基于高阶TV正则化的叠前动校正域随机噪声压制方法

常规全变分(Total Variation,TV)去噪模型只考虑水平方向和垂直方向的一阶导数信息,处理存在弯曲同相轴的叠前地震资料时会严重破坏振幅信息,而且振幅的横向渐变特征会被压制,从而引起“阶梯效应”。常利用地震数据的局部倾角信息提高TV模型的保幅能力,但局部倾角信息的计算会受到噪声的严重影响。为此,提出在动校正(NMO)域中利用高阶TV正则化去噪模型对叠前地震资料进行随机噪声压制。该方法首先将叠前地震数据转换到NMO域,NMO对噪声的鲁棒性强,同时避免了局部倾角的计算;在NMO域中弯曲同相轴被拉平,然后对其进行高阶TV去噪;最后通过反NMO还原叠前地震数据。以二阶导数为例构造了高阶TV正则化反演去噪目标函数,并在分裂Bregman优化框架下推导了快速优化求解方法。合成地震数据和实际地震资料的处理结果表明,该方法不仅可以有效压制随机噪声,而且可以消除同相轴弯曲和“阶梯效应”造成的振幅失真,提高了TV去噪方法的保幅性能。