Reduksi noise (denoising) merupakan salah satu pekerjaan penting didalam pengolahan data seismik. Dengan mereduksi noise diharapkan kita memperoleh hasil dengan S/N (Signal to Noise Ratio) yang tinggi. Pekerjaan ini cukup menantang terutama jika noise dan sinyal (dalam berbagai domain) tidak terpisahkan dengan baik.
Curvelet Transform merupakan teknologi yang diklaim mampu memisahkan coherent-random noise dari sinyal yang kita kehendaki, karena Transformasi Curvelet akan memisahkan noise dari sinyal dalam dimensi frekuensi, dip, azimuth dan lokasi. Karena kelebihannya ini Curvelet Transform dikenal dengan Transformasi multi dimensi yang tidak dimiliki oleh teknik konvensional seperti Median Filtering dan FX-Decon.
Curvelet Transform diadopsi oleh geoscientist dari Image Processing dan Scientific Computing, dimana pada kedua bidang tersebut telah lama diterapkan untuk berbagai keperluan diantaranya denoising.
Gambar di bawah ini merupakan contoh denoising image Monas dengan kadar noise tertentu. Anda dapat melakukan ekperimentasi ini dengan mendownload kode matlab atau scilab Curvelet Transform di sini dan di sini atau penerapannya pada data seismik yang bisa didownload di sini.
Curvelet Transform merupakan teknologi yang diklaim mampu memisahkan coherent-random noise dari sinyal yang kita kehendaki, karena Transformasi Curvelet akan memisahkan noise dari sinyal dalam dimensi frekuensi, dip, azimuth dan lokasi. Karena kelebihannya ini Curvelet Transform dikenal dengan Transformasi multi dimensi yang tidak dimiliki oleh teknik konvensional seperti Median Filtering dan FX-Decon.
Curvelet Transform diadopsi oleh geoscientist dari Image Processing dan Scientific Computing, dimana pada kedua bidang tersebut telah lama diterapkan untuk berbagai keperluan diantaranya denoising.
Gambar di bawah ini merupakan contoh denoising image Monas dengan kadar noise tertentu. Anda dapat melakukan ekperimentasi ini dengan mendownload kode matlab atau scilab Curvelet Transform di sini dan di sini atau penerapannya pada data seismik yang bisa didownload di sini.
Aplikasi Curvelet pada Image Processing sebelum (kiri) dan setelah denoising (kanan)Prinsip denoising dengan Curvelet Transform adalah sbb: melakukan FFT 2D pada data seismic (Stack atau CMP gather yang telah di NMO), melakukan window-ing dari hasil pertama dengan Polar Grid (gambar di bawah) dalam domain domain frekuensi dengan demikian diperoleh Curvelet Coefficient, melakukan scalling (denoising) dari koefisien curvelet tersebut, melakukan inversi untuk memperoleh kembali data seismik yang telah di-denoise.
Polar grid Curvelet dalam domain frekuensi (a) dan domain spatial (b) (Courtesy Douma and de Hoop)Gambar di bawah ini adalah Curvelet dalam domain spatial (kolom pertama) dan amplitude spectra pada polar grid (kolom ketiga) untuk masing-masing Curvelet. Perhatikan bahwa curvelet untuk masing-masing lokasi polar grid memiliki ukuran(size), arah(azimuth), lokasi dan kemiringan tertentu.
Curvelet dan Amplitude Spectra pada Polar Grid (Courtesy Douma and de Hoop)Gambar di bawah ini adalah aplikasi Curvelet Transform pada data seismik, cube AI yang diterapkan pada noisy data (kiri) dan AI yang diterapkan pada data setelah denoise dengan Curvelet Tranform (kanan).
Courtesy Neelami et. al.
1 comment:
Assalamu'alaikum.
Terima kasih atas sharingnya. Metode ini memang lagi trend dipakai apalagi dikombinasikan dengan interpolasi yang bagus bisa membuat data low density menjadi high density tanpa melakukan reakuisisi.
Post a Comment