为降低干扰噪声对重力实测数据的影响,进一步提高重力数据处理精度,提出一种基于多级小波残差网络(MWRNet)的重力数据去噪方法,该方法结合小波变换和神经网络实现对重力数据中噪声分量的去除。首先通过小波变换分解重力数据,再利用神经...为降低干扰噪声对重力实测数据的影响,进一步提高重力数据处理精度,提出一种基于多级小波残差网络(MWRNet)的重力数据去噪方法,该方法结合小波变换和神经网络实现对重力数据中噪声分量的去除。首先通过小波变换分解重力数据,再利用神经网络提取噪声,同时引入残差通道注意力(RCA)模块增强网络的噪声提取能力。利用模拟数据和实测数据测试所提方法,实验结果表明:所提方法相较于其他重力数据去噪算法具有更好的效果。在噪声水平为50的实验中,所提方法相较于传统去噪算法三维块匹配算法BM3D(Block-Matching and 3D filtering),在峰值信噪比(PSNR)、结构相似性指数(SSIM)上分别提升了21.8%、9.3%;相较于基于深度学习的去噪算法DnCNN(Denoising Convolutional Neural Network)、MWCNN(Multi-level Wavelet-CNN),PSNR、SSIM也分别有所提升。展开更多
文摘为降低干扰噪声对重力实测数据的影响,进一步提高重力数据处理精度,提出一种基于多级小波残差网络(MWRNet)的重力数据去噪方法,该方法结合小波变换和神经网络实现对重力数据中噪声分量的去除。首先通过小波变换分解重力数据,再利用神经网络提取噪声,同时引入残差通道注意力(RCA)模块增强网络的噪声提取能力。利用模拟数据和实测数据测试所提方法,实验结果表明:所提方法相较于其他重力数据去噪算法具有更好的效果。在噪声水平为50的实验中,所提方法相较于传统去噪算法三维块匹配算法BM3D(Block-Matching and 3D filtering),在峰值信噪比(PSNR)、结构相似性指数(SSIM)上分别提升了21.8%、9.3%;相较于基于深度学习的去噪算法DnCNN(Denoising Convolutional Neural Network)、MWCNN(Multi-level Wavelet-CNN),PSNR、SSIM也分别有所提升。
