Whiteness and non-gaussianity to blind déconvolution of noisy data : application to seismic data.
Blancheur et non-gaussianité pour la déconvolution aveugle de données brutiées : application aux signaux sismiques
Résumé
This thesis deals with the blind deconvolution of noisy data. We consider the case of seismic data. The inversion of the model need to select higher order statistics according to the distribution of the signals. To solve that, we use the assumptions of whiteness or of nongaussianity. We propose blind déconvolution algorithm in time domain and frequency domain. We measure whiteness by mutual information rate and nongaussianity with the negentropy. Afterwards, we study the sensitivity of the different algorithm with respect to a white Gaussian additive on the data. Theoretically and in practice on real and synthetic data, non-gaussianity appears as the method which provides the better trade off between déconvolution quality and noise amplification.
Nous nous intéressons à la déconvolution aveugle de signaux bruités et plus précisément de signaux d'imagerie sismique. Pour réaliser l'inversion, nous souhaitons effectuer une sélection des statistiques d'ordre supérieur adaptées à la distribution du signal à déconvoluer. Pour cela, nous nous appuyons sur l'hypothèse de blancheur ou de non-gaussianité. Nous proposons une approche avec le taux d'information mutuelle comme mesure de blancheur et une autre basée sur la non-gaussianité du signal de sortie mesurée par la néguentropie. Après le développement d'algorithmes dans le domaine temporel et fréquentiel, nous caractérisons l'influence sur les critères du bruit additif présent sur les données. Nous démontrons que l'hypothèse de non-gaussianité est plus robuste à la présence d'un bruit additif sur les données blanc et gaussien. Cette approche permet pour des données synthétiques et réelles un très bon compromis entre la qualité de la déconvolution et l'amplification du bruit.
Loading...