一种基于改进BEMD算法的地震叠前数据优化方法及设备与流程

一种基于改进bemd算法的地震叠前数据优化方法及设备
技术领域
1.本发明涉及地震资料处理与数据优化领域，特别是一种基于改进bemd算法的地震叠前数据优化方法及设备。


背景技术：

2.地震数据作为地下地质情况的媒介，一直占有者至关重要的地位。地震数据的品质直接的影响着地震成像，地震反演的精度。叠前数据更是一切方法的基础，叠后地震数据可以由叠前数据叠加而来，而叠前数据是采集后的数据经过处理之后直接得到的数据。
3.但就目前来看，由于采集设备的精度，处理算法的缺陷等问题叠前道集往往存在信噪比不高、avo效应不明显、同相轴不连续等问题。且常规优化处理流程步骤较多且繁琐，再加上叠前数据规模大，所以往往存在处理速度较慢、累计误差较多、适应性较弱等问题。申请号为cn201410415741.6的专利提供了一种基于小波包分解的叠前道集优化方法，该申请利用小波包对地震道集进行自适应分解，在不同频段进行同相轴拉平后重构地震道集，但该方法并未对叠前道集的整体进行优化。所以如今需要一种快速、稳定、高效的叠前道集优化方法。


技术实现要素：

4.本发明的目的在于克服现有技术中所存在的处理速度较慢、累计误差较多、适应性较弱等问题，提供一种基于改进bemd(bidimensional empirical mode decomposition，二维经验模态分解)算法的地震叠前数据优化方法及设备，以有效的增强叠前道集信号的内部趋势，减少信号噪声，从而能够为叠前反演等方法提供更好的数据基础，提高储层预测的准确性。
5.为了实现上述发明目的，本发明提供了以下技术方案：
6.一种基于改进bemd算法的地震叠前数据优化方法，包括以下步骤：
7.s1：输入叠前道集；
8.s2：通过改进bemd算法对所述叠前道集进行经验模态分解，获取多个bimf分量(bidimensional intrinsic mode function，二维固有模态函数)和残余分量；其中，所述改进bemd算法为bemd算法中加入数学形态学算法的腐蚀和膨胀操作计算极值点以及三次样条插值算法进行包络拟合；
9.s3：对所述bimf分量进行基于阈值的正交小波变换去噪处理，获取去噪后的所述bimf分量；
10.s4：获取去噪后的所述bimf分量与残余分量的相关系数，并根据所述相关系数进行加权叠加处理，输出加权叠加处理后的数据作为优化后的叠前道集。本发明对二维经验模态算法进行改进，通过数学形态学算法和三次样条插值算法，提高二维经验模态算法的适应性，且采用三次样条插值算法进行计算也大大的提高了数据处理速度；然后通过该算法对叠前道集进行分解，获得不同尺度特征的本征模态分量，更加适应叠前信号的变化特
征和波形随偏移距的变化特征。本发明再通过基于阈值的正交小波变换方法对第一分量进行去噪处理，有效的去除信号的噪声，最大限度的保留有效信号。最后基于系数化的加权叠加重构处理，利用相关系数最大程度的保留了有效信号，去除了噪声信号的干扰，为地震后续预测算法提供了良好的数据基础。本发明计算精度更高、速度快，适合海量地震数据的处理。
11.作为本发明的优选方案，所述步骤s1还包括对输入的所述叠前道集进行预分析；所述预分析包括以下步骤：
12.判断所述叠前道集的数据质量，当所述叠前道集同相轴位置不清晰、同相轴处于不水平不连续状态和/或信噪比低于预设阈值时，对所述叠前道集进行去噪、预测反褶积和层拉平处理。所述叠前道集的质量评判标准为：等时间点的同相轴应该保持在一个水平面上，是连续的变化状态且清晰可见，所以连续性弱(同相轴处于不水平不连续的状态)和/或同相轴不清晰(看不清楚同相轴的位置)和/或信噪比低于预设阈值时，其质量不符合预期标准。本发明通过对输入叠前道集数据进行质量分析，有效的避免了将低质量数据直接用于计算导致结果误差大的问题，也避免了对所有数据进行预处理导致的工作量过大的问题，有效的在保证了数据质量的前提下减少了方法工作量，提高了工作效率。
13.作为本发明的优选方案，所述步骤s2包括以下流程：
14.s21：令i＝1，r
i-1
(x,y)＝f(x,y)，h
i-1
(x,y)＝r
i-1
(x,y)，其中，ri(x,y)为分解i层bimf分量后的待处理矩阵，r0(x,y)＝f(x,y)，f(x,y)为所述叠前道集，hi(x,y)为bimf分量迭代i次后的原始矩阵；
15.s22：采用数学形态学算法对所述原始矩阵进行腐蚀和膨胀操作，获取所述bimf分量迭代i-1次的所述原始矩阵的局部最大值点和局部极小值点；
16.s23：采用基于三次基函数的曲面插值算法对所述局部最大值点和所述局部极小值点进行包络拟合，并计算迭代i次的bimf分量bimfi(x,y)以及分解i层bimf分量后的待处理矩阵；
17.s24：判断是否满足预设的终止条件，若满足终止条件，进入步骤s25；若不满足终止条件，令i＝i+1，进入步骤s22；
18.s25：计算残余分量rn(x,y)，并输出分解后的bimf分量和残余分量；其中，所述残余分量rn(x,y)为分解i层bimf分量后的待处理矩阵。本发明采用改进bemd算法来快速实现信号的分离，其关键的点在于局部极值点的获取，以及极值剖面的获取，故本发明采用了数学形态学算法来提取极值点，并通过基于三次基函数的曲面插值算法来进行包络拟合，同时也提高该算法的稳定性和对地震数据的适应性。
19.作为本发明的优选方案，所述步骤s23包括：
20.s231：对极大值点和极小值点进行包络拟合，构建二维极大值包络曲面u
(i-1)max
(x,y)和二维极小值包络曲面u
(i-1)min
(x,y)；
21.s232：计算所述二维极大值包络曲面u
(i-1)max
(x,y)和所述二维极小值包络曲面u
(i-1)min
(x,y)的均值；
22.s233：根据下式计算迭代i次的bimf分量bimfi(x,y)以及分解i层bimf分量后的待处理矩阵：
23.bimfi(x,y)＝hi(x,y)＝h
i-1
(x,y)-[u
(i-1)max
(x,y)+u
(i-1)min
(x,y)]/2
[0024]ri
(x,y)＝r
i-1
(x,y)-bimfi(x,y)。
[0025]
作为本发明的优选方案，所述分解后的bimf分量和残余分量表达式为：
[0026][0027]
n为所述bimf分量的数量。
[0028]
作为本发明的优选方案，所述终止条件为：
[0029]
其中，r为预设值。
[0030]
作为本发明的优选方案，所述步骤s4中所述优化后的叠前道集的计算公式为：
[0031][0032]
其中，i(x,y)为优化后的叠前道集，cor(a
·
b)表示求取a和b的相关系数。本发明通过基于系数化的重构叠加方法来对叠前道集进行重构优化，具有更好的适应性，也提高了信号的自适应优化特点，更有效的提高叠前信号的信噪比，压制噪声，增强avo特征。
[0033]
作为本发明的优选方案，所述步骤s3包括：
[0034]
s31：对所述bimf分量作正交二进小波变换，得出所述bimf分量在各尺度上的小波系数和尺度系数；
[0035]
s32：选定小波空间门限阈值，通过非线性阈值函数对所述小波系数进行阈值处理，得到阈值处理后的小波系数；
[0036]
s33：对所述阈值处理后的小波系数及所述尺度系数进行重构，得到去噪后的所述bimf分量。
[0037]
作为本发明的优选方案，步骤s3中所述bimf分量为第一bimf分量。由于大多数的噪声信息都包含在小尺度分量上，但是如果只是将小尺度的分量信息进行去除之后进行数据的重构，势必会失去小尺度分量信息上的一些有效的细节信息，而第一bimf分量为尺度最小分量，所以本发明采用对第一bimf分量进行去噪处理后进行重构，有效的进行了去噪。而小波变换能够有效的将信号的能量集中在少数的小波基上，而将白噪仍旧保存在整个小波阈中。所以针对小波变换后的信号，选取一个较为合适的阈值能够最大限度的保留有效信号的系数，剔除噪声系数，然后通过小波系数重构原始信号，达到去噪的目的。
[0038]
一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
[0039]
与现有技术相比，本发明的有益效果：
[0040]
1.本发明对二维经验模态算法进行改进，通过数学形态学算法和三次样条插值算法，提高二维经验模态算法的适应性，且采用三次样条插值算法进行计算也大大的提高了数据处理速度；然后通过该算法对叠前道集进行分解，获得不同尺度特征的本征模态分量，更加适应叠前信号的变化特征和波形随偏移距的变化特征。本发明再通过基于阈值的正交小波变换方法对第一分量进行去噪处理，有效的去除信号的噪声，最大限度的保留有效信
号。最后基于系数化的加权叠加重构处理，利用相关系数最大程度的保留了有效信号，去除了噪声信号的干扰，为地震后续预测算法提供了良好的数据基础。本发明计算精度更高、速度快，适合海量地震数据的处理。
[0041]
2.本发明通过对输入叠前道集数据进行质量分析，有效的避免了将低质量数据直接用于计算导致结果误差大的问题，也避免了对所有数据进行预处理导致的工作量过大的问题，有效的在保证了数据质量的前提下减少了方法工作量，提高了工作效率。
[0042]
3.本发明采用改进bemd算法来快速实现信号的分离，其关键的点在于局部极值点的获取，以及极值剖面的获取，故本发明采用了数学形态学算法来提取极值点，并通过基于三次基函数的曲面插值算法来进行包络拟合，同时也提高该算法的稳定性和对地震数据的适应性。
[0043]
4.本发明通过基于系数化的重构叠加方法来对叠前道集进行重构优化，具有更好的适应性，也提高了信号的自适应优化特点，更有效的提高叠前信号的信噪比，压制噪声，增强avo特征。
[0044]
5.本发明采用对第一bimf分量进行去噪处理后进行重构，有效的进行了去噪。而小波变换能够有效的将信号的能量集中在少数的小波基上，而将白噪仍旧保存在整个小波阈中。所以针对小波变换后的信号，选取一个较为合适的阈值能够最大限度的保留有效信号的系数，剔除噪声系数，然后通过小波系数重构原始信号，经过去噪处理后的第一bimf分量在保留了有效信号的基础上，大部分的噪音信息被去除，白噪、随机噪音得到了有效的压制。
附图说明
[0045]
图1为本发明实施例1所述的一种基于改进bemd算法的地震叠前数据优化方法的流程示意图；
[0046]
图2为本发明实施例2所述的一种基于改进bemd算法的地震叠前数据优化方法中四川盆地某地某组的井旁道叠前道集图(目的层段)；
[0047]
图3为本发明实施例2所述的一种基于改进bemd算法的地震叠前数据优化方法中叠前道集及bemd结果示意图；
[0048]
图4为本发明实施例2所述的一种基于改进bemd算法的地震叠前数据优化方法中利用基于正交阈值的小波阈去噪算法对第一分量的去噪结果及去除的噪声示意图；
[0049]
图5为本发明实施例2所述的一种基于改进bemd算法的地震叠前数据优化方法中各分量与原始的分量的相关系数表和系数化权重值；
[0050]
图6为本发明实施例2所述的一种基于改进bemd算法的地震叠前数据优化方法中基于系数化权重优化后的叠前道集示意图；
[0051]
图7为本发明实施例2所述的一种基于改进bemd算法的地震叠前数据优化方法中道集处理优化前后对比图和avo特征分析示意图；
[0052]
图8为本发明实施例3所述的一种利用了实施例1所述的一种基于改进bemd算法的地震叠前数据优化方法的一种电子设备。
具体实施方式
[0053]
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
[0054]
emd算法，即经验模态分解算法，在时频分析方面发展较广泛具有较多的应用；bemd(bidimensional empirical mode decomposition，二维经验模态分解)算法，即一种具有自适应的时频局部化多尺度分析算法，与依赖于先验函数基的fourier变化和小波变化等相比，此法自适应地依据数据内在的特征，将图像和噪声逐级分解成有限个、具有不同特征尺度的本证模函数子图像，分解后的imf分量不仅揭示了含噪图像内在的真实的物理信息，而且减少了图像间特征信息的干涉和耦合。故本技术以bemd算法为基础。
[0055]
基于数学形态学算法提取极值点：
[0056]
数学形态学(mathematical morphology)是一门建立在格伦和拓扑学基础上的图像分析学科，是数学形态学图像处理的基本理论。通过定义结构元素对矩阵进行数学形态学操作，能够快速准确的实现极值点的提取，其主要操作为：腐蚀和膨胀操作。
[0057]
腐蚀(erosion)：结构a被结构元素b腐蚀的定义为：
[0058][0059]
可以理解为，移动结构b，如果结构b与结构a的交集完全属于结构a的区域内，则保存该位置点，所有满足条件的点构成结构a被结构b腐蚀的结果。输出像素的值是所有输入像素值中的最小值，在二值图像中，如果领域中有一个像素值为0，则输出像素值为0。
[0060]
膨胀(dilation)：结构a被结构b膨胀的定义为：
[0061][0062]
可以理解为，将结构b在结构a上进行卷积操作，如果移动结构b的过程中，与结构a存在重叠区域，则记录该位置，所有移动结构b与结构a存在交集的位置的集合为结构a在结构b作用下的膨胀结果。输出像素的值是所有输入像素值中的最大值。在二值图中，如果领域中有一个像素值为1，则输出像素值为1。
[0063]
基于形态学的腐蚀和膨胀处理，分别对应极大值点的提取和极小值点的提取，通过结构化元素的处理，能快速、高效的增强极值点特征，保证提取结果的准确性。经过一系列的实验和验证，选择十字交叉4
×
4的结构元素进行结构元素进行形态学操作，对横向分辨率和纵向分辨率都有一定的保护和提升作用、提高极值点提取的准确性。
[0064]
基于三次基函数的曲面插值算法：
[0065]
该算法利用待采样点周围16个点的值作三次插值，不仅考虑到4个直接相邻点的影响，而且考虑到各邻点间值变化率的影响。选取类似于地震子波的三次基函数，能够对地震剖面的特征进行更好的还原和体现。三次多项式插值法中插值函数及其一阶导数都是连续的，因此其插值结果也比较光滑，运算速度略快。
[0066]
三次基函数数学表达式如下：
[0067][0068]
插值公式如下：
[0069]
f(i+u,j+v)＝abc
[0070]
其中，a、b、c均为矩阵，形式如下：
[0071]
a＝[s(1+u) s(u) s(1-u) s(2-u)]
[0072][0073]
c＝[s(1+v) s(v) s(1-v) s(2-v)]
t
[0074]
其中，f(i,j)表示原始数据(i,j)处的值。所求出的点即为插值点。
[0075]
基于三次函数的曲面插值能够考虑多方面的因素，使用与地震子波匹配的基函数能够更强的匹配地震剖面特征，保证极大(小)包络面的完整性。并且该算法计算速度较快，能够快速的实现极大(小)值包络面的构建，为叠前地震海量数据的处理奠定了良好的基础。
[0076]
基于阈值的正交小波变换去噪：
[0077]
小波阈值去噪效果的优劣主要取决于三个方面：(1)信号分解层数的选择；(2)门限阈值的确定；(3)阈值处理函数的选择。本技术主要参考目前较为实用的基于白噪检验、各层小波空间门限阈值基于3q准则的自适应确定方法，并结合硬阈值和软阈值去噪各自的优缺点的综合改进小波系数阈值去噪法。
[0078]
1)信号分解层数的选择；
[0079]
由小波变换理论可知，白噪声经过正交小波变换后仍然是白噪声，其能量主要分布在大多数小波空间里，因此在这些阶次的小波空间上，白噪声起主导作用，从而小波系数呈现明显的白噪声特性；而有用信号经过小波变换后，其能量则被压缩到少数大尺度小波空间上数值较大的小波系数中，有用信号的小波系数占主导地位，从而使得这些小波系数序列表现出非白噪声序列。因此，通过判断各层小波空间系数序列是否具有白噪声特性，可以自适应地确定合理的分解层次，从而达到去除噪声并尽可能多地保留有用信号的目的。
[0080]
由随机过程的知识可知，白噪声是一个纯随机过程，它是由一组互不相关的随机变量序列构成。离散白噪声的自相关序列为：
[0081][0082]
利用离散白噪声自相关序列的这个特性可以对每层分解的小波系数序列进行白噪声检验。检验方法如下:
[0083]
假设第j层的小波系数为wy
j,k
(k＝1,2,...,nj)，nj为第j层小波系数的个数，它的自相关序列为ρi(i＝1,2,....,m)，m通常取5-10，若ρi满足下式：
[0084][0085]
则认为wy
j,k
为白噪声序列，需要继续进行小波分解，直到小波系数序列表现出非白噪声序列时分解终止。
[0086]
2)门限阈值的确定；
[0087]
由于高斯白噪声在各个尺度上分解所得的小波系数序列均服从高斯分布，即w
s n(x)～n(μ,σ2)。由数理统计中的3σ准则可知：
[0088]
p{-3σ≤wsn(x)-μ≤3σ}＝0.9974
[0089]
本次研究中wsn(x)～n(0,σ2)。因此经过白化检验的小波系数序列，可以通过反复计算系数序列的均方根值σ来估计白噪声序列的σ，而门限阈值即为3σ。
[0090]
对每层分解的高频系数wy
j,k
运用如下步骤(即3σ准则)确定σ值:
[0091]
①
求初始均方根值：
[0092]
②
求|wy
j,k
|(k＝1,2,...,n)的最大值|wy
j,k
|
max
，若|wy
j,k
|
max
＞3σ，则认为是信号的小波系数，予以剔除。
[0093]
③
重新计算均方根值。
[0094]
④
重复
②
，
③
，直至|wy
j,k
|
max
＜3σ，此时认为求出的值即为白噪声序列σ的估计值。以3σ作为每层高频系数处理的阈值，代入阈值函数中，得到原始信号小波系数的最优估计，再进行小波逆变换，即可得到消噪后的信号。
[0095]
3)阈值处理函数的选择。
[0096]
根据非线性阈值函数f(wy,t)选择的不同，可分为硬阈值法和软阈值法。硬阈值方法中，在t处是不连续的，会给重构信号带来一些振荡，从而使重构信号不具有期望的同原始信号相同的光滑度；而软阈值方法估计出的虽然整体连续性好，但是当时，与wy总存在恒定的偏差，从而降低了重构信号的精度。结合硬阈值和软阈值方法各自的优缺点，发展一种改进的小波系数阈值估计的模型：
[0097][0098]
其中：
[0099]
σj＝median(|w
j,k
|)。
[0100]
当|wy
j,k
|/tj＜1时，是软阈值和硬阈值估计小波系数的加权平均，其中软阈
值估计系数采用“平方-差-开方”处理方法，使得小波系数与阈值的偏离程度增大，促进信噪分离。
[0101]
当|wy
j,k
|/tj＞1，为了尽量减少有用信号的细节信息损失，保持信号在奇异点的特征，在j≥j
′
的尺度上，认为信号的小波系数占绝对主导地位，即使是小于阈值的系数也认为其中包含了信号的某些信息，再考虑到信号的小波系数随尺度递增的传播特性，使用作为估计系数，其它尺度上置零。
[0102]
实施例1
[0103]
如图1所示，一种基于改进bemd算法的地震叠前数据优化方法，包括以下步骤：
[0104]
s1：输入叠前道集，并对输入的所述叠前道集进行预分析；所述预分析包括：
[0105]
判断所述叠前道集的数据质量，当所述叠前道集同相轴不清晰，连续性极弱和/或信噪比低于预设阈值时，对所述叠前道集进行去噪、预测反褶积和层拉平处理。
[0106]
s2：通过改进bemd方法对所述叠前道集进行经验模态分解，获取多个bimf分量和残余分量。由于bemd算法的核心在于对二维叠前数据进行的极大极小值的求取和包络面的构建。所以本发明在bemd算法中的极值点求取加入了数学形态学算法进行“侵蚀”和“溶解”，然后基于波形方式的三次样条插值算法进行极大极小值包络面的构建。将所述叠前道集看作是一个m
×
n的矩阵，即f(x,y),x＝1,
…
,m；y＝1,
…
,n，具体包括以下步骤：
[0107]
s21：令i＝1，r
i-1
(x,y)＝f(x,y)，h
i-1
(x,y)＝r
i-1
(x,y)，其中，ri(x,y)为分解i层bimf分量后的待处理矩阵，r0(x,y)＝f(x,y)，f(x,y)为所述叠前道集，hi(x,y)为bimf分量迭代i次后的原始矩阵；
[0108]
s22：采用数学形态学算法对所述原始矩阵进行腐蚀和膨胀操作，获取所述bimf分量迭代i-1次的所述原始矩阵的局部最大值点和局部极小值点；
[0109]
s23：采用基于三次基函数的曲面插值算法对所述局部最大值点和所述局部极小值点进行包络拟合，并计算迭代i次的bimf分量bimfi(x,y)以及分解i层bimf分量后的待处理矩阵；
[0110]
s231：对极大值点和极小值点进行包络拟合，构建二维极大值包络曲面u
(i-1)max
(x,y)和二维极小值包络曲面u
(i-1)min
(x,y)；
[0111]
s232：计算所述二维极大值包络曲面u
(i-1)max
(x,y)和所述二维极小值包络曲面u
(i-1)min
(x,y)的均值；
[0112]
s233：根据下式计算迭代i次的bimf分量bimfi(x,y)以及分解i层bimf分量后的待处理矩阵：
[0113]
bimfi(x,y)＝hi(x,y)＝h
i-1
(x,y)-[u
(i-1)max
(x,y)+u
(i-1)min
(x,y)]/2
[0114]ri
(x,y)＝r
i-1
(x,y)-bimfi(x,y)。
[0115]
s24：判断是否满足预设的终止条件，若满足终止条件，进入步骤s25；若不满足终止条件，令i＝i+1，进入步骤s22；
[0116]
其中，所述终止条件为：
[0117]
r为预设值(r一般取值为0.2-0.3)，本技术取0.2，能够保证imf的数目和质量，保证其能够更好的反映波形的细节。
[0118]
s25：计算残余分量rn(x,y)，并输出分解后的bimf分量和残余分量；其中，所述残余分量rn(x,y)为分解i层bimf分量后的待处理矩阵，分解后的bimf分量和残余分量表达式为：
[0119][0120]
n为所述bimf分量的数量。
[0121]
s3：对第一bimf分量进行基于阈值的正交小波变换去噪处理。第一bimf分量为尺度最小分量，往往小尺度分量是主要包含噪声的分量，因为噪声是属于相对微弱的干扰信号。而基于阈值的正交小波变换处理能够良好的分离噪声信号，并有效的去除。
[0122]
s31：对所述bimf分量bimfi(x,y)作正交二进小波变换，得出所述bimf分量在各尺度上的小波系数wk(i,j)和尺度系数hk(i,j)；
[0123]
s32：选定小波空间门限阈值，通过非线性阈值函数对所述小波系数wk(i,j)进行阈值处理，得到阈值处理后的小波系数
[0124]
s33：对所述阈值处理后的小波系数及所述尺度系数hk(i,j)进行重构，得到去噪后的所述bimf分量。
[0125]
s4：系数化加权叠加处理。获取去噪后的所述bimf分量与残余分量的相关系数，再通过相关系数的大小关系进行自适应的拟合，输出加权叠加处理后的数据作为优化后的叠前道集。相关系数大的占有的比重大，相关系数小则相反。从而实现道集的优化处理，并提高信噪比，增强波组内部关系。
[0126]
其中，所述优化后的叠前道集的计算公式为：
[0127][0128]
其中，i(x,y)为优化后的叠前道集，cor(a
·
b)表示求取a和b的相关系数实施例2
[0129]
本实施例为实施例1所述方法的具体应用例。
[0130]
如图2所示，为四川盆地某地某组的井旁道叠前道集图(目的层段)，其中左图为井旁道叠前道集图，右图为放大后的结果。可以看出叠前道集存在道集不平，信噪比较低的情况。
[0131]
如图3所示，为井旁道叠前道集的bemd图。可以看出经过二维emd分解得到的分量在不同尺度上具有不同的特征。其中小尺度下的imf1分量，包含更多信息的细节信息，同样噪声等信息也包含了更多，大尺度下的imf2、imf3分量，同相轴连续性好，原始地震信号的内部信息得到了有效的挖掘和体现，avo特征相对原始道集也更加明显了。
[0132]
如图4所示，为利用基于正交阈值的小波阈去噪算法对第一分量的去噪结果及去除的噪声。可以看出，经过去噪处理后的imf1分量在保留了有效信号的基础上，大部分的噪音信息被去除，白噪、随机噪音得到了有效的压制。从去除的噪音剖面可以看出，去除的大
部分为无用信息，连续信号较少，虽然也包含一部分连续的信息，但是由于该信号是小尺度分量上的有效信息，相对原始信号所占比重较小，部分有效信息的丢失并不会给结果带来较大的影响，而大部分噪音信息的去除有效的提高了其信噪比。
[0133]
如图5所示，为各分量与原始的分量的相关系数表和系数化权重值。相关参数也表征了不同分量的特征，经过系数化处理后得到的权重值更能够凸显有效信号，压制噪声。
[0134]
如图6所示，为基于系数化权重优化后的叠前道集。经过优化后的道集相对于原始道集整体信噪比得到了有效的提高，噪音得到了压制，同相轴的连续性更强。从局部放大图像对比，进一步说明优化结果较好，有一些比较杂乱的同相轴也得到了归整和补偿。
[0135]
如图7所示，为道集处理优化前后对比图和avo特征分析图。avo分析技术是利用地震反射振幅与炮检距变化的关系(amplitude—versus-offset,简称avo)，即:通过分析cdp道集中不同炮检距的地震反射,来识别岩性及检测含气性的一种地震技术。通过结果对比可以看出优化前后avo特征保持了较好的一致性，优化后的avo效应得到了有效的加强，振幅随偏移距的变化更加明显，特征拟合度更高。
[0136]
实施例3
[0137]
如图8所示，一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种基于改进bemd算法的地震叠前数据优化方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及usb接口，用于输入输出数据；电源用于为电子设备提供电能。
[0138]
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0139]
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0140]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。