数学形态学和K-SVD字典学习在大地电磁数据去噪中的应用

为解决大地电磁(Magnetotelluric,MT)常规的时间域去噪方法对于1 Hz附近噪声压制的局限性问题,提出了一种基于数学形态滤波(Mathematical morphological filtering,MMF)和K-SVD(K-Singular value decomposition)字典学习的新型去噪方法,用于压制MT信号中低频数据1Hz附近的强人文噪声。首先,利用MMF分离出低频信号,对该低频信号进行保护以防止信号丢失;然后,使用K-SVD字典学习对剩余的含噪信号进行处理,通过从观测数据中自主学习获取噪声的特征结构,提取噪声轮廓,达到去除噪声的目的。利用一个合成数据集验证算法后,对两个实测数据进行处理,结果表明:该方法可以在几乎不损失有效信号的前提下,消除各种强人文噪声,信噪比大幅提升,数据质量得到很大改善,且去噪效果优于小波变换等传统方法。

利用K-SVD字典学习算法压制海洋大地电磁噪声

海洋大地电磁数据处理的结果会影响数据反演和解释的准确性.在浅水中,由海浪引起的强电磁干扰和大地电磁场叠加在一起,使得噪声所在频段内的视电阻率和相位曲线出现畸变.针对这种强干扰,本文将K-SVD字典学习算法应用于海洋大地电磁信号处理中,通过稀疏表示海浪感应磁噪声实现大地电磁磁场信号的重构,并结合视电阻率信息进行相位校正.仿真数据和南黄海实测数据的处理结果表明,该方法能够有效压制海浪感应磁噪声,恢复后的视电阻率和相位曲线更加连续、光滑.

基于曲波噪声估计的K-SVD字典学习地震资料去噪

常规K-SVD字典学习方法在处理实际地震资料的过程中,往往无法得到地震随机噪声的先验信息,使得相关的误差参数无法确定,只能通过大量调参来实现最优去噪效果。基于此提出了一种基于曲波噪声估计的K-SVD字典学习地震资料去噪方法,旨在通过对地震资料进行曲波变换,选取尺度系数最大且对应方向上噪声能量最大的曲波系数,来估计随机噪声标准差,再利用K-SVD字典学习方法自适应获得超完备字典,并在重构过程中根据所得噪声标准差确定最优迭代误差参数,从而进行去噪处理。理论模型和实际地震资料的处理结果表明,该算法相较于传统的去噪方法,能在压制随机噪声的同时,最大限度地保护有效信号不被切除。

基于改进的K-SVD字典学习CT图像重建算法

不完全投影数据图像重建为降低照射剂量提供了一个新的解决方案。在K-SVD字典学习算法中,由于选取K-SVD算法中的初始化字典对训练得到的自适应字典构造有影响,因此通过引进一个稀疏初始化字典矩阵,使KSVD字典学习算法能更好地适应于稀疏图像重建。在此基础上,提出了一种基于改进的K-SVD字典学习和SART重建算法相结合的图像重建算法。实验结果表明,该算法能够在投影数据不完备的情况下准确地重建出图像,同时保留图像的细节分量,提高重建图像的质量,尤其是可以减少由于投影数据不完备而造成的条状伪影现象。

基于稀疏编码字典学习的疵点检测

为了快速准确地实现背景纹理复杂织物的疵点检测,改善传统算法计算量大的缺点,提出基于稀疏编码字典学习的疵点检测算法.首先利用Radon变化对图像进行倾斜矫正,减小像素信息处理误差,再使用Gabor滤波器对矫正后图像滤波,消除噪声影响.接着对预处理后的图像,以一定尺寸窗口,滑动选取图像块构建输入样本集,采用K-SVD算法对无瑕疵样本集合进行字典学习,得到稀疏系数并重构,进而取得水平、垂直投影特征矩阵.最后利用已得到的字典与稀疏系数对待检测样本重构,求得其相对应的特征矩阵,并用结构相似法最终确定疵点区域.实验表明,该算法检测时间短,效率较高,平均可达92.3%.

结合正则化K-SVD和Hampel滤波的探地雷达数据重建

为减弱因地形起伏造成的探地雷达数据间的能量差异,保证探地雷达图像解译和识别的准确性,本文提出了一种正则化K-SVD字典学习和Hampel滤波算法相结合的探地雷达数据重建方法。试验采用正则化K-SVD字典学习对探地雷达信号进行能量均衡,利用Hampel滤波算法剔除均衡后的信号异常值,并对均衡后的信号进行二维可视化,从而完成探地雷达图像重建。对比试验表明,本文方法不但可以均衡原始的探地雷达信号,而且其均衡后的信号更加符合探地雷达信号传播规律,可以保证单道数据信号的质量;其重建的图像效果更好,在探地雷达图像重建方面具有较好的实用价值。