Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Attenuation of random noise in GPR data by image processing
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Geovetenskap och miljöteknik. Univ Tehran, Inst Geophys, Tehran, Iran.
Univ Tehran, Inst Geophys, Tehran, Iran.
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Geovetenskap och miljöteknik.ORCID-id: 0000-0002-5600-5375
Univ Tehran, Inst Geophys, Tehran, Iran.
Visa övriga samt affilieringar
2018 (Engelska)Ingår i: Arabian Journal of Geosciences, ISSN 1866-7511, E-ISSN 1866-7538, Vol. 11, nr 21, artikel-id 677Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Random noise in ground penetrating radar (GPR) data affects the signal-to-noise ratio, blurs the details, and complicates reconnaissance of the useful information. Many methods with different advantages and disadvantages have been proposed to eliminate or weaken the random noise. We have reviewed basic principles of various signal processing techniques including the curvelet transform (CT), non-local mean (NLM), median, and mean filters to remove the random noise and compared their performances using synthetic and actual GPR data. The performances of the four filters were analyzed on synthetic GPR data both in time and frequency domains. On noisy synthetic data, results indicate that the CT filter performs better than NLM, mean, and median filters at attenuating random noise and improving S/N of the GPR data. On the real data, the performance of only the NLM and CT filters was investigated. Comparing the results clearly shows the CT filter robustness for the random noise attenuation and simultaneously its signal preservation

Ort, förlag, år, upplaga, sidor
Heidelberg: Springer, 2018. Vol. 11, nr 21, artikel-id 677
Nyckelord [en]
Curvelet transform, GPR, Mean filter, Median filter, Non-local mean, Random noise
Nationell ämneskategori
Geofysik
Forskningsämne
Prospekteringsgeofysik
Identifikatorer
URN: urn:nbn:se:ltu:diva-71857DOI: 10.1007/s12517-018-4035-zISI: 000449698200008Scopus ID: 2-s2.0-85056234003OAI: oai:DiVA.org:ltu-71857DiVA, id: diva2:1267444
Anmärkning

Validerad;2018;Nivå 2;2018-12-03 (inah)

Tillgänglig från: 2018-12-03 Skapad: 2018-12-03 Senast uppdaterad: 2019-09-13Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Smirnov, Maxim

Sök vidare i DiVA

Av författaren/redaktören
Smirnov, Maxim
Av organisationen
Geovetenskap och miljöteknik
I samma tidskrift
Arabian Journal of Geosciences
Geofysik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 105 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf