structured Graph Dictionary Learning and Application on the Seismic Denoising
复制标题
结构化图字典学习及其在地震去噪中的应用
DOI：
10.1109/tgrs.2018.2870087
复制
发表时间：
2019-04
影响因子：
8.2
通讯作者：
Ma Jianwei
中科院分区：
文献类型：
--
作者：
Liu Lina;Ma Jianwei
稀疏编码方法由于可以通过稀疏变换和字典学习（DL）方法稀疏地表示数据，因此被用于地震去噪。由于学习字典的自适应性，DL方法受到了广泛的关注。然而，对于地震去噪，从噪声数据学习的字典是表示地震数据模式的原子和表示噪声模式的原子的混合。为了使字典包含更多的原子来表示地震数据，我们考虑通过结构化图将数据的局部和非局部相似性添加到字典中，并提出了一种新的DL方法，即结构化图字典学习（SGDL）。由SGDL学习的字典的原子是平滑的，这意味着在该字典上表示的任何信号都是平滑的。此外，在字典域，我们使用非局部模型，即SSC-GSM连接高斯尺度混合（GSM）与同时稀疏编码（SSC），来表示地震数据。将该方法应用于合成数据和两类野外数据。结果表明，该方法能较好地滤除强噪声，同时保留地震弱同相轴。
Sparse coding method has been used for seismic denoising, as the data can be sparsely represented by the sparse transform and dictionary learning (DL) methods. DL methods have attracted wide attention because the learned dictionary is adaptive. However, for seismic denoising, the dictionary learned from the noise data is a mix of atoms representing seismic data patterns and atoms representing noise patterns. To make the dictionary contain more atoms to represent seismic data, we consider adding to the dictionary the local and nonlocal similarities of the data via the structured graph and propose a new DL method, namely, the structured graph dictionary learning (SGDL). The atoms of dictionary learned by the SGDL are smooth, which implies smoothness of any signal represented over this dictionary. In addition, in the dictionary domain, we use the nonlocal model, namely, SSC-GSM that connects Gaussian scale mixture (GSM) with simultaneous sparse coding (SSC), to represent the seismic data. We apply the method to the synthetic data and two kinds of field data. Results show that our method can better remove strong noise and retain the seismic weak events also.
登录
查看更多内容
DOI：
10.1201/b10345-5
发表时间：
2010-11
期刊：
Encyclopedia of Autism Spectrum Disorders
影响因子：
--
作者：
Kim-Anh Lê Cao;Z. Welham
通讯作者：
Kim-Anh Lê Cao;Z. Welham
通过学习紧框架对高维地震数据进行插值和去噪
影响因子：
3.3
作者：
Yu Siwei;Ma Jianwei;Zhang Xiaoqun;Sacchi Mauricio D.
通讯作者：
Sacchi Mauricio D.
影响因子：
8.2
作者：
Shutao Li;Haitao Yin;Leyuan Fang
通讯作者：
Shutao Li;Haitao Yin;Leyuan Fang
DOI：
10.1016/j.physa.2011.04.009
发表时间：
2012-03
影响因子：
3.3
作者：
M. S. Oliveira;M. Henriques;F. E. A. Leite;G. Corso;L. Lucena
通讯作者：
M. S. Oliveira;M. Henriques;F. E. A. Leite;G. Corso;L. Lucena
影响因子：
8.2
作者：
Wei Fu;Shutao Li;Leyuan Fang;J. Benediktsson
通讯作者：
Wei Fu;Shutao Li;Leyuan Fang;J. Benediktsson