基于高分辨率Radon变换的VSP波场分离方法

讨论了时间域线性Radon变换、频率域最小平方Radon变换和频率域高分辨率Radon变换等方法的基本原理。Radon变换在频率域通常采用最小平方反演的方式来实现,但由于最小平方法对于不同的p值(视慢度)范围采用相同的阻尼因子,得到的解不够精确。高分辨率Radon变换对这一缺陷进行了改进,即通过对不同的p值范围采用不同的加权值来提高解的稀疏性和精确性。具体方法是:在反演迭代过程中,根据前一次迭代的结果,通过Bayes原理将加权矩阵与前一次迭代的结果联系起来,得到新的加权矩阵;然后求解这个加权矩阵方程,得到频率域的稀疏解。设计了一个3层水平地层的地质模型,利用高分辨率Radon变换进行了VSP波场分离。τ-p域的结果表明,能量得到了很好的收敛。在分离出来的上、下行波波场记录上,波形恢复得很好,上、下行波波场的相互干扰被完全消除。

基于频率加权张量核范数的高光谱图像复原

目的高光谱图像复原是高光谱领域中一个重要的预处理步骤,能够有效去除成像条件所带来的不利影响,提升后续处理任务的精度。张量核范数被广泛应用于高光谱复原问题中,得到了较好的结果。然而,在张量核范数的定义中,它对张量所有奇异值使用相同的阈值进行收缩,未充分考虑高光谱的物理意义,得到了次优的结果。为了提升高光谱图像复原的精度,本文提出了基于频率加权张量核范数的高光谱复原算法。方法在张量的频率域内,对清晰的高光谱图像添加噪声,图像信息在低频部分变化较小,而在高频部分变化巨大。基于这样的物理意义,定义了一种频率加权张量核范数来逼近张量秩函数,提出了频率域权重的自适应确定方法,让其能减少对低频部分的收缩,同时加大高频部分惩罚。然后将其应用于高光谱图像复原和去噪问题中,并基于交替方向乘子法设计了相应最小化问题的快速求解算法。结果在4个高光谱数据集上与相关方法进行对比仿真实验,高采样率条件下在Washington DC Mall数据集上,相比性能第2的模型,本文模型复原结果的PSNR(peak signal-to-noise ratio)提升了1.76 dB;在Stuff数据集上,PSNR值提升了2.91 dB。高噪声条件下,在Pavia数据集上相比性能第2的模型,本文模型去噪结果的PSNR提升了8.61 dB;在Indian数据集上,PSNR值提升了10.77 dB。结论本文模型可以更好地探索高光谱图像的低秩特性,使复原的图像在保持主体信息的同时,复原出更多图像纹理细节。