Professional Documents
Culture Documents
THSE DE DOCTORAT
Prsente par
Jalal FERAHTIA
En vue de lobtention du diplme de
Docteur en gophysique
Option : Sismique, sismologie et mthodes de potentiels
Thme
Traitement de donnes gophysiques base de filtres non- linaires et
adaptatifs.
Application des filtres : de diffusion anisotropique, trilatral et SD-ROM
lattnuation des bruits cohrents et alatoires.
Devant le Jury compos de :
Mabrouk
DJEDDI
Professeur
(Universit Mhamed
Bouguara de
Prsident
(Universit Mhamed
Bouguara de
Rapporteur
Boumerds)
Kamel
BADDARI
Professeur
Boumerds)
Hocine
SHOUT
Professeur
(Universit de Constantine)
Examinateur
Tahar
AIFA
Examinateur
Examinateur
6
6
6
7
7
8
8
9
10
10
10
10
11
11
13
13
14
14
14
15
16
16
18
18
18
19
20
21
22
23
24
25
25
25
26
27
27
28
28
29
30
31
32
32
32
33
35
36
37
37
37
38
40
40
41
42
44
49
51
54
54
55
55
57
59
59
59
61
63
67
70
73
73
73
74
77
77
84
86
88
88
90
91
93
93
95
96
96
96
97
99
100
101
101
102
103
103
105
106
109
109
110
112
Annexe A
Annexe B
120
131
13
15
2.1.
22
2.2.
3.22.
4.1.
4.2.
4.3.
3.1.
3.2.
3.3.
3.4.
3.5.
3.6.
3.7.
3.8.
3.9.
3.10.
3.11.
3.12.
3.13.
3.14.
3.15.
3.16.
3.17.
3.18.
3.19.
3.20.
3.21.
32
38
38
39
39
40
41
42
43
44
45
48
50
51
51
52
52
53
53
54
55
56
57
60
61
62
4.4.
4.5.
4.6.
4.7.
4.8.
4.9.
4.10.
4.11.
4.12.
4.13.
4.14.
4.15.
4.16.
4.17.
4.18.
4.19.
4.20.
4.21.
4.22.
4.23.
5.1.
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
64
66
68
69
70
71
72
73
74
75
76
77
78
79
80
81
83
84
85
86
89
89
90
91
92
97
98
5.8.
100
101
102
104
2.1.
34
3.1.
46
65
94
3.2.
4.1
4.2
5.1.
5.2.
5.3.
47
82
99
103
Remerciements
Tout dabord, jexprime ma gratitude envers les membres de jury : Messieurs le professeur
Hocine Shout, le Docteur Tahar Aifa et le Docteur Abd Rezak Lachouri qui mont fait
lhonneur dexaminer mon travail et rapport dessus et de faire partie de ce jury de thse.
Leurs remarques et suggestions mont permis dapporter des amliorations la qualit de ce
travail.
Bien sr je noubli pas mon frre, ami et collgue le Docteur Djarfour Nouredine avec lequel
je partage mes quotidiens et avec lequel jai eu des discussion, toujours agrables,
intressantes et fertiles.
Merci toutes les personnes que jai pu ctoyer pendant ces annes. Merci tous les
doctorants et chercheurs, Nabil, Aissa, Hassen, Mouloud, Mme Alliouene. Ainsi, je tiens
remercier entre autres Ghanem Brahmi et Badr Ezamen Hedjazi pour leurs aides.
Enfin, et surtout, je remercie chaleureusement mon entourage proche (ma grande et petite
famille) pour leurs encouragements et leurs soutien permanent et inconditionnel, que ce soit
dans les bons ou mauvais moments. Quils trouvent en ce tmoignage toute laffection que je
leur porte.
Ddicaces
Introduction gnrale
Introduction gnrale
Introduction
Le problme dextraction des signaux partir des donnes bruites remonte lpoque du
mathmaticien Allemand Carl Friedrich Gauss (18me sicle), qui a utilis sa mthode des
moindres carres pour ltude des mouvements des plantes (dtermination de lorbite de
lastrode Crs) sur la base dobservations clestes. Plus rcemment, le problme du filtrage
a t abord sparment au cours des annes trente et quarante par Kolmogorov (1939) et
Wiener (1949) qui ont trait lestimation linaire des processus stationnaires laide des
reprsentations spectrales, puis par Kalman dans les annes soixante (Kalman 1960) avec
lapparition de son filtre rvolutionnaire qui porte dsormais son nom. Depuis, beaucoup de
chemin a t parcouru dans le domaine du filtrage. Aujourdhui, on assiste lavnement de
mthodes de traitement non-classiques et complexes, appeles systmes dapprentissages ou
procds de calcul intelligent, parmi lesquelles on trouve les rseaux de neurones artificiels, la
logique floue et les algorithmes gntiques, et la liste est loin dtre exhaustive.
Le thme du filtrage est identifi et caractris par plusieurs termes savoir : filtrage, lissage,
prdiction (Haykin 1996) et dconvolution (Hayes 1996). Il a toujours t considr comme
une pice matresse dans lchiquier du domaine du traitement numrique du signal, qui
comporte aussi lanalyse du signal (Les lecteurs, dsireux denrichir leurs connaissances dans
le domaine du traitement numrique du signal, peuvent se rfrer lexcellent ouvrage
Statistical and adaptive signal processing de Manolakis et al. 2005).
Au sens le plus large, le filtrage est un processus permettant dattnuer le bruit, prsent dans
une squence de mesures donne, tout en favorisant ou amliorant une information prsentant
un intrt quelconque. Cette opration peut tre dfinie soit dans le domaine spatio-temporel,
incarne par la convolution, soit dans le domaine frquentiel, o la convolution est remplace
par un produit. Dans le cas particulier du traitement numrique des images, la convolution
sapparente un filtrage spatial, o la luminosit dun pixel est remplace par une valeur qui a
t dtermine grce son voisinage.
Introduction gnrale
Dune manire gnrale, les filtres se dcomposent en deux classes, linaires et non-linaires.
La distinction se porte sur la relation qui existe entre la sortie du filtre et son entre. Ainsi, un
filtre est dit linaire, si son entre et sa sortie sont lies par une fonction linaire, et nonlinaire dans le cas contraire.
Le filtrage linaire stationnaire est probablement le plus commun et le plus important dans le
traitement numrique du signal. Le caractre linaire de ces filtres est propre leur
interprtabilit et leur utilisation aise. Leur implmentation suppose que le signal est
stationnaire et que linformation statistique a priori du signal et du bruit est connue. Lide
derrire ces filtres est de minimiser leffet du bruit vis--vis du signal en satisfaisant un
certain critre statistique. Ce qui sapplique parfaitement au filtre linaire de Wiener, o
lerreur quadratique moyenne est minimise entre la sortie dsire du signal et la rponse
actuelle du filtre. Pour le cas des signaux non-stationnaires, cest plutt le filtre de Kalman qui
est utilis. Nanmoins, dans plusieurs cas (bruits dpendant du signal ou bruits impulsifs), les
performances des filtres linaires sont mdiocres, et possdent linconvnient de lisser
beaucoup dinformations pertinentes telles que les contours des objets, en les dplaant et les
rendant flous.
Malgr leur mise en uvre et leur conception ardue, les filtres non-linaires sont la promesse
de performances accrues. Cependant, les rsultats obtenus sont trs souvent de meilleure
qualit que
les rsultats obtenus avec les filtres linaires. Les filtres dordre,
Introduction gnrale
environnements aussi rapidement que possible. Cest pour cette raison quun filtre adaptatif
est un systme strictement non-linaire.
Contexte et Objectifs
Des progrs considrables ont t accomplis dans le domaine du filtrage adaptatif et nonlinaire en traitement numrique du signal. Cependant, les applications issues de ce domaine,
demeurent plutt faibles en gophysique, voir inexistantes. En dpit des nombreux filtres
tudis, seuls quelques uns ont t examins jusqu maintenant. Le dveloppement de
nouvelles applications, et ladaptation de ces filtres suivant le type et lintensit des bruits
contaminants les donnes gophysiques, a t pour nous un vrai challenge . Notre principal
objectif tait donc de combler ces lacunes, et de dpasser les limitations des filtres
conventionnels, en ouvrant la voie de nouvelles possibilits dans le domaine du traitement
des donnes gophysiques.
Dans le cadre de ce travail, nous nous sommes intresss plus particulirement introduire
les filtres adaptatifs et non-linaires base des statistiques dordre afin de mieux apprhender
les problmes rencontrs lors de la manipulation des donnes, particulirement denses et
redondantes, et qui sont issues dun sous sol souvent complexe. Loriginalit de ce travail
rside principalement dans lanalogie dresse entre les reprsentations des donnes en
3
Introduction gnrale
gophysiques (sections sismiques et pseudosections de rsisitivits apparentes en lectrique)
et limagerie. Analogie rendue possible grce la numrisation des images. Ainsi, une image
numrise est une matrice en deux dimensions, dont chaque lment (x,y) est la mesure de
lintensit lumineuse en chaque point. Le couple (x,y) prend des valeurs entires qui dsignent
le numro de la ligne et de la colonne du pixel correspondant. En gophysique, lintensit du
pixel est remplace par la caractristique physique propre chaque mthode (coefficient de
rflexion, rsistivit apparente, etc.).
argument par le besoin damliorer la rsolution et le rapport S/B avec le moindre cot
numrique, en plus dune simple et rapide implmentation dans les diffrents environnements
de traitement. Les questions essentielles pour lesquelles nous avons tent dapporter des
solutions sont les suivantes :
Comment :
-
Les rponses ces questions nous ont permis de sortir du cadre conventionnel du traitement
des donnes gophysiques et de dboucher sur de nouveaux outils et algorithmes. Cest ainsi
que nous avons introduit le filtre SD-ROM (Signal Dependent-Rank Order Mean) de Chandra
et al. (1998) qui est bas sur les statistiques dordre (Order statistics), la dtection, et par la
suite, la suppression des bruits impulsifs prsents dans les donnes de prospection
lectrique. A notre connaissance, son application est une premire en gophysique. Nous
avons aussi utilis le filtre de diffusion anisotropique de Perona et Malik (1990) pour
llimination des bruits alatoires prsents sur des donnes de sismique rflexion. Le dernier
filtre (cd le filtre trilatral de Choudhury et Tumblin (2003)) a aussi t utilis pour
lattnuation des bruits de sismique rflexion. Le point commun de tous ces filtres est leur
comportement non-linaire et leur caractre adaptatif. En plus, dans tous les filtres, le bruit est
attnu sans modification notable de lamplitude du signal dintrt. Cette caractristique est
primordiale lors des tudes en amplitude prserve.
Organisation du document
Ce manuscrit est compos de 5 chapitres et sorganise de la faon suivante :
Le premier chapitre est consacr essentiellement la prsentation du problme de filtrage et
les principales mthodes de filtrage appliques en gophysique. Bien que cette prsentation
4
Introduction gnrale
soit obligatoirement trop succincte en regard des travaux mens dans le domaine du filtrage
en gophysique. Ce chapitre est en quelque sorte ltat de lart du domaine du filtrage.
Nous consacrons le deuxime chapitre ltude des fondements thoriques des diffrents
filtres que nous avons appliqus, indispensables et ncessaires la comprhension de cette
thse. Ensuite, nous nous intressons laspect algorithmique des filtres anisotropique,
trilatral et SD-ROM.
Le cinquime chapitre prsente une tude sur un modle 2D pour la simulation dune
prospection lectrique par courant continu en prsence de bruits impulsifs. Les pseudosections
de rsistivit apparente calcules ainsi gnres ont t inverses pour tablir un modle du
sous-sol. Le comportement du filtre SD-ROM vis--vis du bruit a t investi. Le filtre a aussi
t appliqu des donnes relles issues de deux profils lectriques multi-lectrodes acquis
dans la rgion de Stif. Les rsultats ainsi obtenus ont montr la grande efficacit de la
mthode propose.
Une conclusion sur lensemble de ces mthodes ainsi que les perspectives davenir sont
donnes la fin de ce document.
Chapitre 1
Etat de lart dans le domaine du filtrage en gophysique
Dans ce chapitre nous commenons par une prsentation des principales techniques et
algorithmes de filtrage existants dans le domaine de la gophysique, particulirement en
prospections sismique et lectrique. Nous nous limiterons aux rfrences bibliographiques
des travaux les plus marquants et les plus importants dans ce domaine. En effet, regrouper
toutes les techniques de filtrage en gophysique dans un seul chapitre, voire mme dans un
livre, relve de limpossible. Car chaque progrs enregistr dans le domaine du filtrage
trouve une application aussi prompte en gophysique. Dans la deuxime partie de ce
chapitre, nous avons jug profitable dintroduire quelques notions lmentaires sur les
images numriques et le traitement numrique du signal.
1.1. Introduction
Le recours aux donnes de trs hautes qualits est devenu une priorit en industrie ptrolire.
Les mthodes dinterprtation modernes telles que lanalyse de la variation de lamplitude en
fonction de loffset (AVO), lanalyse des attributs sismiques, la caractrisation des rservoirs,
la classification des facis ainsi que la tomographie lectrique en sont les principaux
bnficiaires de ces donnes. La mthode 3D ainsi que la mthode 4D produisent des
volumes de donnes importants, et sont de plus en plus utilises en industrie ptrolire.
Malheureusement, force est de constater que la nature na pas facilit la tche aux
gophysiciens, et que toutes ces donnes sont souvent contamines par le bruit. Le terme bruit
peut avoir plusieurs indications. En gophysique, nous considrons le bruit comme la partie
du signal nuisible pour linterprtation. La notion de bruit est troitement lie lobjectif de
ltude et aux traitements utiliss.
premires. Dautres mthodes telles la sommation (Mayne 1962, Naess et Bruland 1985),
limage propre (eigenimage en anglais) (Ulrych et al. 1999, Trickett 2003) ou la transforme
en ondelette (Deighan et Watts 1997) sont aussi utilises.
Dune manire gnrale, les mthodes dattnuation des bruits cohrents sont mieux investies
que celles destines lattnuation des bruits alatoires. Pour la plupart de ces mthodes, se
sont les proprits physiques qui diffrencient le bruit du signal, principalement la vitesse
apparente ou le nombre dondes, qui sont utilises lors du filtrage. En industrie ptrolire, les
filtres linaires, en particulier les filtres de wiener (Meyerhoff 1966; Galbraith et Wiggins
1968; Cassano et Rocca 1973, 1974), f-k (March et Bailey 1983) et p (Tatham et al 1982,
Tatham 1984) sont les plus utilises.
1.3.1.1. Limitations
Nanmoins, comme toute technique, ces mthodes possdent aussi des inconvnients. Ainsi,
les performances du filtre f-k sont assez mdiocres lorsque les donnes ont t acquises avec
un pas dchantillonnage spatial non uniforme, ou bien lorsque le bruit cohrent est
spatialement alias (Linville et Meek 1995), et peut parfois chouer de sparer le bruit du
signal lorsquils ont le mme pendage (Karsli et Bayrak 2003 ;
Lattnuation des bruits dans le domaine f-k, est particulirement dconseille lors des
analyses en amplitudes prserves, car elle tend dtriorer lamplitude du signal (Fatti el al.
1994). Tandis que la mthode de filtrage f-x souffre lorsque le rapport signal-sur-bruit (RSB)
est faible, notamment aux hautes frquences, (Harris et White 1997). Les autres mthodes,
telles que le filtre p ou la transformation K-L, peuvent causer de srieuses distorsions aux
donnes.
Les filtres dits adaptatifs constituent une classe part des filtres usuels, et se distinguent
par leurs facults modifier leurs paramtres au fur et mesure du droulement de lopration
de filtrage, sans aucune intervention de lutilisateur. A linverse des mthodes de filtrage
prcdemment cites, les filtres adaptatifs sont faciles implmenter et moins gourmands en
calculs et peuvent donc sintgrer facilement dans les diffrents environnements de
traitements. Durant la dernire dcennie, ces filtres ont t appliqus avec succs au domaine
du traitement de limage et de la parole. En gophysique, ces filtres ont aussi fait leurs
10
Linversion des rsistivits apparentes permet de produire des modles du sous-sol en deux et
en trois dimensions. Lobjectif de linversion est de trouver un modle de distribution des
rsistivits vraies capable de gnrer une rponse similaire aux valeurs des rsistivits
mesures. Linversion des donnes lectriques sest grandement amliore par lutilisation
dalgorithmes robustes (Sasaki 1989, 1992 ; deGroot et Constable 1990 ; Loke et Barker
1996 ; Loke et al. 2003) et par le dveloppement de loutil informatique. Nanmoins, comme
toutes mesures physiques, la prsence des bruits est invitable. Ltape de filtrage, ou
suppression du bruit, est indispensable avant toute manipulation des donnes (LaBrecque et
al. 1996; Ritz et al. 1999; Zhou et Dahlin 2003).
12
2 3. . .
. . .N - 1
1
2
3
.
.
.
.
.
.
M-1
Un pixel
(x,y)
x
Figure 1.1. Reprsentation dune image numrique en deux dimensions.
13
.
f ( x, y ) =
.
.
(0, N 1)
(1, N 1)
( M 1, N 1)
(1.1)
(1.2)
Transformation : une transformation prsente les valeurs des pixels sous une forme
diffrente, mais quivalente, au pixel dorigine.
14
Nous allons nous intresser au traitement de voisinage, car dans nos applications, nous avons
fait recours ce type de traitement.
Origine
(x,y)
Image f
(x,y)
Si la relation reliant le pixel de sortie aux pixels dentre est linaire, alors on parle de filtrage
linaire. Cette opration est aussi assimile au filtrage spatial. Dans ce cas, on dit aussi
convolution spatial, dfinie par :
g (m, n) = (h * f )( x, y ) =
1
MN
M 1 N 1
h(m k , n l ) f (k , l )
(1.3)
k =0 l =0
Avec : g(.) limage de sortie, h(.) le masque de convolution, f (.) portion de limage dentre
(de mme dimension que le masque MxN). Cette opration de filtrage peut aussi tre
applique dans le domaine frquentiel, o la convolution est remplace par un produit :
15
G(u,v)=H(u,v).F(u,v)
(1.4)
Dans le cas o il nest pas possible de mettre lopration de filtrage sous forme de
convolution, on parle alors de filtrage non-linaire.
Bruit impulsif : connu aussi sous le nom de poivre et sel (salt and pepper) : ce bruit
apparat comme une distribution alatoire de pixels blancs ou noirs sur limage. Ce
bruit est obtenu en ajoutant aux pixels originaux des valeurs aberrantes.
Bruit Gaussien : ce bruit est une reprsentation idale dun bruit blanc. Le bruit
gaussien est un bruit blanc normalement distribu. Modlisable en ajoutant des valeurs
alatoires.
Bruit priodique : ce cas ce produit lorsque limage est sujette un bruit priodique.
Le filtre gaussien
..
Passe-bas,
Passe-haut.
Orientation slective
..
16
Inverse, pseudo-inverse.
Wenner
..
Linconvnient majeur de ces filtres est quils ont tendance flouer limage dorigine et
amliorer certaines frquences tandis que dautres sont attnues. En plus, ils sont incapables
de diffrencier, pour une seule composante frquentielle, entre la partie dsirable et la partie
indsirable du signal.
Pour y remdier ces problmes, les filtres non-linaires ont t introduits. Le filtre mdian,
et ses variantes (Weighted median filter WM, Centered weighted median filter CWM, Space
variant median SVM), est sans doute le plus connu des filtres non-linaires. Ce filtre
appartient une famille de filtres plus grande appele filtres base de statistique dordre
(OSF). On retrouve dans la littrature du traitement de limage un grand nombre de filtre nonlinaires, nous citerons ici quelques exemples:
Erosion (Min), Dilatation (Max), Ouverture, Fermeture, Laplacien, Prewitt, Sobel, filtres
bass sur la dcision : SD-ROM, Tri-state median filter (TSM), pixel-wise Pad (PWMAD),
Homomorphique, .
17
Chapitre 2
Thorie des filtres : Diffusion anisotropique, Trilatral et
SD-ROM
Nous abordons avec ce chapitre laspect thorique et algorithmique des filtres de diffusion
anisotropique, trilatral et SD-ROM. Bien que cette tude soit concise, elle donne nanmoins
les concepts de base de chaque mthode.
Ces filtres appartiennent la famille des filtres adaptatifs non-linaires. Leur utilisation en
traitement numrique de limage est devenue courante. Nanmoins, notre connaissance, ces
filtres nont jamais t utiliss en traitement des donnes gophysiques (cas des filtres
trilatral et SD-ROM).
1
2
exp(
x2 + y2
)
2
(2.1)
18
(x,y,t)=(0*G)(x,y)
(2.2)
Avec (x,y,t) qui reprsente limage restaure au temps t (t[0,t]), 0(x,y,t) reprsente
limage bruite et (*) loprateur de convolution.
Quand t varie continuellement, on obtient une famille dimages (.,t), qui ne sont autres que
la solution de lquation aux drives partielles (quation de la chaleur ) :
( x, y, t ) 2 ( x, y, t ) 2 ( x, y, t )
=
+
t
x 2
y 2
( x, y,0) = ( x, y )
(2.3)
( x, y, t )
= div(w( x, y, t ) ( x, y, t )) = w + w( x, y, t ) ( x, y, t )
t
(2.4)
On remarque que si les coefficients w sont constants, alors lquation (2.4) est dite diffusion
linaire et est quivalente lquation de la chaleur (quation 2.3) :
( x, y, t )
= w 2 ( x, y , t )
t
(2.5)
19
lorsque la fonction w(x,y,t) est remplace par une fonction de contrle de diffusion aux
niveaux des bords ou edge-stopping function, la diffusion est dite non-linaire.
diffusion isotrope.
-
Le filtrage isotrope linaire utilise lquation (2.5) comme modle, et sa solution est
quivalente la convolution avec un oprateur (masque) gaussien. Ce type de filtrage est
utilis pour lattnuation des bruits alatoires dans les zones homognes (faibles gradients)
des images 2D. Nanmoins, les images rsultantes sont souvent floues. La diffusion linaire
ne possde aucune direction privilgie, attnuant ainsi bruits et contours sans distinction.
La diffusion non linaire aide surmonter les handicaps de la diffusion linaire isotrope en
contrlant la diffusion au niveau de chaque point, cest ainsi que la diffusion peut tre rduite
le long des contours, il sagit dun lissage conditionnel. Lide de base du filtre de diffusion
anisotropique non-linaire est justement de prserver les contours. Cette prservation se fait
grce une orientation maitrise paralllement aux contours. Cest ainsi que la diffusion est
maximale dans les zones homognes (faibles gradients), et minimale prs des contours (forts
gradients). Pour leurs filtres de diffusion anisotropique non-linaire, Perona et Malik (1990)
ont propos une fonction de diffusivit w monotonement dcroissante, en fonction du gradient
de magnitude (), pour le contrle de la diffusion. La stabilit impose que cette fonction
(w) soit une fonction dcroissante. Habituellement, les fonctions suivantes sont utilises :
w1 (x, y, t ) = e
w2 ( x, y, t ) =
(2.6a)
1
1 +
(2.6b)
20
La discrtisation des EDP est obtenue par remplacement de toutes les drives par des
formules de diffrences. Les rfrences relatives la solution numrique des EDP sont
nombreuses, nous nous limiterons aux suivantes : Ames (1992), Morton et Mayers (1994),
Cooper (1998). Perona et Malik (1990) ont propos la forme discrte suivante de lquation
(2.4) :
q
t + t
= qt + t wqt ,l qt ,l
(2.7)
l n q
O nq reprsente lensemble des pixels au voisinage du pixel central q dans les quatre
directions (Nord, Sud, Est et Ouest), t est le pas espace-temps (ou bien lincrment t),
q,l= tnq-tq et |nq| sont les pixels au voisinage du pixel central la position q.
Avec :
qt , N = Nt qt
t
t
t
q , S = S q
t
t
t
q , E = E q
t
t
t
q ,O = O q
et
wqt , N = gi ( Nt )
wqt , S = gi ( St )
t
t
wq , E = gi ( E )
t
t
wq ,O = gi ( O )
(2.8)
21
Nt
wqt , E
qt
Ot
wqt ,O
Et
wqt , E
wqt , S
St
Figure 2.1. Schma de discrtisation utilis pour le calcul des gradients () et des coefficients de diffusion
(w).
Comme cit plus haut, les drives spatiales sont approximes par des diffrences entre les
chantillons du voisinage et lchantillon central, selon la formule suivante :
nq q
x
x
(2.9)
Comme nous lavons vu prcdemment, lquation aux drives partielles peut tre
approxime par une reprsentation discrte laide de la mthode des diffrences finies. Le
mot discrte veut dire que la solution nest connue que pour un certain nombre de points.
Dune manire gnrale, augmenter le nombre de point signifie lamlioration de la rsolution
et lexactitude de la solution numrique. Lincrment (t) dans lquation (2.5) doit tre dans
lintervalle [0, P], P est un nombre rel positif. Il est clair que plus cet incrment est proche de
zro, plus lapproximation numrique est proche du cas continu. Nanmoins, pour la stabilit
22
Une fentre, dhabitude carre, centre lchantillon positionn en q est choisie sur
limage originale. On procde par itration, et chaque itration les gradients () sont
calculs pour les quatre directions (N, S, E et O) ainsi que les coefficients de diffusion (wi)
correspondants. Limage restaure est une somme des mises jour de limage originale. En
effet, la partie droite de lquation (2.5) reprsente le changement dintensit de limage pour
une seule itration du filtre. La fentre est dplace la position suivante la fin du nombre
ditrations prtabli (les critres concernant le choix du nombre ditration seront donns au
chapitre suivant). Ce procd, prserve les bords pour un certain nombre ditrations, mais
tend vers la moyenne de limage lorsque le nombre ditrations dpasse un certain seuil. Dans
ce cas prcis, il nexiste pas de critre universel darrt. Il faudra donc dcider du moment de
larrt du procd ditrations.
23
Lire les donnes partir du fichier des donnes sismiques sous format SEGY
Convertir les donnes en format Matlab.
Identifier le nombre de lignes m et le nombre de colonnes n de la matrice des donnes.
Etape 2. Initialisation
o Introduire le nombre ditrations, introduire la constante de diffusion(), le facteur de
stabilit (pas espace-temps), proposer la fonction de diffusion (w1 ou w2).
o Rembourrer les bords de la matrice (tape ncessaire afin dviter de perdre
linformation aux bords).
Etape 3. Filtrage
Dplacement de la fentre
24
Lapplication du filtre trilatral sur les donnes sismiques est rendue possible grce
lanalogie dresse avec les images. La section sismique a t considre comme une fonction
Le filtre trilatral de Choudhury et Tumblin (2003) est une extension du filtre bilatral de
Tomasi et Manduchi (1998). Ce filtre est particulirement robuste en prsence de bruits
alatoires en plus de son aptitude prserver les contours. Dans ce qui suit, nous prsenterons
le filtre trilatral tabli par Garnett et al. (2005) qui, lui-mme, se base sur le filtre bilatral
mais diffre du filtre trilatral de Choudhury et Tumblin (2003).
Le filtre bilatral est un filtre non-linaire, dont le comportement est analogue celui dun
filtre passe-bas deux dimensions. Lide de base de ce filtre est que chaque chantillon
central dans une fentre glissante est remplac par une moyenne pondre de son voisinage
dans lespace et la magnitude. Les poids les plus importants sont attribus aux chantillons
spatialement proches , not filtrage du domaine (ou domain filtering) et de grandeurs
analogues lchantillon central , not filtrage de porte (ou range filtering). Signalons que
tous les poids doivent tre normaliss afin de garder la moyenne locale.
25
Considrons un chantillon central x,t dans une fentre de taille 2n+1 x 2n+1, et Sx+p, t+q ( -n
p, q +n) lensemble des chantillons au voisinage de , o x reprsente loffset, t le temps
tandis que les indices p et q reprsentent la position spatiale de chaque chantillon du
voisinage, et S se rfrent aux amplitudes des chantillons.
Chaque chantillon (Sx+p,
t+q)
multiplication dun poids de proximit c(,S) et dun poids de similitude s(,S) tel que:
pq(,S)=c(,S).s(,S)
(2.10)
d ( , S )
c ( , S ) = e
2 d2
(2.11)
avec :
d(,S)=d(-S)=||-S||
(2.12)
O ||.|| est une distance gomtrique entre lchantillon central et les chantillons du
voisinage S, et |.| reprsente la valeur absolue.
Il est clair que plus la distance spatiale entre et S est importante plus le poids de proximit
S ( , S ) = e
2 S2
(2.13)
26
Le paramtres joue aussi le rle de seuil, servant identifier les chantillons de magnitudes
proches (similaires). Les paramtres s et d contrlent ainsi le comportement des poids. Ces
paramtres dfinissent les points auxquelles les drives des fonctions gaussiennes de
pondration prennent leurs valeurs maximales.
Notons que :
1) Dans le cas particulier o s alors le comportement du filtre bilatral approche
celui dun filtre gaussien de dviation standard s.
2) Dans le cas o s et d le comportement du filtre bilatral se rapproche de celui
dun filtre moyenneur.
proportionnelles la distance .
Notons que dans les quations (2.11 et 2.13), il est possible de remplacer la fonction
gaussienne par nimporte quelle autre fonction dcroissante.
Enfin, lchantillon central ( ) restaur est donn par la forme normalise suivante :
( , S ) =
( ( , S ) . S
]( , S )
( ) [
pq
( p , q ) [ n , + n ]
x + p ,t + q
)
(2.14)
pq
p, q n,+ n
Il sensuit, daprs la formule (2.14), que lchantillon en question est remplac par une
moyenne pondre dchantillons qui lui sont spatialement proches et semblables en termes
damplitude.
27
Les combinaisons linaires de ces statistiques dordre donnent naissance aux L-filtres, tandis
que les combinaisons non-linaires donnent naissance aux NL-filtres. Le filtre mdian est le
plus connu des L-filtres. Ce filtre sera utilis plus tard dans ce document.
Garnett et al. (2005) ont introduit une statistique appele Rank-Ordered Absolute Differences
(ROAD) afin de dtecter les chantillons affects par des bruits impulsifs.
Nous commencerons par dfinir les diffrences absolues p,q(x,t) en magnitudes (intensits)
entre les chantillons du voisinage Sx+p,t+q et lchantillon central x,t:
p,q(x,t)=| Sx+p,t+q- x,t|, (avec -n p, q +n)
(2.15)
Ensuite, les valeurs des diffrences p,q(x,t) sont tries de faon croissante, llment rj
reprsente le jime plus petit lment des diffrences (cest une statistique dordre j).
La statistique ROAD est ainsi dfinie par :
ROADm()=rj(x,t) (j=1,..m)
(2.16)
avec 2m(2n+1)2-2.
Pour n=1, nous aurons 2m7. Dans la suite, nous considrons que le cas o m=4, donc
ROADm()=ROAD4().
La statistique ROAD permet de mesurer le degr de proximit de lchantillon central () de
ces quatre chantillons du voisinage (S) les plus semblables. Les chantillons bruits devront
avoir des valeurs ROAD leves, tandis que ceux non-bruites devront avoir de faibles
28
Dans ce qui suit, nous introduisons le filtre trilatral bas sur la statistique ROAD, selon les
lignes directrices donnes par Garnett et al. (2005) :
Une troisime fonction de pondration a t introduite aux poids du filtre bilatral existant, et
faisant intervenir la statistique ROAD, appele poids impulsif I():
I ( ) = e
ROAD ( ) 2
2 I2
(2.17)
o le paramtre I joue le rle de seuil au-del duquel les valeurs ROAD leves seront
pnalises.
En prsence de bruit, le poids impulsif I() est incompatible avec le poids de similarit s(,
S), do la ncessit dintroduire une nouvelle fonction appele joint impulsivity , ou
impulsivit jointe, afin de limiter lutilisation du poids de similarit.
La fonction dimpulsivit J de S vis--vis lchantillon central est donne par :
ROAD ( ) + ROAD ( S )
2
2 J
J ( , S ) = 1 e
(2.18)
Cette fonction prend des valeurs dans lintervalle [0,1] suivant les valeurs de et S par
rapport j. Si aucun des chantillons (,S) nest bruit, et ainsi aucun na de valeur ROAD
leve vis--vis de j , alors J(,S)0, sinon J(,S)1. L impulsivit jointe se comporte
donc comme un commutateur.
29
Il est maintenant possible de dfinir le filtre trilatral, comme prsent par Garnett et al.
(2005) qui est une version diffrente du filtre trilatral de Choudhury et Tumblin (2003):
pq (,S)= c(,S).s(,S)1- J(,S) .I()J(,S)
(2.19)
Remarquons que lorsque dans (2.19) J(,S)1 alors 1- J(,S)0. Le seuil s dans ce cas
devient trop grand ce qui provoque lannulation de leffet des diffrences de magnitudes,
tandis que le poids dimpulsivit reste inchang. Lorsque J(,S)0, cest linverse qui se
produit et seul le poids de similitude est utilis pour la distinction entre les chantillons, le
seuil du poids impulsif est alors trop grand. Daprs Garnett et al. (2005), la combinaison des
quations (2.14) et (2.19) produit le filtre trilatral. En labsence de bruits impulsifs, le filtre
trilatral se transforme en filtre bilatral.
30
donnes.
Etape 2. Initialisation
Calculer les poids : c(,S) ; s(,S) ; I() ; J(,S) ; pq (,S), selon les formules :
(2.11, 2.13, 2.17, 2.18 et 2.19, respectivement).
Remplacer lchantillon central x,t par la nouvelle valeur selon la formule (2.14)
Prochaine colonne
Prochaine ligne
31
Le filtre SD-ROM a t propos initialement par Abreu et al. (1996), Chandra et al. (1998),
Moore et al. (1999), et Moore
contaminant les images en 2 dimensions. Nous avons tudi, analys et utilis ce filtre pour
llimination des bruits impulsifs prsents sur des donnes de rsistivits lectriques.
Le mot SD-ROM et une abrviation de Signal Dependent Rank-Ordered Mean.
Le filtre SD-ROM appartient la famille des filtres non-linaires bass sur la dcision,
appel aussi filtre adaptatifs base de statistique dordre (Order Statistic Filters ou OSF).
Lexemple le plus connu des OSF est le filtre mdian standard, introduit par Tukey (1974),
comme outil de lissage des signaux discrets. Durant cette dernire dcennie, les recherches sur
les OSF se sont multiplies, et leurs spectres dutilisation se sont largis.
Le filtre SD-ROM procde en deux temps : en premier temps les chantillons suspects sont
dtects par un dtecteur dimpulsion, puis en second temps, lchantillon bruit est remplac
par une estimation approprie note ROM. Le bloc diagramme de la Figure 2.2 illustre le
comportement du filtre SD-ROM :
Figure 2.2. Bloc diagramme du filtre SD-ROM. x(p) est lchantillon central dune fentre rarrange de
dimension 3x3, Si(p) sont les valeurs tries de la fentre 3x3 lexception de lchantillon x(p), di(p) est le
vecteur diffrence entre x(p) et Si(p), Ti sont les valeurs seuils, f(p) est la sortie du filtre et Rm(p) est la ROM.
32
Dans leurs tudes du filtre SD-ROM, Chandra et al. (1998) ont remarqu que la taille de la
fentre est un lment trs important dans le comportement du filtre. Ainsi, laugmentation de
la taille de la fentre nest pas toujours synonyme de rsultats meilleurs, mais elle tend
amliorer la performance, en particulier lorsquon trouve plus de deux impulsions.
Nanmoins, laugmentation de la taille de la fentre conduit laugmentation du nombre de
valeurs seuils (Ti). Le tableau 2.1 montre leffet de la taille de la fentre sur le rsultat final,
o la taille cinq produit les meilleurs rsultats. Nanmoins, la taille de la fentre change en
fonction des donnes.
33
S/B(dB)
35.87
34.41
32.77
Tableau 2.1. Exemple de linfluence de la taille de la fentre sur le rapport RSB (daprs Chandra et al., 1998).
34
(2.20)
4. Exclure lchantillon central x(p) du vecteur wi(p). Dfinir ainsi le vecteur rsultant
i(p) de taille huit :
i(p)=[x-4(p),x-3(p),x-2(p),x-1(p),x1(p),x2(p),x3(p),x4(p)]T
(2.21)
(2.22)
tel que s1(p)s2(p) . s8(p). Les si(p) sont les statistiques dordre p de xi
6. Dfinir les valeurs diffrences dordre p, di(p), entre les lments de Si(p) et
lchantillon central x(p) :
si ( p ) x( p )
di ( p) =
x( p ) s9 i ( p )
si
x(p) Rm
sinon
(2.23)
(2.24)
7. Tester si lune des valeurs di(p) correspondantes est suprieure lune des valeurs
seuils Ti , alors considrer lchantillon comme bruit, sinon laisser la valeur de x(p)
inchange.
8. Remplacer
35
Comparer
di(p) avec Ti
Oui
Remplacer x(p)
par la ROM Rm
Non
Garder x(p)
inchang
Dplacer la fentre
la position suivante
Non
Position
finale de la
fentre
Oui
Fin
Organigramme 1 : Filtre SD-ROM
36
Chapitre 3
Attnuation des bruits par le filtre de diffusion
anisotropique
Dans le chapitre prcdent, laspect thorique et algorithmique du filtre de diffusion
anisotropique a t prsent. En outre il a t soulign le rle fondamental jou par ce filtre
dans llimination du bruit tout en conservant le signal dintrt. Ce filtre se base sur le
phnomne physique de diffusion dans les fluides. Le but de ce chapitre est de prsenter
lapplicabilit de ce filtre au domaine du filtrage des donnes sismiques synthtiques et
relles.
37
Figure 3.1. Modle 2D utilis pour la gnration des sections sismiques synthtiques.
Figure 3.2. Section sismique sans bruit, correspondant au modle de la figure 3.1.
3.1.1.2. Paramtrisation
Aprs plusieurs tests, nous avons pu dterminer les paramtres optimaux du filtre, et qui ont
t fixs durant toutes les autres simulations. Dans la suite les paramtres utiliss seront les
suivants :
-
38
Figure 3.3. Section sismique synthtique avec 10% de bruit alatoire ajout
Figure 3.4. Section sismique synthtique avec 50% de bruit alatoire ajout
39
a)
b)
Figure 3.5. Rsultats du filtrage de diffusion anisotropique : a) 10% et b) 50% de bruit alatoire ajout.
40
Time (ms)
a)
Trace number
Time (ms)
b)
Il est observ que le bruit a t parfaitement localis et fortement attnu, sans changement
notable du signal dintrt.
41
Figure 3.7. Spectrogramme de la trace numro 27 tire de la section sismique sans bruit.
Remarquons, que tous les vnements (rflecteurs) ont t bien localiss et que la densit
spectrale est concentre autour de la position, en temps, des rflecteurs. La barre de couleurs
indique la densit de lnergie spectrale (Power spectral density PSD, en anglais) en dB/Hz.
La Figure 3.8a montre le spectrogramme des donnes contamines par 10 % de bruits et sa
version filtre (Figure 3.8b).
42
b)
PSD (dB/Hz)
a)
Figure 3.8. Spectrogramme de la trace numro 27 avec 10% de bruit alatoire ajout a) avant et b) aprs filtrage.
Notons que dans le cas de donnes bruites, la dispersion de lnergie sur toutes les
frquences et tous les temps, en particulier vers les hautes frquences, rvle la prsence de
bruits alatoires, souvent identifis par son caractre haut frquent. De plus, la localisation des
diffrents vnements est assez subtile. En revanche, le spectrogramme des donnes filtres
(Figure 3.8b) montre une concentration de densit spectrale aux positionnements des
diffrents rflecteurs sur la section sismique. Les Figures 3.9a et 3.9b reprsentent les
spectrogrammes de donnes contamines par 50% de bruits alatoires et sa version filtre
respectivement. Les mmes conclusions peuvent tre tires pour le cas prcdent. Notons
galement que dans ce cas, la concentration dnergie est moins localise que pour le cas
prcdent.
43
b)
PSD (dB/Hz)
a)
Figure 3.9. Spectrogramme de la trace numro 27 avec 50% de bruit alatoire ajout a) avant et b) aprs
filtrage.
Enfin, nous avons pu constater lors des simulations que le comportement du filtre de diffusion
anisotropique est assez semblable, en termes de rsultats, au filtre bilatral de Tomasi et
Manduchi (1998).
Trace number
b)
c)
d)
Time (ms)
a)
e)
Figure 3.10. Influence du nombre ditrations sur lattnuation du bruit, a) 2, b) 5, c) 10, d) 50 et e) 100
itrations.
Leffet visuel du nombre ditration constat auparavant sur les donnes sismiques a t
quantifi en calculant le RSB en dcibels ainsi que lerreur quadratique moyenne (EQM) ou
(Mean squared error MSE, en anglais). Ainsi, nous avons utilis les formules suivantes pour
le calcul du RSB et de lEQM :
45
i j U (i, j )2
RSB(dB) = 10 log10
2
( f (i, j ) U (i, j ) )
i j
(3.1)
O U(i,j) reprsente le signal suppos sans bruit; f(i,j) est le signal la sortie du filtre
anisotropique. (i=j=1 : M x N, o M et N reprsentent les dimensions de la matrice dentre).
LEQM est calcule selon la formule suivante:
EQM =
MxN i
(U (i) f (i))
(3.2)
Ces paramtres ont t utiliss pour guider notre choix sur le nombre ditrations. Les
Tableaux 3.1 et 3.2 regroupent les rsultats du filtrage en termes de RSB et dEQM des
donnes contamines par 10 et 50% de bruit alatoire en fonction du nombre ditrations.
Nombre ditrations
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
20
30
40
50
RSB en dB
30.76
35.17
36.4
35.79
34.39
32.74
31.08
29.50
28.03
26.68
25.44
24.29
23.24
22.26
21.36
17.68
12.93
9.97
7.96
EQM
3.42 E-4
2.20 E-4
1.94 E-4
2.06 E-4
2.38 E-4
2.80 E-4
3.31 E-4
3.88 E-4
4.49 E-4
5.14 E-4
5.82 E-4
6.53 E-4
7.26 E-4
8.00 E-4
8.76 E-4
0.0013
0.0020
0.0027
0.0033
Tableau 3.1. Influence du nombre ditrations sur le rsultat du filtrage en termes du RSB et de lEQM de
donnes contamines par 10% de bruit alatoire. Le RSB et lEQM des donnes bruites sont 21.97 dB et 8.24E4, respectivement.
46
RSB en dB
1.97
7.86
11.87
14.63
16.53
17.82
18.65
19.13
19.35
19.38
19.25
19.03
18.27
18.36
17.97
15.85
12.18
9.57
7.71
EQM
0.0061
0.0034
0.0023
0.0017
0.0014
0.0012
0.0011
0.0011
0.0011
0.0011
0.0011
0.0011
0.0011
0.0012
0.0012
0.0015
0.0022
0.0028
0.0034
Tableau 3.2. Influence du nombre ditration sur le rsultat du filtrage en termes du RSB et de lEQM de
donnes contamines par 50% de bruit alatoire. Le RSB et lEQM des donnes bruites sont -7.13 dB et 0.015,
respectivement.
On notera que plus le RSB est grand et que lEQM est faible mieux sont les rsultats du
filtrage. Les rsultats des Tableaux 3.1 et 3.2 sont reports sur les courbes de la Figure 3.11.
47
40
3.5
x 10
a)
b)
3
30
2.5
25
MSE
SNR(dB)
35
20
1.5
15
10
0.5
10
15
20
25
Number of iterations
30
35
40
45
50
20
x 10
c)
18
10
15
20
25
Number of iterations
30
35
40
45
50
10
15
20
25
Number of iterations
30
35
40
45
50
d)
6
16
14
5
MSE
SNR(dB)
12
10
8
3
4
2
10
15
20
25
30
Number of iterations
35
40
45
50
Figure 3.11. Graphes reprsentant lvolution du RSB en dB et de lEQM en fonction du nombre ditrations. a)
RSB en prsence de 10 % de bruit alatoire, b) EQM en prsence de 10 % de bruit alatoire, c) RSB en prsence
de 50 % de bruit alatoire et d) EQM en prsence de 50 % de bruit alatoire.
La Figure 3.11a montre lvolution du RSB (dB) en fonction du nombre ditrations pour des
donnes contamines par 10% de bruit alatoire. Le graphe montre une augmentation du RSB
jusqu une valeur de 36.4 dB pour un nombre ditration=3, ensuite une diminution jusqu
une valeur minimale de 7.96dB lorsquil atteint un nombre ditrations maximal =50. Tandis
que lEQM (Figure 3.11b) diminue jusqu une valeur minimale de 1.94 E-4, puis augmente
jusqu atteindre une valeur maximale de 0.0033 lorsquelle atteint un nombre ditrations
maximal =50. A lombre de cela, nous avons fix le nombre ditrations 3. De mme, dans
le cas o les donnes sont contamines par 50% de bruit, le RSB (Figure 3.11c) augmente
jusqu' atteindre une valeur maximale de 19.31 dB aprs 10 itrations, puis diminue jusqu
atteindre une valeur de 7.71 dB un nombre ditrations maximum=50. Tandis que lEQM
48
Les sections diffrences (Figures 3.12) confirment le constat dress par ltude quantitative de
la section prcdente. Elle a montr que lorsque le nombre ditrations dpasse un certain
seuil, dfini par le RSB et lEQM, le signal dintrt sera gravement affect.
Ainsi, partir de 5 itrations on assiste une attnuation du signal dintrt et le phnomne
saccentue avec laugmentation du nombre ditrations. Ce travail montre quil est ncessaire
de garder un compromis entre lissage des donnes et prservation de la ralit gologique.
49
b)
c)
d)
Time (ms)
a)
e)
Figure 3.12. Sections diffrences montrant leffet du nombre ditrations sur le signal dintrt, a) 2, b) 5, c)
10, d) 50 et e) 100 itrations.
50
Une autre particularit du filtre anisotropique est teste dans lexemple suivant. Nous avons
simul des traces mortes par la mise zro de linformation dune trace dans une ou plusieurs
parties de la section sismique (ce cas est frquent en sismique, o les traces mortes sont
causes par les problmes lectroniques ou par le gophone lui-mme). La Figure (3.13)
reprend la section synthtique de la Figure 3.3 o certaines traces ont t mises zro afin de
simuler des traces mortes (indiques par des flches). Lemplacement des traces mortes est
choisi au dbut, au milieu et au niveau de la faille.
Time (ms)
Trace number
Aprs passage du filtre anisotropique (Figure 3.14), nous constatons une trs bonne restitution
de ces traces, en termes damplitude et de position.
Time (ms)
Trace number
51
Time (ms)
Trace number
Sur la Figure (3.16) le rsultat est assez marquant, on remarque que la section initiale a t
reproduite avec une trs bonne fidlit.
Time (ms)
Trace number
52
A partir dun dficit de 7 traces (Figure 3.17), le filtre anisotropique nest plus capable de
reconstruire fidlement les traces perdues (Figure 3.18). Ceci sexplique en partie par le choix
de la taille de fentre.
Time (ms)
Trace number
Figure 3.17. Simulation de 7 traces mortes diffrentes positions sur la section (cas limite).
Time (ms)
Trace number
Figure 3.18. Limite de la restitution des traces mortes par le filtre anisotropique.
53
Nous avons appliqu le filtre anisotropique, en plus des simulations sur les donnes
synthtiques, sur une section sismique relle 2D somme, provenant du Sud algrien (Figure
3.19). Pour des raisons de confidentialit, nous avons vit de citer la rgion dtude et le nom
du profil (donnes encore non traites). Nous nous contentons seulement de donner les
paramtres dacquisition : lintertrace utilis est de 25m, linter-tir est de 25m et le pas
dchantillonnage est gal 2ms. La bande frquentielle est de 8-72Hz. Les sources utilises
sont des vibrateurs.
Malgr la sommation, la section sismique de la Figure 3.19 contient encore un fort taux de
bruit alatoire. Nous avons toutefois dcid de nutiliser aucune autre tape de traitement
supplmentaire.
54
Dans un souci dattnuer le bruit, tout en veillant ne pas affecter les amplitudes des
rflecteurs, nous avons choisi les paramtres dfinissant le filtre anisotropique aprs plusieurs
tests comme suit :
constante de diffusion = 50
fonction de diffusion = w1
A lissue du filtrage, il sest avr quau bout de 3 itrations de trs bons rsultats ont t
achevs (Figure 3.20).
Les amliorations les plus marques sont visibles sur les rflecteurs superficiels et profonds,
l o la continuit des rflecteurs est faible. Lautre point qui mrite dtre soulev est
quaucun changement notable na t enregistr sur la forme du signal dintrt. Il est noter
que de meilleurs rsultats peuvent tre obtenus en augmentant le nombre ditrations.
Nanmoins, il est clair quil faudra garder un compromis entre attnuation du bruit et
55
a)
b)
Figure 3.21. Agrandissement dans une fentre de temps a) avant et b) aprs filtrage anisotropique.
Enfin, nous avons compar les rsultats du filtre anisotropique avec ceux dun filtre de type fk (Figure 3.22). Il est clair que les performances de notre filtre sont suprieures au filtre f-k.
Les bruits prsents dans la partie suprieure de la section sont encore visibles sur la section
traite par le filtre f-k, ce qui nest pas le cas avec la section trait par filtre anisotropique
(Figure 3.20).
56
3.2. Conclusion
Le filtre de diffusion anisotropique est un outil puissant pour lattnuation des bruits et la
prservation des bords. Nous avons utilis ce filtre pour lattnuation des bruits contaminants
des donnes sismiques synthtiques 2D et des donnes relles. Les rsultats obtenus durant ce
chapitre avaient montr une nette amlioration du RSB, en plus des amliorations apportes
la continuit des rflecteurs et la dtection des phnomnes gologiques. Lanalogie que
nous avons dresse avec le traitement de limage a montr lapplicabilit du filtre
anisotropique au domaine du traitement des donnes sismiques. Nous avons aussi pu constater
que le filtre tait en mesure dextraire le signal dintrt noy dans du bruit, de mme quil a
permis la dtection dune faille, mme en prsence dun fort taux de bruit. Les tests intensifs
mens sur les donnes synthtiques, contamines par des niveaux de bruits diffrents, et les
calculs du RSB et de lEQM, ont montr que le nombre ditration est un facteur cl quil
faudra bien paramtriser, faute de quoi, le filtrage risque de distordre les donnes, et ainsi
fausser linterprtation. Nous avons aussi utilis le filtre comme moyen de rcuprer des
traces mortes. Nous avons pu constater quavec un paquet de 5 traces mortes, le filtre tait
encore en mesure de reconstituer la section sismique, avec une grande fidlit. Lapplication
57
58
Chapitre 4
Attnuation du bruit sismique par le filtre trilatral
Deuxime volet des trois filtres que nous avons utiliss, le filtre trilatral a t appliqu des
donnes sismiques synthtiques et relles. Lobjectif de lutilisation de ce filtre est de
supprimer le bruit, tout en gardant les bords inchangs. En sismique, il se traduit par une
attnuation des bruits alatoires et/ou cohrent, une meilleure rsolution et une amlioration
de la continuit des rflecteurs. Ce filtre se base sur une distribution prfrentielle de poids.
Lide est que tous les chantillons proches dans lespace, similaires en magnitude et
possdant une certaine statistique (ROAD) se voient attribus de forts poids, et sont ainsi
privilgis. Le filtre trilatral est un filtre de voisinage et se base sur le filtre bilatral de
Tomasi et Manduchi (1998).
4.1. Introduction
Lapplicabilit du filtre trilatral (TL) a t teste sur des donnes sismiques synthtiques et
relles. En traitement de limage, ce filtre est devenu un outil de base. Malheureusement, en
sismique son utilisation est quasiment nulle. Ce filtre est simple implmenter, en revanche,
ses performances sont excellentes en prsence de bruits alatoires et gaussiens
indpendamment des frquences, en plus de son aptitude prserver les bords. Dans la suite
de cette application, nous allons utiliser une version modifie base sur une statistique dordre
appele ROAD (Rank-Ordered Absolute Differences) daprs Garnett et al (2005). Les
rsultats aprs application du filtre sur des donnes sismiques synthtiques et relles
tmoignent de lefficacit du filtre trilatral rduire considrablement diffrents types de
bruits.
4.2. Simulations
4.2.1. Donnes synthtiques
La validit du filtre trilatral attnuer le bruit, tout en gardant le signal dintrt inchang, a
t teste sur des donnes synthtiques gnres par le programme libre Seismic unix
(CMP/SU) dvelopp au Center of Wave phenomena la Colorado School of Mines .
Les donnes synthtiques en question sont reprsentes sous forme dun shot gather. Le shot
59
Figure 4.1. Shot gather synthtique (sans bruit) montrant quatre vnements sismiques.
Le shot gather de la Figure 4.1 est compos de 60 traces obtenues par convolution de la srie
de rflectivit avec une ondelette de Ricker de frquence centrale gale 25 Hz. Chaque trace
est compose de 251 chantillons, avec un pas dchantillonnage de 4 ms. Nous avons aussi
ralis des codes Matlab pour les oprations de filtrage et la ralisation des spectrogrammes.
Nous avons ajout aux donns de la Figure 4.1 du bruit alatoire, normalement distribu, en
utilisant la commande matlab rnoise (Margrave, 1991). Diffrents niveaux de bruit ont t
ainsi ajout (5%, 10% et 50%) et les rsultats sont illustres sur les Figures 4.2a, 4.2b, et 4.2c
respectivement. Notre objectif tait de montrer lefficacit de notre procd de filtrage mme
en prsence de bruits de niveau trs lev, comme cest le cas de la Figure 4.2c.
60
a)
b)
c)
Figure 4.2. Shot gather contamin par a) 5%, b) 10% et c) 50% de bruit alatoire.
61
b)
d)
c)
Figure 4.3. Rsultat du filtrage dans le cas de a) 5%, b) 10% et c) 50% de bruit alatoire ajout et d) rsidu de
filtrage du cas (c).
62
63
a)
c)
b)
d)
Figure 4.4. Influence du nombre ditrations sur le rsultat du filtrage aprs a) 2, b) 5, c) 10 et d) 50 itrations.
64
RSB(dB) = 10 log10
U (i, j )
i =1 j =1
(4.1)
( f (i, j ) U (i, j ))
i =1 j =1
EQM =
1
MN
(U (i, j ) f (i, j ))
(4.2)
i =1 j =1
O U(i,j) sont les donnes sans bruit (donnes de la Figure 4.1), f(i,j) reprsente la sortie du
filtre trilatral, et M et N dsignent la dimension de la matrice dentre.
Les rsultats sont regroups au Tableau 4.1.
Nombre ditrations
1
2
3
4
5
10
15
20
30
40
50
Donnes bruites
5% de bruit alatoire
ajout
RSB
EQM
32.15
0.0029
22.48
0.0076
17.40
0.012
14.17
0.017
11.91
0.021
6.60
0.034
4.62
0.045
3.71
0.049
2.74
0.054
2.19
0.057
1.82
0.060
35.83
0.0020
0.0080
0.146
Tableau 4.1. Rsultat du filtrage en termes de RSB et de lEQM en fonction du nombre ditrations.
Les rsultats du Tableau 4.1 sont fonction du nombre ditrations. Nous considrons que plus
le RSB est grand et que plus lEQM est faible, meilleurs sont les rsultats du filtrage. Il est
vident quavec laugmentation du nombre ditrations les rsultats sont encore plus lisses,
donc visuellement plaisants bien quils rsultent dune dgradation du signal. Cette
dgradation se traduit par une diminution du RSB et dune augmentation de lEQM (voir
Tableau 4.1). Nous jugeons donc utile dutiliser la forme itrative du filtre trilatral avec
prudence lors de la manipulation de donnes traites en amplitudes prserves.
La comparaison est plus facile en traant les donnes du Tableau 4.1 en fonction du nombre
ditrations, sous forme de courbes (Figure 4.5).
65
35
0.06
a)
0.05
b)
30
25
0.04
SNR (dB)
MSE
20
0.03
15
0.02
10
0.01
0
0
10
15
20
25
30
Numbrer of iterations
35
40
45
50
10
15
20
25
30
Number of iterations
35
40
45
50
10
15
20
25
30
Number of iterations
35
40
45
50
10
15
20
25
30
Number of iterations
35
40
45
50
0.06
30
c)
d)
0.05
25
0.04
SNR (dB)
MSE
20
0.03
15
0.02
10
0.01
5
10
15
20
25
30
Number of iterations
35
40
45
50
0.065
11
e)
0.06
f)
10
9
0.055
8
0.05
SNR (dB)
MSE
0.045
5
0.04
4
0.035
3
0.03
2
0.025
10
15
20
25
30
Number of iterations
35
40
45
50
Figure 4.5. Courbes du RSB et de lEQM RSB en prsence de 5% (a), 10% (c) et 50% (e) de bruit alatoire,
EQM en prsence de 5% (b), 10% (d) et 50% (f) de bruit alatoire.
Comme nous pouvons le remarquer, les courbes du RSB et de lEQM, correspondant aux
donnes contamines par 5% et 10% de bruit alatoire, sont similaires (Figures 4.5a, 5b, 5c et
5d). Dans ce cas, nous observons que la courbe du RSB augmente monotonement, tandis que
66
Un autre moyen danalyser les rsultats est de les tudier dans le domaine temps-frquence.
A cette fin, nous avons fait recours la fonction matlab spectrogram laquelle calcule la
transformation de Fourier (appele aussi Short-Time Fourier Transform STFT) dun signal
lintrieur dune fentre (ti-w/2,ti+w/2), o w est la longueur de la fentre. Un spectrogramme
associe chaque temps ti, dun signal donn, son spectre de frquence. Il dcrit, en
quelque sorte, lvolution de lnergie vis--vis des frquences en fonction du temps.
La Figure 4.6 illustre le spectrogramme de la trace numro 29, issue du shot gather sans bruit
de la Figure 4.1, utilisant une fentre de longueur 520ms. Sur cette figure, laxe des abscisses
reprsente le temps, laxe des ordonnes reprsente les frquences et chaque pixel lintrieur
du spectrogramme donne lintensit pour une frquence donne en fonction du temps. La
barre de couleurs indique la densit spectrale (PSD) en dB/Hz .
67
Figure 4.6. Spectrogramme de la trace numro 29 tire du shot gather de la Figure 4.1
Remarquons que tous les vnements sismiques sont prsents et quils sont bien localiss en
temps. Notons aussi que le maximum dnergie se concentre autours de la frquence 25 Hz.
Lnergie dcroit avec la frquence et le temps, en particulier pour le rflecteur profond
(temps double 770ms) qui sexplique, en partie, par le phnomne de divergence sphrique et
de labsorption.
La Figure 4.7 montre les spectrogrammes des donnes bruites avec 5%, 10% et 50% de bruit
alatoire (Figures 4.7a, 4.7c et 4.7 e, respectivement). Dans ce cas, lnergie est tendue sur
toutes les frquences et est prsente sur tous les temps. Cette distribution parse tmoigne de
la prsence de bruit alatoire, en particulier prs des hautes frquences. On note donc que les
vnements sismiques sont compltement noys dans le bruit et quil est difficile de prciser
lendroit exact de la concentration de la densit spectrale. Dans le cas de la prsence de 50%
de bruit (Figure 4.7e), la localisation des vnements sur le spectrogramme est trs difficile,
voire impossible (cas du rflecteur profond). Lapplication du filtre trilatral sur ces donnes
bruites produit des spectrogrammes assez proches du spectrogramme des donnes sans bruit
(Figures 4.7b, 4.7d et 4.7f). Lamlioration est assez notable. Dans ce cas, la concentration
dnergie correspond la position des vnements en temps et est autour de 25 Hz. Donc, le
contenu frquentiel des donnes filtres na pas beaucoup chang comparativement aux
donnes non bruites.
68
a)
b)
c)
d)
e)
f)
Figure 4.7. Spectrogrammes de la trace numro 29 avec 5% (a), 10% (c) et 50% (e) de bruit et leurs filtrages
respectifs (b,d,f).
69
Nous avons procd une comparaison des rsultats du filtre trilatral avec ceux de deux
filtres trs populaires en traitement des donnes sismiques, savoir le filtre f-k et le filtre f-x.
Ces filtres ont t appliqus aux donnes de la Figure 4.2.
La Figure 4.8 montre les rsultats du filtrage correspondant 5% de bruit alatoire.
a)
b)
c)
d)
Figure 4.8. Comparaison entre donnes contamines par a) 5% de bruit alatoire, et rsultats des filtres b)
trilatral, c) f-k et d) f-x.
De la Figure 4.8b, il est clair que le filtre trilatral produit la meilleure attnuation du bruit en
comparaison avec le filtre f-k (Figure 4.8c) qui tend laisser beaucoup de bruit non trait,
tandis que le filtre f-x est meilleur que le filtre f-k mais ses performances restent en-dessous
70
b)
c)
d)
Figure 4.9. Comparaison entre donnes contamines par a) 10% de bruit alatoire, et rsultats des filtres b)
trilatral, c) f-k et d) f-x.
Les mmes conclusions dresses pour le cas des donnes contamines par 5% de bruit
alatoire sont mentionnes pour le cas de 10% de bruit alatoire.
71
a)
c)
b)
d)
Figure 4.10. Comparaison entre donnes contamines par a) 50% de bruit alatoire, et rsultats des filtres b)
trilatral, c) f-k et d) f-x.
Il est clair quavec laugmentation du taux du bruit alatoire 50% les trois filtres laissent de
plus en plus de composantes du bruit non traits. En plus, nous remarquons une certaine
dtrioration du signal dintrt, en particulier au niveau du premier rflecteur, cette
dtrioration est accentue dans le cas du filtre trilatral (Figure 4.10b). La dtrioration du
signal dintrt est moins visible dans les rsultats du filtre f-x, tandis que le filtre f-k montre
les performances les moins concluantes. Nanmoins, en termes dattnuation de bruit, les
72
Initialement, le filtre trilatral, comme introduit par Garnett et al. (2005), tait dsign pour le
filtrage des images en 2 dimensions. Nous avons modifi cette particularit pour lappliquer
aux donnes 1 dimension. Ce filtre est appliqu des donnes extraites dune fentre glissante
3x3, puis transformes en un vecteur 1D. De plus, la statistique ROAD, prsente par Garnett
et al. (2005), est la somme de m valeurs ascendantes reprsentant les chantillons non bruits.
Nous avons modifi cette dfinition en calculant une valeur ROAD inverse (IROAD) en
triant, puis ne sommant que les rj diffrences dans un ordre dcroissant. Ce qui nous a permis
dextraire la composante bruit du signal.
Nous avons suivi une stratgie, pour llimination du bruit, un peu diffrente de celle
propose par Garnett et al. (2005) (Figure 4.11). Il est assum que le signal sismique (shot
brut) est une combinaison dune composante signal utile et dune composante bruit. La
composante signal utile est extraite via le filtre TL. La composante bruit est extraite par le
biais du filtre TL. La composante du signal utile nest autre que la diffrence entre la
composante du bruit et le signal original.
Donnes
sismiques
brutes
Filtre
TL
Extraction de
la composante
bruit du signal
sismique
Donnes
filtres
Les donnes relles, utilises dans notre tude, sont issues dune campagne sismique 3D au
Sud algrien. Le shot gather utilis est compos de 240 traces (Figure 4.12). Loffset utilis
varie de 20 4800m avec un intervalle de groupe gale 20m et un pas dchantillonnage de
4ms. Les sources utilises sont de type Vibroseis. La Figure 4.12 montre les diffrentes
73
Figure 4.12. Shot gather bruit issu dune campagne sismique 3D.
Nous avons utilis le filtre TL pour liminer le bruit cohrent dans le shot gather. Nous avons
implment le filtre en deux tapes :
1- Extraction de la composante bruit du shot gather : nous avons suppos que le ground
roll et londe arienne appartiennent la composante bruit.
2- Elimination du bruit cohrent : une simple soustraction de la composante bruit (Figure
4-13a). Le bruit alatoire peut tre supprim par simple mute La Figure 4-13b, illustre
clairement que le bruit cohrent a t attnu. Un bon rapport S/B est obtenu entre 0 et
1400ms. Sur cette figure, on lit une bonne continuit des rflecteurs sur tous les
74
a)
b)
Figure 4.13. La composante bruite isole par le filtre trilatral (a) et, le shot filtr(b).
Afin de mieux apprcier les effets du filtrage, nous avons ralis une vue largie (Figure
4.14) sur une fentre entre 320 et 650ms des Figures 4.13a et 4.13b autour de 500ms. Il est
clair que les vnements linaires de la Figure 4.14a ont t considrablement attnus,
aprs passage du filtre trilatral (Figure 4.14b). Notons aussi lamlioration de la continuit
du rflecteur au temps double 450ms.
75
1 km
a)
b)
Figure 4.14. Agrandissement lintrieur dune fentre du shot bruit (a) et filtr (b).
76
A lissue des chapitres prcdents, nous avons constat la robustesse des filtres trilatral et de
diffusion anisotropique vis--vis du bruit alatoire. Nanmoins, il est indispensable de
comparer le comportement des deux filtres en face des mmes donnes. Cest ainsi que nous
avons procd cette tude comparative. Nous avons repris le modle de la Figure 3.1 avec
une lgre modification. Ainsi, une couche 550m de profondeur, simulant une lentille de
sable, a t insre et la faille prcdemment prsente a t supprime (Figure 4.16).
Ce modle est constitu de cinq couches subhorizontales, avec des vitesses qui augmentent en
fonction de la profondeur. La section sismique synthtique rsultante de la convolution dune
ondelette de Ricker, de frquence centrale 25 Hz, avec la srie de rflctivit du modle de la
Figure 4.15 est donne en Figure 4.16.
77
Nous avons suivi la mme procdure que celle utilise pour tester le filtre trilatral et
anisotropique. Du bruit alatoire diffrents pourcentages (5%, 10% et 50%) a t ajout aux
donnes de la figure 4.16 et le rsultat est reprsent en Figure 4.17.
78
a)
b)
c)
Figure 4.17. Donnes contamines par a) 5%, b) 10% et c) 50% de bruit alatoire.
79
a)
b)
c)
Figure 4.18. Rsultats du filtre trilatral en prsence de a) 5%, b)10% et c) 50% de bruit alatoire.
80
a)
b)
c)
Figure 4.19 Rsultats du filtre anisotropique en prsence de a) 5%, b) 10% et c) 50% de bruit alatoire.
Nous constatons que les deux filtres ont russi attnuer grandement le bruit alatoire. Les
meilleurs rsultats sont visibles pour le cas o le bruit est 50% du signal dintrt (Figures
4.18c et 4.19c). Dans les deux cas, du bruit rsiduel est prsent, en particulier lorsque le RSB
81
Filtre trilatral
10%
5%
50%
Filtre anisotropique
10%
5%
50%
EQM
RSB
EQM
RSB
EQM
RSB
EQM
RSB
EQM
RSB
EQM
RSB
Nombre
ditrations
1
5.33E-5
38.26
1.09E-4
31.06
0.0015
5.09
4.18E-5
41.05
1.25E-4
30.08
0.0021
2.07
6.93E-5
35.64
1.02E-4
31.76
8.98E-4
10.02
6E-5
37.41
1.04E-4
31.88
0.0011
7.92
9.18 -5
32.83
1.14 -4
30.65
6.61 -4
13.08
9.51 -4
32.81
1.23 -4
30.23
7.98 -4
11.54
1.16E-4
30.49
1.35E-4
29.16
5.41E-4
15.07
1.38E-4
29.05
1.58E-4
27.73
6.48E-4
13.62
1.41 -4
28.5
1.54 -4
27.63
4.78 -4
16.32
1.87 -4
26.05
2.01 -4
25.3
5.84 -4
14.65
1.65E-4
26.92
1.83E-4
25.92
4.45E-4
17.03
2.35E-4
23.76
2.56E-4
22.88
5.64E-4
15
2.20E-4
24.06
2.35E-4
23.39
4.27E-4
17.44
3.43E-4
19.98
3.61E-4
19.45
5.86E-4
14.62
10
2.80 -4
21.66
2.85 -4
21.49
4.42 -4
17.10
4.57 -4
17.1
4.62 -4
16.99
6.47 -4
13.64
15
4.25E-4
17.49
4.27E-4
17.44
5.32E-4
15.25
7.25E-4
12.50
7.27E-4
12.48
8.48E-4
10.93
20
5.68 -4
14.6
5.68 -4
14.59
6.48 -4
13.29
9.64 -4
9.65
9.65 -4
9.65
0.0011
8.76
30
8.31E-4
10.79
8.3E-4
10.81
8.84E-4
10.18
0.0013
6.30
0.0013
6.31
0.0014
5.89
Donnes
bruites
2.75E-5
45.19
7.0E-5
35.88
0.001
8.83
Tableau 4.2. Rsultats du filtre trilatral et anisotropique en termes de rapport RSB et de lEQM en fonction du
nombre ditrations.
Il est vident quavec laugmentation du nombre ditrations les rsultats sont plus lisses,
mais les donnes sont distordues comme indiqu par la diminution du RSB et laugmentation
de lEQM. Ce rsultat montre que lutilisation du filtre trilatral et du filtre de diffusion
82
Figure 4.20. Rapport RSB des donnes filtres en fonction du nombre ditrations pour les filtres trilatral et
anisotropique.
83
Figure 4.21. EQM relative aux donnes filtres, en fonction du nombre ditrations, pour les filtres trilatral et
anisotropique.
On remarque, daprs les figures 4.20 et 4.21, une bonne similitude dans le comportement des
deux filtres, se traduisant par une concordance des courbes des deux filtres. Cette concordance
est plus marque lorsque le niveau du bruit est assez faible, et tend diverger en augmentant
le niveau du bruit.
Ltude comparative sest aussi porte sur des donnes relles (Figure 4.22a). Ces donnes
proviennent dune campagne sismique au Sud algrien, lintertrace est de 25m, linter-tir de
25m et le pas dchantillonnage est de 2ms. La bande frquentielle du signal est de 8-72 Hz,
tandis que les sources sont de type vibrateur. Malgr la sommation, la section de la figure
4.22a montre la prsence dun fort bruit, en particulier en surface.
84
a)
b)
c)
Figure 4.22. Section sismique brute (a) et ses versions filtres par les filtres anisotropique (b) et trilatral (c).
85
Les deux filtres ont t appliqus aux donnes de la section sommes, et les rsultats
correspondants aux filtres anisotropique et trilatral sont montrs sur les figures 4.22b et
4.22c, respectivement. Lamlioration en termes de RSB est visible pour les deux filtres, avec
une bonne continuit des rflecteurs et une prservation du signal dintrt. Un zoom sur une
fentre permet de mieux diffrencier laction des deux filtres (Figure 4.23).
a)
b)
Figure 4.23. Vue largie de la section sismique filtre par les filtres anisotropique (a) et trilatral (b).
Il est vident que les deux filtres ont russi attnuer le bruit ; nanmoins, laction du filtre
anisotropique (Figure 4.23a) est plus marque que celle du filtre trilatral (Figure 4.23b).
4.5. Conclusion
Nous avons utilis le filtre trilatral (TL) pour liminer les bruits alatoires et cohrents de
donnes sismiques synthtiques et relles.
86
87
Chapitre 5
Application du filtre SD-ROM aux donnes de prospection
lectrique
Nous abordons dans ce chapitre lapplication du filtre DS-ROM (Abreu et al., 1996; Chandra
et al., 1998; Moore et al., 1999; Moore et Mitra, 2000) aux donnes lectriques. Ce filtre se
base sur les statistiques dordre. Il procde en deux temps i) identification, puis ii) estimation.
Lors de la phase didentification, lchantillon est compar un nombre de valeurs seuils, qui
dcideront sil est contamin par le bruit ou non. Lchantillon passera inchang travers le
filtre sil est considr comme non contamin , sinon il sera remplac par une valeur
(ROM) calcule (phase destimation) partir de son voisinage. Lapplication de ce filtre sur
des donnes lectriques a montr sa robustesse et son efficacit en prsence de bruits
impulsifs et cohrents (cas des Inhomognits de surface : NSIs).
5.1 Simulations
Nous avons test le filtre SD-ROM sur des donnes synthtiques de rsistivit lectrique
courant continu. Un modle synthtique deux dimensions (Figure 5.1) est gnr par le
programme libre Res2dmod (Loke et Barker 1996). Ce programme calcule les rsistivits
apparentes par la mthode des diffrences finies ou par la mthode des lments finis, pour
un modle prdfini. Le modle ainsi utilis divise le sous-sol en blocs rectangulaires et une
valeur de potentiel est dfinie pour chaque nud de la grille. Les rsistivits sont affectes
chaque bloc par lutilisateur.
88
Figure 5.1. Modle 2D utilis pour gnrer les pseudosections de rsistivits apparentes, en prsence des
inhomognits de surface (NSIs). Lespacement a varie de 3m 9m pour n=1,28.
Figure 5.2. Pseudosection de rsistivits apparentes calcules, correspondant au modle de la figure 5.1, en
prsence des NSIs.
89
Figure 5.3. Pseudosection de rsistivits apparentes calcules sans effet des NSIs.
La section inverse a t utilise comme rfrence lors de la comparaison des rsultats des
diffrents filtres. Les donnes synthtiques ont t gnres pour un dispositif diple-diple
avec un espacement a variant de 3 9m et un facteur n variant de 1 8, ce qui nous
donne une profondeur dinvestigation de 20.16m avec un total de 552 mesures. La mthode
des diffrences finies a t utilise pour la gnration des pseudosections de rsistivits
apparentes.
90
Figure 5.4. Pseudosections de rsistivits apparentes calcules, aprs filtrage par filtre a) SD-ROM, b) mdian
(fentre 3) et c) mdian (fentre 5).
91
Figure 5.5. Rsultats de linversion des donnes synthtiques (Les contours noirs reproduisent le modle
synthtique) : a) en labsence des NSIs, b) en prsence des NSIs, aprs filtrage par filtres c) SD-ROM, d) mdian
(fentre de longueur 3) et e) mdian (fentre de longueur 5).
La Figure 5.5c illustre la section inverse aprs filtrage par filtre SD-ROM avec une erreur
RMS de 5.77%. Tous les paramtres du modle synthtique ont t rcuprs avec une bonne
attnuation des effets perturbateurs gnrs par les NSIs. Notons toutefois que, sur la section
correspondant au filtre SD-ROM, le bord de la couche infrieure se trouvant 43m et une
profondeur de 8m, est dcal vers la gauche du modle une distance denviron 36m.
92
93
Tableau 5.1. Profondeur dinvestigation moyenne (Ze) correspondant diffrents dispositifs de longueur totale
L (daprs Edwards, 1977).
Pour raliser les pseudosections de rsistivits apparentes, nous avons fait recours au logiciel
Res2dinv (Loke et Barker 1996). Ce logiciel dtermine automatiquement un modle de
rsistivit en deux dimensions partir des donnes recueillies dune campagne dimagerie
lectrique (Griffiths et Barker 1993). Le modle ainsi gnr, divise le sous-sol en un nombre
de blocs rectangulaires. Puis, un sous programme de modlisation gnre les rsistivits
apparentes calcules, soit par la technique des diffrences finies, soit par la technique des
lments finis. Le but est de dterminer les rsistivits des diffrents blocs qui permettent de
gnrer une pseudosection de rsistivits apparentes similaire aux mesures relles.
Loptimisation a pour but de rduire les diffrences entre les rsistivits apparentes calcules
et celles mesures en ajustant les valeurs de rsistivits des diffrents blocs. On utilise lEQM
ou RMS (en anglais) pour quantifier cette erreur. Le processus dinversion est ralis par la
94
(JTJ + uF) d = JT g
(5.1)
Avec
J : matrice des drives partielles
d : vecteur de perturbation du modle
g : vecteur de dispersion
u : facteur de pondration
F=fxfxT+fzfzT
O fx est un filtre flatness horizontal
fz est un filtre flatness vertical
On note enfin que cette partie est traduite du manuel du logiciel Res2Dinv
(www.geoelectrical.com).
5.2.2. Paramtrisation
Dans le but dtudier les performances des diffrents filtres vis--vis du bruit,
indpendamment de tout autre facteur, nous avons choisi de garder tous les paramtres de
lalgorithme dinversion (Res2dinv) inchangs. En addition, nous avons mis en place des
programmes sous Matlab pour les filtres SD-ROM et MED. Les filtres MED, avec
diffrentes fentres, ont t utiliss comme moyen de comparaison avec le filtre SD-ROM.
Notre choix des paramtres du filtre SD-ROM sest fix sur lutilisation dune fentre
glissante de longueur 9, avec quatre valeurs seuils (T1, T2, T3, T4). Concernant le filtre MED,
nous avons utilis des fentres de longueurs 3 et 5. Les valeurs seuils ont t choisies aprs
plusieurs tests, selon le niveau du bruit, ainsi que le signal de sortie dsir. Nos tests ont
montr quune fentre de longueur 9 produit les meilleurs rsultats (ceci nexclut pas que,
pour dautres donnes, dautres fentres produirons de meilleurs rsultats).
Le RSB ainsi que lEQM ont t choisis pour quantifier les performances de chaque filtre.
Notons toutefois, quune faible EQM nest pas toujours synonyme du meilleur modle
gologique (ceci est d en partie ce que les solutions au problme inverse ne sont
gnralement pas uniques). Le nombre maximum ditrations a t fix 3 et 4, selon les
variations observes sur lEQM. La fentre glissante utilise est de taille 9, centre
95
1-
incluant une couche argilo-carbonate avec des lments rocailleux caractrises par
des rsistivits infrieures 10 .m, surmontant des dpts argileux lments
rocailleux avec des paisseurs variant de 1 3m et des rsistivits suprieures
20 .m.
2-
96
Figure 5.6. Donnes relles tires du premier profil de direction Nord-Sud (Les flches indiquent les valeurs
anormales).
97
La Figure 5.7a montre la diffrence calcule entre les rsistivits apparentes brutes et les
valeurs filtres par le filtre SD-ROM. Il est clair que les impulsions identifies sur la Figure
5.6 ont t parfaitement localises et isoles, sans effets indsirables sur le signal. Notons que
le nombre et lamplitude des impulsions localises et limines par le filtre SD-ROM
dpendent du choix des valeurs seuils et de la taille de la fentre utilise. Dans notre cas, la
taille de la fentre a t fixe 9, les valeurs seuils ont t dtermines par des tests. Les
Figures 5.7b et 5.7c montrent les pseudosections diffrences calcules entre les donnes
filtres, par le filtre MED avec fentres de tailles 3 et 5, et les donnes non filtres. L aussi,
nous remarquons que les impulsions (flches) ont t localises et limines. Nanmoins, les
pseudosections diffrences montrent une distribution de valeurs associes au signal mais
considres par le filtre MED comme bruit, ce qui montre clairement linefficacit du filtre
MED diffrencier entre le bruit et le signal, linverse du filtre SD-ROM qui a montr une
grande robustesse. Ces valeurs extraites sont dues au comportement mme du filtre MED. En
effet, la particularit du filtre MED standard est quil remplace lchantillon central par la
mdiane, mme si ce dernier nest pas affect par le bruit. Ces valeurs extraites du signal, si
elles ne sont pas corriges, peuvent affecter grandement linversion et conduire ainsi, une
interprtation errone.
98
x (i ) 2
i
RSB (dB ) = 10 log10
2
(F (i ) x(i ) )
(5.1)
Avec x(i) les rsistivits considres non affectes par le bruit et F(i) les sorties filtres
(i=1,2n=231). x(i) ont subies un filtrage manuel. Nous avons aussi utilis la dviation
standard () afin de calculer ltendue des diffrentes valeurs. Une dviation standard
importante indique un loignement des valeurs de la moyenne, tandis quune petite dviation
indique un regroupement autour de la moyenne.
Le Tableau 5.1 rsume les rsultats, en termes de RSB et de dviation standard, des donnes
filtres par les filtres MED et SD-ROM.
1.53
MED (fentre 3)
SD-ROM
29.35
48.07
0.81
0.95
Tableau 5.2. Etude comparative, en termes de RSB et dviation standard, des diffrents filtres du premier
profil.
Il est clair que le filtre SD-ROM surpasse la performance des filtres MED, o les grandes
valeurs du RSB signifient un bon filtrage. Les faibles valeurs de la dviation standard peuvent
tre interprtes par llimination des pics des donnes par les filtres MED.
Comme nous lavons mentionn plus haut, le bruit a une grande influence sur le processus
dinversion, et son attnuation est primordiale avant inversion.
99
Figure 5.8. Pseudosections inverses issues du premier profil aprs filtrage a) manuel, b) SD-ROM, c) mdian
(fentre 3) et d) mdian (fentre 5).
Linversion de la section suppose non-contamine par le bruit est montre sur la Figure 5.8a,
o les impulsions ont t localises et limines. Cette pseudosection a t utilise comme
rfrence lors des comparaisons avec les sections inverses issues des diffrents filtres. La
Figure 5.8a possde une erreur RMS relativement faible de 2.47%. Comme attendu, le filtre
SD-ROM donne la meilleure section inverse (Figure 5.8b) avec une erreur RMS de 2.23%,
laquelle est trs proche de la section de rfrence (Figure 5.8a).
100
Figure 5.9. Donnes relles issues du second profil de direction Est-Ouest (Les flches indiquent des valeurs de
rsistivits anormalement leves).
Ces anomalies (indiques par des flches) sont localises des distances de 28, 36 et 44m de
lorigine, et possdent des rsistivits de 232, 733 et 1677 .m respectivement. Elles sont trs
leves compares aux rsistivits de larrire plan.
101
Figure 5.10. Pseudosections diffrences aprs filtrage SD-ROM (a), mdian (fentre 3) (b) et mdian (fentre 5)
(c).
Les Figures 5.10b et 10c montrent que les filtres MED ont pu aussi isoler et liminer les
impulsions lies aux bruits (indiques par des flches). Nanmoins, comme le montre les
pseudosections diffrences, les autres parties de la pseudosection ont t affectes par les
filtres MED.
102
MED (fentre 5)
MED (fentre 3)
SD-ROM
RSB en dB
15.82
24.44
49.54
Dviation standard ()
2.32
1.77
1.96
profil
Tableau 5.3. Etude comparative, en termes de RSB et de dviation standard, des diffrents filtres du second
profil.
103
Figure 5.11. Pseudosections inverses issues du second profil aprs filtrage a) manuel, b) SD-ROM, c) mdian
(fentre 3) et d) mdian (fentre 5).
Les Figures 5.11c et 11d montrent les rsultats dinversion, aprs application des filtres MED
de longueurs 3 et 5, avec des erreurs RMS gales 2.93% et 3.02 %, respectivement. Comme
mentionn plus haut, une faible erreur RMS nest pas toujours synonyme dun modle
correspondant la ralit gologique. Ainsi, le filtre MED a donn une erreur RMS plus
faible que celle du filtre SD-ROM. Nanmoins, une comparaison entre les pseudosections
inverses (Figures 5.11c et 11d) aprs filtrage MED et la section de rfrence (Figure 5.11a)
montre des diffrences notables, en particulier prs de la surface. Toutefois, linterprtation
gologique reste pratiquement la mme que celle donne par le filtre SD-ROM. Notons, que
la structure verticale mise jour par les Figure 5.11a et 11b, na pas t proprement identifie
104
5.3.10. Conclusion
Les inhomognits de surface, tout comme les bruits alatoires impulsifs, gnrent des
anomalies dans
rsultats de linversion.
Dans ce chapitre, nous avons appliqu avec succs le filtre SD-ROM pour llimination des
bruits impulsifs et des effets des NSIs des donnes lectriques, synthtiques et relles. Le
filtre SD-ROM appartient la famille des filtres dits de statistiques dordre ; le principal
avantage de ces filtres est leurs relatives simplicits et leurs habilits distinguer le signal du
bruit. Nous avons dmontr que lapplication du filtre SD-ROM amliore grandement le
processus dinversion. Les rsultats obtenus sont trs encourageants et lefficacit du filtre
SD-ROM a t vrifie, compar aux filtres MED. Nos travaux ont montr que lutilisation
dune fentre de longueur 9, dans le cas du filtre SD-ROM, donne les rsultats les plus
optimaux, et quune utilisation itrative du filtre donne de meilleurs rsultats lors de
linversion.
Nous recommandons dautres recherches afin dinvestir les effets des inhomognits en 3D
sur les mesures des rsistivits. En plus, nous recommandons le recours de nouvelles
mthodes, telles les techniques volutionnaires rseaux de neurones et base de logique
floue, pour le choix des seuils, dans le cas du filtre SD-ROM.
105
106
Perspectives
Les perspectives de recherches portent la fois sur des amliorations et sur des applications
de nos filtres.
La perspective qui vient le plus aisment lesprit est le dveloppement de moyens
automatiques, ne ncessitant aucune intervention humaine, dans le choix des seuils et des
constantes des diffrents filtres. Les mthodes volutionnistes et biologiques sont les plus
sduisantes, en particulier les algorithmes gntiques et les fourmis artificielles. Ce choix des
paramtres reste la principale difficult dans la paramtrisation des filtres, car il se base sur
lexprience de lutilisateur et sur la nature des donnes lentre de chaque filtre.
109
1. Trilateral filter: A new tool for coherent and random noise removal from
seismic noisy data. 4me congrs maghrbin de gophysique appliqu (CMGA
4), Hammamet (Tunisie). 26-28 Mars 2009.
2. Seismic data inversion by Elman artificial neural network. 4me congrs
maghrbin de gophysique appliqu (CMGA 4), Hammamet (Tunisie). 26-28
Mars 2009.
3. Application des diagraphies de test aux rservoirs Dvoniens du champ de Tin
Fouye Tabankort. bassin dIllizi, Algrie. 4me congrs maghrbin de
gophysique appliqu (CMGA 4), Hammamet (Tunisie). 26-28 Mars 2009.
110
3. Communications Nationales
111
Bibliographie
Bibliographie
1. Abreu E., Lightstone M., Mitra S.K. et Arakawa K. 1996. A new efficient approach
for the removal of impulse noise from highly corrupted images. IEEE Transactions on
Image Processing special issue on Non-linear Image Processing 5, 1012-1025.
2. Ames W.F. 1992. Numerical methods for partial differential equations. Academic
Press Inc., Boston, third edition.
3. Al-Yahia K.M. 1991. Application of the partial Karhunen-Love transform to suppress
random noise in seismic sections. Geophysical prospecting 39, 77-93.
4. Barash D. 2002. A fundamental relationship between bilateral filtering, adaptative
smoothing, and the nonlinear diffusion equation. IEEE transactions on Pattern
Analysis and Machine Intelligence PAMI 24, 844-7.
5. Bednar J.B. 1983. Applications of median filtering to deconvolution, pulse estimation
and statistical editing of seismic data. Geophysics 48, 1598-1610.
6. Bernstone C., Dahlin T., Ohlsson T. et Hogland W. 2000. DC-resistivity mapping of
internal landfill structures: two pre-excavation surveys. Environmental Geology 39,
360-371.
7. Bobachev A.A., Marchenko M.N., Modin I.N., Pervago E.V., Urusova A.V. et
Shevnin V.A. 1996. New approaches to electrical soundings of horizontally
inhomogeneous media. Physics of the solid earth 31, 1075-1086.
8. Canales L.L. 1984. Random noise attenuation. 54th Ann. Mtg. Soc. Expl. Geoph.,
Expanded Abstracts, Session S10.1, 525-527.
9. Cassano E. et Rocca F. 1973. Multichannel linear filters for optimal rejection of
multiple reflections. Geophysics 38, 1053-1061.
10. Cassano E. et Rocca F. 1974. After-stack multichannel filters without mixing effects.
Geophysical prospecting 22, 330-334.
11. Chambers J.E., Meldrum P.I., Ogilvy R.D. et Wilkinson P.B. 2005. Characterisation
of a NAPL-contaminated former quarry site using electrical impedance tomography.
Near Surface Geophysics 3, 79-90.
12. Chambers J.E., Kuras O., Meldrum P.I., Ogilvy R.D. et Hollands J. 2006. Electrical
resistivity tomography applied to geologic, hydrogeologic, and engineering
investigations at a former waste-disposal site. Geophysics 71, B231-B239.
112
Bibliographie
13. Chandra C., Moore M.S. et Mitra S.K. 1998. An efficient method for the removal of
impulse noise from speech and audio signals. Proceeding of the IEEE symposium on
circuits and systems 4, 206-208.
14. Choudhury P. et Tumblin J. 2003. The trilateral filter for high contrast images and
meshes. In Proceedings of the Eurographics Symposium on Rendering EGSR 2003,
Eurographics, 186-196.
15. Claerbout J.F. 1975. Slant stacks and radial traces: Stanford Expl. Project Report
SEP-5, 1-12.
16. Claerbout J.F 1983. Ground roll and radial traces: Stanford Expl. Project Report SEP35, 43-53.
17. Claerbout J.F 1985. Imaging the earths interior: Stanford Expl. Project, 216-219.
18. Cooper J. 1998. Introduction to partial differential equations with MATLAB.
Birkhuser, Bonston, pp 540.
19. Cornacchiulo D. et Bagtzoglou A.C. 2004. Geostatistical reconstruction of gaps in
near-surface electrical resistivity data. Vadoze Zone Journal 3, 1215-1229.
20. Dahlin T. 1996. 2D resistivity surveying for environmental and engineering
applications. First Break 14, 275-283.
21. Dahlin T. et Zhou B. 2004. A numerical comparison of 2D resistivity imagings with
10 electrode arrays. Geophysical Prospecting 52, 379-398.
22. Daily W., Ramirez A. et Johnson R. 1998. Electrical impedance tomography of a
perchloroethelyne release. Journal of Environmental and Engineering Geophysics 2,
189201.
23. Deighan A.J. et Watts 1997. Ground-Roll suppression using the wavelet transform.
Geophysics 62, 1896-1903.
24. Deriche R. et Faugeras O. 1996. Les EDP en traitement des images et vision par
ordinateur. Traitement du signal13(6).
25. Dey A. et Morrison H.F. 1979. Resistivity modelling for arbitrarily shaped threedimensional structures. Geophysics 44, 753-780.
26. Djarfour N., Afa T., Baddari k., Mihoubi A. et Ferahtia J. 2008. Application of
feedback connexion artificial neural network to seismic data filtering. Comptes rendus
Geoscience, 340, 335-344.
27. Edwards L.S. 1977. A modified pseudosection for resistivity and induced-polarization.
Geophysics 42, 1020-1036.
113
Bibliographie
28. Essenreiter R. 1999. Identification and attenuation of multiple reflections with neural
networks. Phd Thesis, der Fakultt fr Physick der Universitt Karlsruhe (TH), 103pp.
29. Fatti J.L., Smith G.C., Vail P.J., Strauss P.J. et Levitt P.R. 1994. Detection of gas in
sandstone reservoir using AVO analysis: A 3-D seismic case history using the
Geostack technique. Geophysics 59, 1362-1376.
30. Fehmers G.C. et Hocker C. 2003. Fast structure interpretation with structure oriented
filtering. Geophysics68, 1286-1293.
31. Ferahtia J., Djarfour N., Baddari K. et Gurin R. 2009. Application of signal
dependent rank-order mean filter to the removal of noise spikes from 2D electrical
resistivity imaging data. Near surface geophysics 7, 159-169.
32. Galbraith J.N. et Wiggins R.A. 1968. Characteristics of optimum multichannel
stacking filters. Geophysics 33, 36-48.
33. Garnett R., Huegerich T., Chui C. et He.W. 2005. A universal noise removal algorithm
with an impulse detector. Image processing, IEEE Transactions on 14, 1747-1754.
34. Gharibi M. et Bentley L.R. 2005. Resolution of 3-D electrical resistivity images from
inversions of 2-D orthogonal lines. Journal of Environmental and Engineering
Geophysics 10, 339349.
35. Gersztenkorn A. et Scales J.A. 1988. Smoothing seismic tomograms with alphatrimmed means. Geophysical Journal 92, 6772.
36. Gonzalez R.C. et Woods R.E. 2002. Digital image processing. 2nd ed. Addison
Wesley.
37. Guitton A. 2002. Coherent noise attenuation using inverse problems and prediction
error filters. First break 20, 161-167.
38. Gulunay N. 1986. FXDECON and complex wiener prediction filter. 56th Annual
Internat. Mtg., Soc. Expl. Geophys. Expanded Abstracts. Session POS2.10, 279-281.
39. Gonzalez R.C. et Woods R.E. 1992. Digital image processing. 2nd ed. Addison
Wesley.p??
40. Grellier S., Gurin R., Robain H., Bobachev A., Vermeersch F., Tabbagh A., 2008.
The
Journal
of
Environmental
and
Engineering
Geophysics.
doi:10.2113/JEEG13.4.351.
114
Bibliographie
41. Gurin R., Begassat P., Benderitter Y., David J., Tabbagh A. et Thiry M. 2004.
Geophysical study of the industrial waste land in Mortagne-du-Nord (France) using
electrical resistivity. Near Surface geophysics 2, 137-143.
42. Griffiths D.H. et Barker R.D. 1993. Two-dimensional resistivity imaging and
modelling in areas of complex geology. Journal of Applied Geophysics 29, 211-226.
43. deGroot-Hedlin C. et Constable S. 1990. Occams inversion to generate smooth, twodimensional models from magnetotelluric data. Geophysics 55, 16131624.
44. Hagen D.C. 1982. The application of principal components analysis to seismic data
sets. Geoexploration 20, 93-111.
45. Haines S.S., Guitton A., et Biondi B. 2007. Seismoelectric data processing for surface
surveys of shallow targets. Geophysics 72, G1-G8.
46. Hale D. 2001. Atomic images- a method for meshing digital imaging. Proceedings of
the 10th international meshing roundtable, 185-196.
47. Harris P.E. et White R.E. 1997. Improving the performance of f-x prediction filtering
at low signal-to-noise ratios. Geophysical prospecting 45, 269-302
48. Hashemi H., Javaherian A. et Babuska R. 2008. A semi-supervised method to detect
seismic random noise with fuzzy GK clustering. Journal of Geophysics and
Engineering 5, 457-468.
49. Hayes M.H. 1996. Statistical digital signal processing and modelling. John Wiley &
Sons, Inc.
50. Haykin S. 1996. Adaptive filter theory. Prentice-Hall.pp 989.
51. Henderson R.P., et Webster J.G. 1978. An impedance camera for spatially specific
measurements of thorax. IEEE Transaction on Biomedical Engineering 25, 250-254.
52. Henley D.C. 2003. Coherent noise attenuation in the radial trace domain. Geophysics
68, 1408-1416.
53. Jones I.F. et Levy S. 1987. Signal-to-noise ratio enhancement in multi-channel seismic
data via the Karhunen-Love transform. Geophysical prospecting 35, 12-32.
54. Kalman R.E. 1960. A new approach to linear filtering and prediction problems.
Transactions of the ASME, Journal of Basic Engineering 82, 35-45.
55. Karsli H. et Bayrak Y. 2003. Using the WienerLevinson algorithm to suppress
ground-roll. Journal of Applied Geophysics 55, 187-197.
115
Bibliographie
56. Kolmogorov A.N. 1939. Sur 1interpolation et extrapolation des suites stationnaires.
C. R. Acad. Sci. Paris 208, 2043-2045. (English translation in Kailath, 1977 ).
57. LaBrecque D.J., Miletto M., Daily W., Ramirez A. et Owen E. 1996. The effect of
noise on Occam's inversion of resistivity tomography data. Geophysics 61, 538-548.
58. Larner K., Chambers R., Yang M., Lynn W. et Wai W. 1983. Coherent noise in
marine seismic data. Geophysics 48, 854-886.
59. Li X.G., Ulrych J. 1996. Coherent noise filtering using a 2-D Gabor transform. SEG
Technical program Expanded Abstracts, 1180-1183.
60. Linville, A.F. et Meek R.A. 1995. A procedure for optimally removing localized
coherent noise. Geophysics 60, 191-203
61. Loke M.H., Acworth I. et Dahlin T. 2003. A comparison of smooth and blocky
inversion methods in 2D electrical imaging surveys. Exploration geophysics 34, 182187.
62. Loke H. et Barker R.D. 1996. Rapid least-squares inversion of apparent resistivity
pseudosections by a quasi Newton method. Geophysical Prospecting 44, 131-152.
63. Lytle R.J. et Dines K.A. 1978. An impedance camera: a system for determining the
spatial variation of electrical conductivity. California University, Livermore (USA).
Lawrence Livermore Lab. Technical report. Lawrence Livermore National Laboratory
UCRL-52413.
64. March D.W. et Bailey A.D. 1983. A review of the two-dimensional transform and its
use in seismic processing. First Break 1, 9-21.
65. Margrave G. 1991. rnoise toolbox for MATLAB, CREWES project. University of
Calgary, Canada.
66. Mayne W.H. 1962. Common reflection point horizontal data stacking techniques.
Geophysics 27, 927-938.
67. McAndrew A. 2004. Introduction to digital image processing. 1st Ed. Thomson.
68. Meyerhoff J.N. 1966. Horizontal stacking and multichannel filtering applied to
common-depth-point seismic data. Geophysical prospecting 14, 441-454.
69. Morton K.W. et Mayers D.F. 1994. Numerical solution of partial differential
equations: An introduction. Cambridge University Press. pp 227.
70. Naess O.E. et Bruland L. 1985. Stacking methods other than simple summation. In
Fitch, A.A. (Ed.). Developement in geophysical exploration methods-6. London.
Elsevier Applic. Sci. Publishers.
116
Bibliographie
71. Manglem K.S., Singh P.K.B. et Singh S.B. 2002. Impulse noise removal using fuzzy
rank selection technique. Second International Conference on Electrical and
Computer Engineering, Dhaka (Bangladesh), 140-143.
72. Manolakis D.G., Ingle V.K. et Kogon S.M. 2005. Statistical and adaptive signal
processing. Artech house. pp 796.
73. Moore M.S., Gabbouj M. et Mitra S.K. 1999. Vector SD-ROM filter for removal of
impulse noise from colour images. EURASIP conference DSP for multimedia
communications and services, Krakow (Poland).p??
74. Moore M.S. et Mitra S.K. 2000. Statistical threshold design for the two-state signal
dependent rank order mean filter. Proceedings of the International Conference on
Image Processing 1, 904-907.
75. Pelton W.H., Rijo L. et Swift C.M.Jr. 1978. Inversion of two-dimensional resistivity
and induced polarization data. Geophysics 43, 788-803.
76. Perona P. et Malik J. 1990. Scale-space and edge detection using anisotropic
detection. IEEE transactions on pattern analysis and machine intelligence 12, 629639.
77. Ristau J.P. et Moon W.M. 2001. Adaptive filtering of random noise in 2-D
geophysical data. Geophysics 66, 342349.
78. Ritz M., Robain H., Pervago E., Albouy Y., Camerlynck C., Descloitres M. et Mariko
A. 1999. Improvement to resistivity pseudosection modelling by removal of nearsurface inhomogeneity effects: application to a soil system in south Cameroon.
Geophysical Prospecting 47, 85-101.
79. Robinson E. 1984. Statistical pulse compression. Proc. IEEE 72, 1276-1289.
80. Sasaki Y. 1989. Two-dimensional joint inversion of magnetotelluric and dipole-dipole
resistivity data. Geophysics 54, 254262.
81. Sasaki Y. 1992. Resolution of resistivity tomography inferred from numerical
simulation. Geophysical Prospecting 40, 453-464.
82. Spitzer R., Nitsche F. O. et Green A. 2001. Reducing source- generated noise in
shallow seismic data using linear and hyperbolic -p transformations. Geophysics 66,
1612-1621.
83. Tarantola A. 1987. Inverse problem theory. Elsevier. pp 630.
84. Tatham R.H., Keenay J.K. et Noponen I. 1982. Application of the tau-p transform
(slant stack) in processing reflection data. 52nd Annual international SEG meeting, 3-4.
117
Bibliographie
85. Tatham R.H. 1984. Multi-channel filtering of seismic data. Proceeding of the IEEE,
72, 1357-1369.
86. Tomasi C. et Manduchi R. 1998. Bilateral filtering for gray and color images. Proc.
IEEE 6th. Int. Conf. Computer vision, New Delhi, India, 839-846.
87. Trickett S.R. 2003. F-xy Eigenimage noise suppression. Geophysics 68, 751-759.
88. Tukey J.W. 1974. Nonlinear (nonsuperposable) methods for smoothing data, in
Congress Records. EASCON, p. 673.
89. Ulrych T.J., Sacchi M.D. et Freire S.L.M. 1999. Eigenimage processing of seismic
sections, in Kirlin, R.L., and Done W.J. (Ed.). Covariance analysis for seismic
processing. Soc. Expl. Geophys. 241-274.
90. Ursin B. et Zheng Y. 1985. Identification of seismic reflections using singular value
decomposition. Geophysical prospecting 33, 773-799.
91. Voss D. et Hearn S. 2003. Seismic multiple attenuation based on pre-stack reflectivity
modelling. ASEG 16th Geophysical Conference and Exhibition, extended abstracts.
92. Weiglen A.B. 1999. Multiple attenuation: an overview of recent advances and the road
ahead. The leading edge, 40-44.
93. Wenkai L. 2002. Adaptive noise attenuation of seismic image using singular value
decomposition and texture direction detection. Image Processing 2002. Proceeding.
2002 International conference on. 465-468.
94. Wiener N. 1949. Extrapolation, Interpolation and Smoothing of Time Series, with
Engineering Applications, New York: Wiley. Originally appears in 1942 as a
classified National Defense Research Council Report. Also published under the title
Time Series Analysis by MIT Press.
95. Wilkinson P.B., Meldrum P.I., Chambers J.E., Kuras O. et Ogilvy R.D. 2006a.
Improved strategies for the automatic selection of optimised sets of electrical
resistivity tomography measurement configurations. International Geophysical
Journal 167, 1119-1126.
96. Wilkinson P.B., Kuras O., Meldrum P.I., Chambers J.E. et Ogilvy R.D. 2006b.
Comparison of the spatial resolution of standard and optimised electrical resistivity
tomography arrays. Proceedings of the 12th meeting of the EAGE Near Surface
Geophysics Conference, Helsinki (Finland).
97. Yilmaz O. 1987. Seismic data processing. Society of Exploration Geophysicists,
526pp.
118
Bibliographie
98. Zhou B. et Dahlin T. 2003. Properties and effects of measurement errors on 2D
resistivity imaging surveying. Near Surface Geophysics 1, 105-117.
119
Laboratoire de Physique de la Terre (LABOPHYT), Universit M'hamed Bougara, FHC Boumerds 35000, Algeria
Universit Pierre et Marie Curie-Paris 6, UMR 7619 Sisyphe, Case 105, 4 place Jussieu, 75252 Paris Cedex 05, France
jalelferahtia@yahoo.fr
160
J. Ferahtia et al.
FIGURE 1
Schematic diagrams of: a) the signal dependent rank-order mean filter, b)
the impulse detector. x(p) represents the central sample of a 3 3 window, Si(p) an eight element rank-order observation vector containing the
neighbouring of x(p) (excluding x(p), itself) inside the window, di(p) is
the rank-order differences vector, Ti threshold values (i=1,4), f(p) is
the output and Rm(p) defines the rank-order mean (ROM).
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
4. Exclude the central sample x(p) from vector wi(p), such that
the resulting vector wi(p) contains eight elements:
wi(p)= [x-4(p),x-3(p),x-2(p),x-1(p),x1(p),x2(p),x3(p),x4(p)]T, (2)
5. Rearrange the elements of vector wi(p) in ascending order:
wi(p)rearranged=Si(p)=[s1(p),s2(p),s3(p),s4(p),s5(p),s6(p),
s7(p),s8(p)]T,
(3)
such that s1(p) s2(p) . s8(p),
6. Define rank-order differences di(p) between the elements of
Si(p) and x(p):
(4)
(5)
161
It can be seen in expression (4) that di(p) is used to detect the
presence of corrupted samples,
7. If any of the corresponding di(p) values is greater than the
corresponding threshold Ti, then identify sample x(p) as being
corrupted.
Steps 6 and 7 above define the impulse detector.
8. Replace the corrupted sample x(p) by the rank-order mean Rm
(expression (5)) and
9. Move window T to the next position and repeat operations
19 until T reaches position n-l.
The threshold values Ti can be obtained statistically or by means
of empirical tests (Moore and Mitra 2000). In the case of a sliding window of size 9, four threshold values are needed. For a
larger window size, a larger number of thresholds is required.
The performance of this algorithm can be enhanced by applying
it recursively to the same data set (Chandra et al. 1998).
FIGURE 2
a) Model used to generate synthetic 2D resistivity data, in the
presence of near-surface inhomogeneities. The a spacing varies
from 39 m for n = 1, 2...8.
Calculated apparent resistivity
pseudosection for the synthetic
model: b) without near-surface
inhomogeneities, c) in the presence of near-surface inhomogeneities, d) after signal dependent
rank-order mean filtering,
e) after median filtering (window
size 3), f) after median filtering
(window size 5).
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
162
J. Ferahtia et al.
FIGURE 3
Inverted sections of synthetic data
(black outlines indicate the synthetic model): a) without nearsurface inhomogeneities, b) with
near-surface inhomogeneities,
c) after signal dependent rankorder mean filtering, d) after
median filtering (window size 3),
e) after median filtering (window
size 5).
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
results. Neither the step nor the layers form can be clearly
imaged by median filters compared to the signal dependent rankorder mean filter.
The synthetic apparent resistivity values were filtered with
median and signal dependent rank-order mean filters and the
resulting inverse sections are shown in Fig. 3. Figure 3(a) is
used as a reference, because it is free of near-surface inhomogeneity effects and has a low root mean square (rms) error of
0.99%. One can note the good agreement between the inverted
section and the synthetic model (black outlines). The inverse
section of the synthetic model with near-surface inhomogeneity
shown in Fig. 3(b) has an rms error of 4.19% and can be seen
to have anomalously high and low resistive zones associated
with near-surface inhomogeneities, which coincide in magnitude and location with the synthetic model, as indicated by the
black outlines. Figure 3(c) shows an inverted section after signal dependent rank-order mean filtering, with an rms error of
5.77%. All of the features in the synthetic model are well
retrieved, with satisfactory removal of the anomalous resistivities produced by near-surface inhomogeneities. Note however,
that the basement edge located at a horizontal distance of 43m
and at a depth of 8m in the synthetic model is shifted to the left
by about 36m in the signal dependent rank-order mean filtered
section.
Median filters with different window sizes were also used to
remove resistivity anomalies associated with near-surface inhomogeneities. The resulting sections (Figs 3d and 3e) have an rms
error of respectively 9.66% and 10.01%, for a median filter with
a window size of 3 and 5. One can see that the anomalous resistivity zones located at 21 m, 30 m and 75m are not completely
removed and that the shape of the basement is totally altered. It
is important to notice that changing the mesh grid may improve
inversion results. However, this will increase the number of
unknown parameters of the inversion process, which has an
impact on the stability of the algorithm.
APPLICATION TO REAL DATA
The surveyed site used to validate our approach is an east-west
striking alluvial valley, located in the region of Stif, 280km east
of Algiers (Algeria).
Geology of the site
The area is a flat plain and its lithology consists of two main
layers:
1. A top layer dating from Quaternary age whose thickness is
about 9m, it includes an encrusted, 6 m thick carbonate-clay
layer with stony elements characterized by resistivities of less
than 10 m, overlaying silty, stony alluvial deposits with
thicknesses varying from 13m and resistivities greater than
20m.
2. A substratum consisting mainly of reddish clay dating from
the Mio-Pliocene age, characterized by resistivities below
10m.
163
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
164
J. Ferahtia et al.
FIGURE 4
First field data set, with arrows
indicating the location of data
spikes to be removed: a) measured apparent resistivities.
Pseudosections showing the differences between the measured
apparent resistivities and those
computed after: b) signal dependent rank-order mean filtering,
c) median filtering (window
size3), d) median filtering (window size 5)
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
(6)
165
TABLE 1
SNR in dB and standard deviation () of noisy data filtered by the signal dependent rank-order mean filter and by the median filter,
for the first field data set
SNR in dB
18.27
29.35
48.07
Standard deviation ()
1.53
0.81
0.95
FIGURE 5
Inverted resistivity sections computed from the first field data set:
a) manual filtering, b) after signal
dependent rank-order mean filtering, c) after median filtering
(window size 3), d) after median
filtering (window size 5).
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
166
J. Ferahtia et al.
FIGURE 6
Second field data set, with arrows
indicating the location of data
spikes to be removed: a) measured apparent resistivities.
Pseudosections showing the differences between the measured
apparent resistivities and those
computed after b) signal dependent rank-order mean filtering,
c) median filtering (window size
3), d) median filtering (window
size 5).
dow of size 5 (Fig. 5d). The quality of a filter depends on its ability to remove specific types of noise, whilst preserving the signal
of interest and resolution. For a large window size (e.g., 5), the
median filter tends to destroy the resolution of the image, as can
be seen in Fig. 5(d).
Our second example, based on the second profile (PE2), corresponds to resistivity data corrupted by significant levels of
noise (Fig. 6a). These anomalies (indicated by arrows) are
located at distances of 28 m, 36 m and 44m from the origin and
have resistivities of: 232 m, 733 m and 1677m, which are
very high when compared to the background resistivities. This
data set was subjected to the same study procedure as the first.
It can be seen from the difference pseudosections (Fig. 6), the
signal dependent rank-order mean filter helps with the detection
and removal of the previously identified impulses (arrows), without changing the other parts of the pseudosection, thereby enhancing the signal of interest (Fig. 6b). These impulses are positive and
are shown in white on the difference pseudosection.
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
Inspection of Figs 6(c) and 6(d) reveals that the median filter
also isolated and removed the noise spikes (indicated by arrows),
although difference pseudosections show that other parts are also
significantly affected by median filters. As stated in the foregoing section, these extracted values can affect the inversion process and hence be incorrectly interpreted as geological features.
The performance figures given in Table 2 show that the signal
dependent rank-order mean filter yields a better SNR and a
higher standard deviation than the median filter (window size 3).
The poorest results are given by the median filter with a window
size of 5, due to the excessive smoothing that occurs when the
window size is too large.
Figure 7 presents the inversions obtained from the second
field data set. Figure 7(a) represents the reference inverted section, after manual removal of the noise spikes and has an rms
error of 4.06%.
167
TABLE 2
SNR in dB and standard deviation () of noisy data filtered by the signal dependent rank-order mean filter and by the median filter, for the second field
data set
SNR in dB
15.82
24.44
49.54
Standard deviation ()
2.32
1.77
1.96
FIGURE 7
Inverted resistivity sections computed from the second field data
set: a) manual filtering, b) after
signal dependent rank-order mean
filtering, c) after median filtering
(window size 3), d) after median
filtering (window size 5).
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
168
J. Ferahtia et al.
2009 European Association of Geoscientists & Engineers, Near Surface Geophysics, 2009, 7, 159-169
Lytle R.J. and Dines K.A. 1978. An impedance camera: A system for
determining the spatial variation of electrical conductivity. California
University, Livermore (USA). Lawrence Livermore Lab. Technical
report. Lawrence Livermore National Laboratory UCRL-52413.
Manglem K.S., Singh P.K.B. and Singh S.B. 2002. Impulse noise
removal using fuzzy rank selection technique. Second International
Conference on Electrical and Computer Engineering, Dhaka,
Bangladesh, 140143.
Moore M.S., Gabbouj M. and Mitra S.K. 1999. Vector SD-ROM filter for
removal of impulse noise from colour images. EURASIP Conference
DSP for Multimedia Communications and Services, Krakow, Poland.
Moore M.S. and Mitra S.K. 2000. Statistical threshold design for the
two-state signal dependent rank order mean filter. Proceedings of the
International Conference on Image Processing 1, 904907.
Pelton W.H., Rijo L. and Swift C.M.Jr. 1978. Inversion of two-dimensional resistivity and induced polarization data. Geophysics 43, 788803.
169
Ritz M., Robain H., Pervago E., Albouy Y., Camerlynck C., Descloitres
M. et al. 1999. Improvement to resistivity pseudosection modelling by
removal of near-surface inhomogeneity effects: application to a soil
system in south Cameroon. Geophysical Prospecting 47, 85101.
Sasaki Y. 1989. Two-dimensional joint inversion of magnetotelluric and
dipole-dipole resistivity data. Geophysics 54, 254262.
Sasaki Y. 1992. Resolution of resistivity tomography inferred from
numerical simulation. Geophysical Prospecting 40, 453464.
Wilkinson P.B., Meldrum P.I., Chambers J.E., Kuras O. and Ogilvy R.D.
2006a. Improved strategies for the automatic selection of optimised
sets of electrical resistivity tomography measurement configurations.
International Geophysical Journal 167, 11191126.
Wilkinson P.B., Kuras O., Meldrum P.I., Chambers J.E. and Ogilvy R.D.
2006b. Comparison of the spatial resolution of standard and optimised
electrical resistivity tomography arrays. Near Surface 2006, Helsinki,
Finland.
Zhou B. and Dahlin T. 2003. Properties and effects of measurement
errors on 2D resistivity imaging surveying. Near Surface Geophysics
1, 105117.
www.abemfrance.eu
geophysical
equipment & software
ABEM France
Contact us :
Email info@abemfrance.eu
Phone +33.2.99.85.16.54
CC00751-MA010_Abem.indd 1
Head Office
Sales Offices
MAL Geoscience AB
Skolgatan 11, SE-930 70
Mal Sweden
Phone: +46 953 345 50,
Fax: +46 953 345 67
E-mail: sales@malags.com
USA:
www.malags.com
MAL Geoscience USA, Inc., 2040 Savage Rd. Box 80430, Charleston, SC 29416
Phone: +1 843 852 5021, Fax: +1 843 769 7397, E-mail: sales.usa@malags.com
China: MAL Geoscience (China), Room 2604, Yuan Chen Xin BLDG, No.12 Yu Min Road Chao Yang District, Beijing 100029
Phone: +86 10 8225 0728, Fax: +86 10 8225 0815, E-mail: sales@malags.com
03-03-2009 cc00364-ma014
14:28:01
Mala.indd 1
29-04-2009 11:50:09
Internal Geophysics
Abstract
The Elman artificial neural network (ANN) (feedback connection) was used for seismic data filtering. The recurrent connection
that characterizes this network offers the advantage of storing values from the previous time step to be used in the current time step.
The proposed structure has the advantage of training simplicity by a back-propagation algorithm (steepest descent). Several trials
were addressed on synthetic (with 10% and 50% of random and Gaussian noise) and real seismic data using respectively 10 to 30
neurons and a minimum of 60 neurons in the hidden layer. Both an iteration number up to 4000 and arrest criteria were used to obtain
satisfactory performances. Application of such networks on real data shows that the filtered seismic section was efficient. Adequate
cross-validation test is done to ensure the performance of network on new data sets. To cite this article: N. Djarfour et al., C. R.
Geoscience 340 (2008).
# 2008 Acadmie des sciences. Published by Elsevier Masson SAS. All rights reserved.
Rsum
Application du rseau de neurones artificiel rcurrent au filtrage des donnes sismiques. Le rseau de neurones artificiel
(RNA) de type Elman (rtroconnexion) a t utilis pour filtrer des donnes sismiques. La boucle de rtroaction qui caractrise ce
rseau prsente lavantage de stocker la trace de lvnement prcdent pour tre utilise dans le traitement courant. Cette
rcurrence facilite lapprentissage de la structure neuronale propose par rtropropagation (mthode des gradients). Des essais ont
t raliss sur des donnes sismiques synthtiques (avec 10 % et 50 % de bruit alatoire et gaussien) et relles, en utilisant
respectivement 10 30 neurones et un minimum de 60 neurones dans la couche cache. Un nombre ditration fix 4000 et un
critre darrt ont t utiliss pour satisfaire de meilleures performances. Lapplication de tels rseaux sur des donnes relles
montre que le filtrage de la section sismique est efficace. Le test de validation croise est ralis pour assurer la performance du
rseau sur de nouvelles donnes. Pour citer cet article : N. Djarfour et al., C. R. Geoscience 340 (2008).
# 2008 Acadmie des sciences. Published by Elsevier Masson SAS. All rights reserved.
Keywords: Elmans ANN; Gaussian and Random noise; Filtering; Training; Back-propagation; Seismic
Mots cls : RNA dElman ; Bruit gaussien et alatoire ; Filtrage ; Apprentissage ; Rtropropagation ; Sismique
* Corresponding author.
E-mail address: tahar.aifa@univ-rennes1.fr (T. Afa).
1631-0713/$ see front matter # 2008 Acadmie des sciences. Published by Elsevier Masson SAS. All rights reserved.
doi:10.1016/j.crte.2008.03.003
336
337
338
Fig. 1. Architecture of an artificial neuron and a multilayered feedback neural network. (a) Artificial neuron. (b) Multilayered artificial
neural network.
Fig. 1. Configuration dun neurone artificiel et un rseau de neurones
artificiel connexion rcurrente. (a) Neurone artificiel. (b) Rseau de
neurones artificiels multicouches.
M
1X
yk y k 2
2 k1
(2)
339
(3)
N
X
s1
es1
k wk j
(4)
k1
(5)
340
1 e2ax
1 e2ax
(6)
Velocity (m s1)
Thickness (m)
1
2
3
4
5
6
1200
1700
2100
2700
3200
4000
30.6
42.5
105
135
160
200
341
Table 2
Results of training on synthetic data with random (a) and Gaussian (b)
noise and on real data (c)
Tableau 2
Rsultats de lapprentissage sur des donnes synthtiques avec bruit
alatoire (a), gaussien (b) et sur des donnes relles (c)
Percentage
of noise
(a)
10%
50%
(b)
10%
Fig. 2. Training on synthetic data. (a) Used model (see Table 1),
considered as desired output. ANN input (same section as in (a) with
50% of random (b) and Gaussian (d) noise respectively with their
ANN output after training (c,e). (f) Mean square error (MSE) vs.
number of iterations for a training stage. The full (dashed) line curve
corresponds to 50% of added random (Gaussian) noise.
Fig. 2. Apprentissage sur donnes synthtiques. (a) Modle utilis
(voir Tableau 1), considr comme sortie dsire. Entre du RNA
(mme section quen (Fig. 2a) avec 50 % de bruit alatoire (b) et
gaussien (d) et leur sortie du RNA respectivement aprs apprentissage
(c,e). (f) Erreur quadratique moyenne en fonction de nombre ditrations, dans la phase dapprentissage. Courbe pleine (en tirets)
correspondant 50 % de bruit alatoire (gaussien) ajout.
50%
Number of
neurons in the
hidden layer
Number of
iterations
Performance
10
15
20
25
30
10
15
20
25
30
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
1.66204 106
3.84408 106
6.30692 106
9.92197 106
1.39624 105
2.36196 106
2.87078 105
4.60794 105
4.98179 105
8.00859 105
10
15
20
25
30
10
15
20
25
30
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
1.66596 106
3.63946 106
6.33773 106
9.83710 106
1.09455 105
4.65452 106
9.39854 106
9.50304 106
1.39683 105
2.83009 105
50
60
70
80
90
4000
1201
794
648
573
368.4620
2.33044 1008
1.77530 1008
6.17601 1008
1.09518 1008
(c)
342
Fig. 3. (a) Full shot gathers. Input of ANN. (b) Corresponding filtered shot gather, which is the desired output for the ANN in the training phase. (c)
The performance obtained during the training phase. (d) Output of ANN in the training test. Rn: random noise, Dw: direct wave, Rw: refracted wave,
Gr: ground roll.
Fig. 3. (a) Point de tir. Entre du RNA. (b) point de tir filtr correspondant qui reprsente la sortie dsire du RNA. (c) Performance obtenue pendant la
phase dapprentissage. (d) Sortie du RNA dans le test dapprentissage. Rn : bruit alatoire, Dw : onde directe, Rw : onde rfracte, Gr : onde de surface.
343
Fig. 4. (a) Full shot gather. Input of the ANN. (b): corresponding filtered shot gather which is the desired output of ANN during the generalisation
test. (c): output of ANN during the generalization test. Same notations as in Fig. 3.
Fig. 4. (a) Point de tir. Entre du RNA. (b) Point de tir filtr, qui correspond la sortie dsire du RNA pour le test de gnralisation. (c) Sortie du
RNA pendant le test de gnralization. Mmes notations que sur la Fig. 3.
344
4. Conclusion
In this work, the neural networks of Elman type were
addressed to filter seismic data. The results show that
networks could establish relationship between noisy
and filtered traces, based on their ability of approximation and adaptation. The training of the network can be
considered as a means to synthesize automatically a
function (control mapping), generally a non-linear one,
which plays a role of filter.
In our case, the learning ANN algorithm used a
steepest descent technique that is based on straight
downhill in the weight space till the first valley is reached.
This makes the choice of an initial starting point in the
multi-dimensional weight space critical. To overcome
this limitation, the training process was repeated a
number of times with different starting weights. The
excellent results indicate that training of this network was
done successfully, and the Elman network has the ability
to obtain strict convergence for a complicated set of data
in case of filtering of seismic data. Moreover, the method
is able to reproduce features that were not included in its
training set. In fact, based on the results of the ability of
generalization, the application of the ANN technique in a
same seismic exploration area produced reasonable
signal-to-noise ratio on data sets that were not learned.
Several tests were performed with synthetic data in
the presence of two kinds of noise (random and