知乎学术咨询获取完整代码

https://www.zhihu.com/consult/people/792359672131756032

或直接＋

kang20224

算法提出了一种融合同步压缩小波变换、方差比噪声自动估计、经验累积分布函数自适应阈值与像素连通性形态学后处理的地震数据去噪方法。首先，利用ROV技术从含噪记录中自适应提取纯背景噪声窗口，为每个频率分量计算基于ECDF的自适应硬阈值，从而在时频域实现初步噪声压制；随后，将阈值处理后的时频系数视为图像，通过像素连通性分析（4邻域或8邻域）识别并保留由有效信号形成的连续能量团块，同时剔除孤立噪声像素，进一步优化时频掩膜；最后，通过逆同步压缩小波变换重构时域信号，获得高保真去噪结果。该方法无需人工设定阈值，能自适应不同频率的噪声水平，且通过形态学后处理有效保护信号的时频结构，在压制随机噪声的同时显著提升信噪比和波形保真度，优于传统硬阈值、软阈值及带通滤波方法。

算法步骤

数据加载与参数初始化

加载含噪地震记录，设置采样率、采样间隔、频率范围等基本参数，并输入算法控制参数：

opt.nrs：用于ROV曲线计算的起始采样点，确保噪声窗口的准确估计。

opt.nnum：ECDF阈值计算时的加速参数，仅对ECDF大于该值的部分进行阈值处理。

opt.ecdf_thre：ECDF分位数阈值（通常0.95~0.999），用于确定各频率的硬阈值。

opt.bwconn：像素连通性规则（4邻域或8邻域），用于后续形态学处理。

纯噪声窗口自动估计

利用方差比技术，从含噪记录中自适应地识别出仅含背景噪声的时间窗口。该窗口用于后续统计每个频率分量的噪声分布，避免信号成分对阈值估计的干扰。

同步压缩小波变换

对原始含噪信号进行同步压缩连续小波变换，得到高分辨率的时频系数矩阵 dn.org_Tx 和对应的频率向量 dn.org_f。该变换能将信号能量在时频域中高度集中，便于区分信号与噪声。

频率相关ECDF阈值计算

基于步骤2提取的纯噪声窗口内的时频系数，对每个频率分量分别计算其系数的经验累积分布函数（ECDF）。然后，根据预设的ECDF阈值 opt.ecdf_thre（如0.99），确定每个频率下的硬阈值（即对应分位数的系数值）。此过程自适应于不同频率的噪声强度，无需先验噪声模型。

硬阈值初步去噪

将原始时频系数与步骤4得到的频率相关阈值逐点比较，执行硬阈值操作：保留大于阈值的系数，将小于阈值的系数置零。这一步能有效压制大部分背景噪声，得到初步去噪的时频系数 dn.ecdf_tf，并通过逆变换重构初步波形 dn.ecdf_dw。

像素连通性形态学后处理

将硬阈值处理后的时频系数视为二维图像，根据设定的连通性规则（opt.bwconn = 4 或 8）识别图像中的连通区域。由于有效信号的时频系数通常形成连续的能量团块（连通区域较大），而残留噪声多为孤立像素点（连通区域很小），因此通过剔除面积小于预设阈值的孤立区域，可进一步抑制噪声，同时保护信号的时频结构完整性。优化后的时频系数记为 dn.dtf。

逆变换与最终信号重构

对经过形态学后处理的时频系数 dn.dtf 执行逆同步压缩小波变换，重构出最终去噪的时域波形 dn.dw。同时，通过原始含噪信号与最终去噪信号的差值，得到提取的纯噪声波形 dn.allnoise 及其时频谱 dn.allnoise_Tx，用于后续分析和评估。