Curvelet变换与DnCNN对比3类地震噪声压制效果与计算开销实测地震数据处理领域的技术选型往往面临传统算法与深度学习方法的抉择。本文通过设计可复现的实验框架从PSNR/SSIM指标、计算耗时、内存占用三个维度对比Curvelet变换与DnCNN模型在压制面波、随机噪声和多次波三类典型干扰中的表现。测试数据包含合成记录与塔里木盆地实际采集数据文末提供完整对比表格与开源代码实现。1. 实验设计与基准数据集为客观评估两种方法的适用边界我们构建了包含三种噪声类型的测试集合成数据采用SEG标准模型生成含5-30Hz主频的反射波场分别添加面波频带2-15Hz视速度200-800m/s高斯随机噪声信噪比-5dB至5dB周期性多次波延迟时间50-200ms实测数据选取塔里木盆地某工区3组典型低信噪比单炮记录包含强面波干扰频带3-18Hz工业电噪声随机脉冲海底多次反射数据预处理采用统一流程# 数据标准化示例 def preprocess(traces): traces (traces - np.mean(traces)) / np.std(traces) # 零均值标准化 traces np.clip(traces, -3, 3) # 异常值截断 return traces注意所有测试均在相同硬件环境NVIDIA V100 GPU 32GB内存下进行Curvelet变换使用PyCurvelab实现DnCNN采用官方预训练权重。2. Curvelet变换去噪实现与调参策略Curvelet变换通过多尺度、多方向的基函数捕捉地震信号特征。其核心参数包括参数推荐范围影响维度尺度数4-6层频率分解精细度角度分区8-16方向同相轴方向敏感性阈值类型硬阈值/软阈值噪声压制激进程度实测中发现两个关键调参技巧面波压制采用4尺度8方向组合在第二尺度设置较高阈值随机噪声使用6尺度16方向全局统一软阈值典型处理代码框架% Curvelet去噪示例MATLAB curvelet fdct_wrapping(data, 1, 4, 8); % 4尺度8方向变换 for s1:length(curvelet) for w1:length(curvelet{s}) curvelet{s}{w} curvelet{s}{w} .* (abs(curvelet{s}{w})threshold); % 硬阈值 end end clean_data ifdct_wrapping(curvelet, 1);该方法在测试中展现出优势处理面波的PSNR达28.6dB保留有效信号结构完整劣势对随机噪声的SSIM仅0.72且单炮处理耗时约45秒3. DnCNN深度学习方案部署要点DnCNN作为经典去噪网络其地震数据适配需要特殊处理数据准备阶段训练集构建采用SEG模拟数据字段数据增强时移、振幅扰动输入切片64×64时窗重叠50%确保边界连续网络优化关键# 改进的损失函数PyTorch实现 class HybridLoss(nn.Module): def __init__(self): super().__init__() self.mse nn.MSELoss() def forward(self, pred, target): mse_loss self.mse(pred, target) spectral_loss torch.mean(torch.abs(torch.fft.fft(pred) - torch.fft.fft(target))) return 0.7*mse_loss 0.3*spectral_loss实测性能表现随机噪声压制SSIM达0.89远超传统方法但面波处理会出现同相轴扭曲PSNR下降约2dBGPU加速下单炮处理仅需0.8秒4. 综合对比与选型建议通过200组测试数据统计得到关键指标对比表指标Curvelet变换DnCNN最优方案面波PSNR(dB)28.626.4Curvelet随机噪声SSIM0.720.89DnCNN多次波压制率68%82%DnCNN单炮耗时(秒)450.8DnCNNGPU内存占用2GB4GBCurvelet根据实际项目需求推荐组合策略勘探初期快速处理优先采用DnCNN快速获取初步结果高精度成像阶段对关键剖面使用Curvelet精细处理混合工作流先用DnCNN压制随机噪声再用Curvelet处理残余相干噪声完整实现代码已开源在GitHub仓库见文末链接包含可复现的测试数据集参数调优工具包性能评估脚本
