基于Gabor纹理学习的地震数据重建算法

贾永娜 吴杰 王国伟 田玲玲 顾军华

摘要：地震数据重建技术主要用于解决地震数据采集过程中出现的地震道缺失或空间采样不足等问题。针对支持向量回归（ＳＶＲ）地震数据重建方法未充分利用地震数据物理信息的不足，引入可提取不同尺度和方向纹理特征的Ｇａｂｏｒ变换，旨在充分挖掘地震数据的物理信息，并基于ＳＶＲ 算法框架重建缺失的地震数据。即首先利用Ｇａｂｏｒ滤波器提取地震数据的纹理特征，并与原始数据特征相结合，构建新的特征向量数据库；然后通过ＳＶＲ 算法学习回归模型，用于重建缺失的地震数据。通过大量合成地震数据与实际地震数据重建实例，表明由Ｇａｂｏｒ变换提取的纹理特征能有效提高ＳＶＲ 算法的重建精度，并获得更高信噪比。

关键词：地震数据重建，支持向量回归（ＳＶＲ），纹理特征，Ｇａｂｏｒ变换

中图分类号：Ｐ６３１文献标识码：Ａ doi：１０．１３８１０／ｊ．ｃｎｋｉ．ｉｓｓｎ．１０００-７２１０．２０２３．０３．０１４

０ 引言

在地震勘探中，受经济因素或自然条件的限制，现场采集的地震信号会出现空道或坏道，造成空间假频、成像分辨率低等问题，进而影响后续的地震资料处理和解释。因此，将低空间采样率的地震数据以较高精度恢复成高空间采样率数据成为一项重要课题，众多学者陆续提出一系列地震数据重建法，可分为模型驱动和数据驱动两类。

基于模型驱动的地震数据重建法主要包括：波动方程重建法［１-３］、稀疏变换重建法［４-６］和预测滤波重建法［７-８］及低秩矩阵完备重建法［９-１１］。这类方法往往依靠地震数据的先验信息构建模型，因此重建精度也会受其影响。如波动方程法的重建精度会十分依赖于所获取的地下介质速度信息。同时，此類方法所构建模型会随数据特征而改变，欠普适性。