Reverse time migration (RTM) can produce high-quality images of complex subsurface structures when using seismic data acquired by a reasonably dense data acquisition geometry. However, RTM produces significant image artifacts when using data from a sparse data acquisition geometry because of incomplete cancellation of migration “smiles.” These artifacts obscure migration images of actual geology, leading to possible misidentification of important geologic features of interest. A specularity filter based on the semblance equation is commonly used in the dip-angle angle-domain common image gather (ADCIG) to preserve signals while suppressing image artifacts. In dip-angle ADCIG, the signals are assumed to have higher semblance scores because they are horizontally more coherent than the artifacts. However, this assumption fails when the image artifacts are severe. We have developed a new approach to suppressing migration image artifacts using a support vector machine (SVM) method. We first develop multiple criteria to distinguish between the signals and artifacts in the dip-angle ADCIG, rather than using only the semblance criterion. We then calculate the weights using a supervised SVM method. The weights approach one for valid signal points, and approach zero for artifact points. Finally, we apply the weights to the dip-angle ADCIG to preserve the effective signals and suppress the image artifacts. We verify the effectiveness of our method, denoted as SVM filtering, using numerical tests on synthetic and field data to produce migration images with improved signal-to-noise ratios and reduced aliasing artifacts.

中文翻译：

---

使用支持向量机方法抑制迁移图像伪影

当使用通过相当密集的数据采集几何结构采集的地震数据时，逆时偏移（RTM）可以生成复杂地下结构的高质量图像。但是，当使用稀疏数据采集几何中的数据时，RTM会产生大量的图像伪影，因为迁移“微笑”没有完全消除。这些伪影掩盖了实际地质的迁移图像，从而可能导致对重要的重要地质特征的错误识别。基于相似度方程的镜面反射滤波器通常在倾角角域公共图像采集（ADCIG）中使用，以在抑制图像伪影的同时保留信号。在倾角ADCIG中，假定信号具有更高的相似度得分，因为它们在水平方向上比伪像更连贯。然而，当图像伪影很严重时，此假设将失败。我们已经开发出一种使用支持​​向量机（SVM）方法抑制迁移图像伪影的新方法。我们首先开发多种判据，以区分倾角ADCIG中的信号和伪像，而不是仅使用相似判据。然后，我们使用监督的SVM方法计算权重。对于有效信号点，权重接近1，对于伪像点，权重接近零。最后，我们将权重应用于倾角ADCIG，以保留有效信号并抑制图像伪像。我们使用合成和现场数据的数值测试来验证我们的方法（称为SVM滤波）的有效性，以产生具有改进的信噪比和减少的混叠伪影的迁移图像。我们已经开发出一种使用支持​​向量机（SVM）方法抑制迁移图像伪影的新方法。我们首先开发多种判据，以区分倾角ADCIG中的信号和伪像，而不是仅使用相似判据。然后，我们使用监督的SVM方法计算权重。对于有效信号点，权重接近1，对于伪像点，权重接近零。最后，我们将权重应用于倾角ADCIG，以保留有效信号并抑制图像伪像。我们使用合成和现场数据的数值测试来验证我们的方法（称为SVM滤波）的有效性，以产生具有改进的信噪比和减少的混叠伪影的迁移图像。我们已经开发出一种使用支持​​向量机（SVM）方法抑制迁移图像伪影的新方法。我们首先开发多种判据，以区分倾角ADCIG中的信号和伪像，而不是仅使用相似判据。然后，我们使用监督的SVM方法计算权重。对于有效信号点，权重接近1，对于伪像点，权重接近零。最后，我们将权重应用于倾角ADCIG，以保留有效信号并抑制图像伪像。我们使用合成和现场数据的数值测试来验证我们的方法（称为SVM滤波）的有效性，以产生具有改善的信噪比和减少的混叠伪影的迁移图像。我们首先开发多种判据，以区分倾角ADCIG中的信号和伪像，而不是仅使用相似判据。然后，我们使用监督的SVM方法计算权重。对于有效信号点，权重接近1，对于伪像点，权重接近零。最后，我们将权重应用于倾角ADCIG，以保留有效信号并抑制图像伪像。我们使用合成和现场数据的数值测试来验证我们的方法（称为SVM滤波）的有效性，以产生具有改善的信噪比和减少的混叠伪影的迁移图像。我们首先开发多种判据，以区分倾角ADCIG中的信号和伪像，而不是仅使用相似判据。然后，我们使用监督的SVM方法计算权重。对于有效信号点，权重接近1，对于伪像点，权重接近零。最后，我们将权重应用于倾角ADCIG，以保留有效信号并抑制图像伪像。我们使用合成和现场数据的数值测试来验证我们的方法（称为SVM滤波）的有效性，以产生具有改进的信噪比和减少的混叠伪影的迁移图像。对于有效信号点，权重接近1，对于伪像点，权重接近零。最后，我们将权重应用于倾角ADCIG，以保留有效信号并抑制图像伪像。我们使用合成和现场数据的数值测试来验证我们的方法（称为SVM滤波）的有效性，以产生具有改进的信噪比和减少的混叠伪影的迁移图像。对于有效信号点，权重接近1，对于伪像点，权重接近零。最后，我们将权重应用于倾角ADCIG，以保留有效信号并抑制图像伪像。我们使用合成和现场数据的数值测试来验证我们的方法（称为SVM滤波）的有效性，以产生具有改进的信噪比和减少的混叠伪影的迁移图像。