Adaptive filtering of random noise in 2-D geophysical data
Notice bibliographique
Résumé
Abstract Random noise is often a problem in geophysical data visualization because it obscures fine details and complicates identification of image features. Adaptive filters have recently been used to suppress speckle (random) noise in synthetic aperture radar (SAR) images. SAR data are similar to seismic reflection data, both in their data acquisition approach and in their final data processed format. The nature of the random noise associated is also very similar, and adaptive filters can be applied to reduce random noise in both types of data sets. In this paper several popular adaptive filters—the Lee filter, the Frost filter, and the Kuan filter, which have been used frequently for speckle reduction in SAR data—are tested on Lithoprobe (AGT) deep seismic reflection data and on one set of oil industry shallow seismic reflection data. In addition, a standard band-pass filter, which is common in many seismic data processing packages, is tested with the oil industry test data. Performance of the adaptive filters is also tested on Radarsat SAR data. The random (speckle) noise in both the Lithoprobe and the Radarsat (SAR) data sets is statistically very similar, and the adaptive filters tested successfully suppressed random noise while minimizing blurring. Among the tested filters the enhanced Lee filter performed best, closely followed by the enhanced Frost filter and the Kuan filter. The background noise in the oil industry seismic data is statistically quite different from the above two data sets; the results obtained were less than satifactory, although they were still encouraging. With the oil industry data, the enhanced Frost and Kuan filters performed better than the enhanced Lee filter. The commonly used band-pass filter successfully removed the background (random) noise, but it also suppressed the reflection events, making the final result less desirable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».