基于泊松碟采样的地震数据压缩重建

在地震资料处理领域,数据的压缩和重建是非常重要的问题,但往往由于数据的严重缺失或采样原因而达不到理想的效果.新发展起来的压缩感知理论为重建欠采样数据提供了可能,而选用合适的采样方法是其中的关键技术之一.本文基于傅里叶变换和压缩感知理论,采用泊松碟采样,对不完整地震数据进行恢复重建.数值实验表明,与传统的单纯随机采样方法相比,泊松碟采样方法在保持采样随机性的同时,使采样点的分布更加均匀,有效地调节了采样间距,从而达到更好的恢复效果,可以有效地指导地震数据采集设计及重建.

测地空间中泊松碟采样的地形模型约简方法

针对地形模型的数据冗余问题,提出在测地空间中进行均匀采样的策略,实现数据精简的目的.该方法随机地从原始地面模型中提取点,根据当前点与已有采样点的测地距离确定是否将其加入到采样点集,重复该过程直至无新的采样点加入.通过定义加权测地距离,该方法能有效调整不同区域的采样概率,从而使精简后的模型能有效保持原始数据的特征信息.该算法原理简单,实现容易,约简后数据的分布具有良好的可视化效果.

一种基于曲率泊松碟采样的散乱点云精简方法

针对散乱点云密度大、重建效率低等问题,提出一种基于曲率泊松碟采样的散乱点云精简方法。首先建立点云的邻接关系来计算点云的曲率特征,由此划分平坦区域和特征区域,然后格网化点云,在平坦区域对最靠近重心的点进行采样,在特征区域对曲率分级并进行泊松碟采样。本文利用另外3种不同的点云精简方法与本文方法进行对比试验。试验结果表明,本文方法能在平坦区域均匀精简点云的同时,最大化地保留曲率较大区域的点,很好地保留了点云的细节特征,并且有较高的精简精度。

基于改进泊松碟采样的地震数据重构

测量矩阵是压缩感知中一个重要的因素,不同的测量矩阵在不同的条件下重构出的效果会不一样,而且在整个重构过程中起着重要的作用。地震勘探中由于实际情况的影响使得压缩感知中测量矩阵的使用有所限制。针对地震勘探实际情况,结合jitter采样和泊松碟采样的优点,提出了一种改进的泊松碟采样方法,泊松碟采样并没有受到规则网格的约束,这里改进的泊松碟采样是基于规则网格的条件,结合jitter方式,避免了对空间采样点的浪费和克服了间距过大的缺点,同时提高了采样效率,针对野外的实际情况可以调节检波器的布置位置。目前,在一些领域,如图像重构、信号处理等,高斯随机测量矩阵都得到了广泛应用并且其重构效果都很好,但在地震勘探中,由于受到现有检波器的限制,高斯随机测量矩阵并不符合地震勘探的条件。这里,模拟数据和实验数据都表明改进的泊松碟采样方式能够和广泛应用的高斯随机测量矩阵一样取得较好的重构效果,并且代替高斯随机测量矩阵在地震勘探中取得实际应用。

基于泊松碟采样的小生境遗传算法剩余静校正

针对线性剩余静校正容易陷入局部解,导致复杂山地地震资料成像效果不佳的难题,本文提出一种基于泊松碟采样的小生境遗传算法剩余静校正方法。在常规遗传算法剩余静校正基础上,应用泊松碟采样对求解的静校正量实数编码,增加初始解空间的均匀度;采用多线程构建多种群小生境,种群内采用"精英+赌轮"选择、余下个体与精英两两交叉、小扰动变异策略进行遗传进化;种群间进行"联姻"操作,优选几个种群中适应度最大个体并与其他种群联姻,充分利用计算机多核并行运算功能以快速搜索到最优剩余静校正量。理论模型及实际资料应用结果均表明,该方法能增强同相轴的连续性,显著提高山前带低信噪比资料成像品质。

基于流场的流动水体仿真

为了逼真地模拟自然河道中的流动水体,提出了一种基于流场的流动水体仿真方法。应用流体力学原理,实时计算稳定水流的速度,构建河流的流场,然后运用流场驱动并约束满足泊松碟分布的块状纹理在河道内移动,通过对块状纹理进行混合与渲染,构成了一种自然水体的动态流动效果。水面渲染采用GLSL(opengl shading language)着色器进行渲染,实际运用GPU可编程渲染管线进行图形计算,减少了CPU的实时运算量,提高程序的整体效率,实践表明,应用以上方法可以有效地模拟流域内的动态流动水体。

面向高功率激光装置精密装校实验室的三维重建技术及应用

针对高功率激光装置对成千上万光机组件的精密装校工艺数字化仿真验证的工程需求及精密装校实验室(OAB)的特殊环境,基于多视角序列图像三维重建技术,提出实现OAB三维重建的总体技术.首先结合实验室重建对象的特点,分析了满足于OAB三维重建的多视角序列图像采集、特征提取、特征匹配、自适应均匀点云采样等相关方法;然后以激光跟踪仪为重建对象,详细介绍了三维重建流程;最后依次完成实验室其他特征模型的三维重建,并将提出的OAB三维重建的总体技术应用于整个OAB重建,实现了精密装校环境的三维重建.OAB重建结果表明,该技术可获得较高逼真度的精密装校实验室数字化模型,满足光机精密装校工艺数字化仿真验证的需求.

一种城区LiDAR点云数据的抽稀算法

当城区LiDAR点云数据密度较大时,存在大量的数据冗余,造成了计算量大、效率低、显示不便等一系列问题,使得建筑物的三维可视化及三维重建等应用受到较大挑战。针对该问题,结合泊松碟采样在测地空间中的地形自适应特点,提出了适用于城区LiDAR点云数据的抽稀算法。泊松碟采样随机将与已有采样点的测地距离大于某一阈值的点加入采样点集,并不断重复这一过程直至没有新的采样点加入为止。在此基础上,依据LiDAR点云数据的特点,定义了一种新的与所选点与其邻域内其他点间高度差标准差相关的加权测地距离,改进了泊松碟采样算法。该方法能有效调整城区建筑物的采样率,从而尽可能地保持建筑物的原始特征,并保留良好的可视化效果。四组对比实验结果表明了该算法的适用性及高效性。