Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique

Applications

Déconvolution

Bernard Giroux

École Polytechnique de Montréal

GML6205 – Hiver 2007

Introduction
Hypothèses

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique

Applications

Introduction
 Objectif de la déconvolution
Introduction
Hypothèses La déconvolution peut comprimer l’ondelette contenue
Modèle convolutif
dans un enregistrement, réduire les réverbérations et les
Déconvolution
déterministe multiples ;
Déconvolution
statistique
La déconvolution augmente donc la résolution temporelle
Applications
et donne une représentation du modèle de réflectivité.

avant après
 Hypothèses sous-jacentes
Introduction
Hypothèses

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique Le sous-sol est constitué de couches horizontales de vitesse
Applications constante ;
La source génère une onde P qui se propage verticalement,
ce qui implique :
incidence normale aux réflecteurs ;
pas d’ondes S ;
L’ondelette source ne change pas de forme en se
propageant (w(t) est stationnaire) ;
La réflectivité est un processus aléatoire.
Introduction

Modèle convolutif
L’opérateur de
convolution
L’opérateur
d’intercorrélation
Propriétés du
sismogramme

Déconvolution
déterministe

Déconvolution
statistique

Applications
Modèle convolutif
 Le sismograme
Introduction

Modèle convolutif
L’opérateur de
convolution
L’opérateur On peut considérer un enregistrement sismique x(t) comme la
d’intercorrélation
Propriétés du sortie d’une série de filtres linéaires en cascade, chacun
sismogramme

Déconvolution
considéré invariant dans le temps. Un modèle simple :
déterministe

Déconvolution
statistique
x(t) = w(t) ∗ e(t) + n(t), (1)
Applications
où
w(t) est l’ondelette sismique ;
e(t) est la réponse impulsionnelle du sol incluant le modèle
de réflectivité et l’atténuation ;
∗ est l’opérateur de convolution ;
n(t) est le bruit.
L’idée générale de la déconvolution est de récupérer e(t).
 Le sismograme
Introduction

Modèle convolutif 1.0

L’opérateur de
convolution 0.5

w(t)
L’opérateur
d’intercorrélation 0.0
Propriétés du
sismogramme
-0.5
Déconvolution
déterministe -1.0
Déconvolution 1.0
statistique
0.5
Applications
e(t)

0.0

-0.5

-1.0
1.0

0.5
x(t)

0.0

-0.5

-1.0
0.0 0.2 0.4 0.6 0.8 1.0

Temps [s]
 Le sismograme
Introduction

Modèle convolutif Notons que l’ondelette sismique peut également être vue
L’opérateur de
convolution comme la sortie d’une série de filtres, qui peuvent varier d’une
L’opérateur
d’intercorrélation
trace à l’autre :
Propriétés du
sismogramme

Déconvolution
w(t) = ws (t) ∗ wsg (t) ∗ wr (t) ∗ wrg (t) ∗ wi (t), (2)
déterministe

Déconvolution
statistique
où
Applications ws (t) est le signal à la source ;
wsg (t) est un fantôme de la source (réflexion en surface) ;
wr (t) est la réponse du géophone ;
wrg (t) est un fantôme du géophone ;
wi (t) et la réponse du système d’acquisition.

wsg(t) wrg(t)

wrg(t)
wr(t)
ws(t) wr(t)
 L’opérateur de convolution
Introduction

Modèle convolutif
L’opérateur de
convolution
L’opérateur
d’intercorrélation
Propriétés du
sismogramme
Soient deux signaux réels discrets a et b :
Déconvolution
déterministe
a contient m coefficients ;
Déconvolution b contient n coefficients ;
statistique

Applications La coefficients de la convolution c(t) = a(t) ∗ b(t) sont

n
ck = ∑ ak−j bj , k = 0, 1, 2, . . . , m + n − 1. (3)
j=0

La convolution est entre autre commutative, associative et

distributive.
 L’opérateur d’intercorrélation
Introduction

Modèle convolutif
L’opérateur de
convolution
L’opérateur
d’intercorrélation
Soient deux signaux réels discrets a et b :
Propriétés du
sismogramme a contient m coefficients ;
Déconvolution
déterministe
b contient n coefficients ;
Déconvolution La coefficients de l’intercorrélation c(t) = a(t) ? b(t) sont
statistique

Applications n
ck = ∑ aj bk+j , k = 0, 1, 2, . . . , m. (4)
j=0

L’intercorrélation n’est pas commutative ;

La relation entre convolution et intercorrélation :

a(t) ? b(t) = a(−t) ∗ b(t). (5)

 Propriétés du sismogramme
Introduction

Modèle convolutif
L’opérateur de
convolution
L’opérateur En l’absence de bruit, la transformée de Fourier de
d’intercorrélation
Propriétés du l’équation (1) est
sismogramme

Déconvolution
déterministe X ( ω ) = W ( ω )E( ω ),
Déconvolution
statistique
où les transformées s’écrivent individuellement
Applications

X(ω ) = Ax (ω ) exp[iφx (ω )]
W (ω ) = Aw (ω ) exp[iφw (ω )]
E(ω ) = Ae (ω ) exp[iφe (ω )]

et où A(ω ) est le spectre d’amplitude et φ(ω ) est le spectre

de phase.
 Propriétés du sismogramme
Introduction

Modèle convolutif
L’opérateur de
convolution
L’opérateur
En se basant sur l’hypothèse que le modèle de réflectivité
d’intercorrélation
Propriétés du
est un processus aléatoire, on peut dire que son spectre est
sismogramme
plat, i.e.
Déconvolution
déterministe Ae (ω ) = A0 = constante.
Déconvolution
statistique Nous avons ainsi que le spectre d’amplitude de la trace
Applications devient
Ax ( ω ) = A0 Aw ( ω ) .
Par ailleurs, une série temporelle aléatoire est une série non
corrélée, i.e. l’autocorrélation de e(t) est

re (τ ) = 0, τ 6= 0

et
re (0) = r0 = constante.
 Propriétés du sismogramme
Introduction

Modèle convolutif
L’opérateur de
convolution
L’opérateur
d’intercorrélation
Propriétés du
Or, on peut montrer que
sismogramme

Déconvolution
déterministe
rx = rw ∗ re ,
Déconvolution
statistique ce qui nous donne, dans le cas d’un modèle de réflectivité
Applications
aléatoire
rx = r0 rw .
Ainsi l’autocorrélation d’une trace sismique est
simplement l’autocorrélation de l’ondelette source mise à
l’échelle par r0 .
Ceci nous permet d’utiliser rx à la place de rw si l’ondelette
source est inconnue.
Introduction

Modèle convolutif

Déconvolution
déterministe
Déconvolution
déterministe
Filtre inverse par
moindres carrés
Types d’ondelettes

Déconvolution
statistique

Applications
Déconvolution déterministe
 Déconvolution déterministe
Introduction

Modèle convolutif

Déconvolution
déterministe
Déconvolution
déterministe
Filtre inverse par
moindres carrés
Types d’ondelettes
Partant du modèle x(t) = w(t) ∗ e(t) + n(t), si l’on
Déconvolution
statistique pose que le bruit n(t) est négligeable ;
Applications connaît l’ondelette sismique w(t),
alors, il y a une seule inconnue au système : e(t), et la
solution est dite déterministe.
Si w(t) n’est pas connu (le cas le plus fréquent), la solution
est dite statistique.
 Déconvolution déterministe
Introduction

Modèle convolutif

Déconvolution Définissons un filtre f (t) tel que

déterministe
Déconvolution
déterministe e(t) = f (t) ∗ x(t), (6)
Filtre inverse par
moindres carrés
Types d’ondelettes
et insérons (6) dans (1) :
Déconvolution
statistique

Applications x(t) = w(t) ∗ f (t) ∗ x(t).

En éliminant x(t) (qui est un processus aléatoire), on trouve

1
δ(t) = w(t) ∗ f (t) ←→ f (t) = δ(t) ∗ , (7)
w(t)

où δ(t) est la fonction Kronecker.

On appelle f (t) le filtre inverse, car il est l’inverse de
l’ondelette source.
 Déconvolution déterministe
Introduction

Modèle convolutif

Déconvolution
déterministe
Déconvolution
Pour trouver f (t), on peut travailler avec la transformée en Z.
déterministe
Filtre inverse par
moindres carrés
Soit une ondelette à deux coefficients w(t) : (1, − 12 ). La T.Z.
Types d’ondelettes de cette ondelette est
Déconvolution
statistique 1
Applications W (z) = 1 − z.
2
Grâce aux propriétés de la T.Z., on a

1 1 1 1
F(z) = = 1
= 1 + z + z2 + · · ·
W (z) 1 − 2z 2 4

Le filtre f (t) a un nombre infini de coefficients qui

décroissent rapidement : on peut tronquer la série.
 Déconvolution déterministe
Introduction

Modèle convolutif

Déconvolution
déterministe
Déconvolution
déterministe
Filtre inverse par
moindres carrés
Types d’ondelettes
Si les coefficients de l’ondelette sont w(t) : (− 12 , 1), la T.Z.
Déconvolution
statistique de son inverse est
Applications
1 1
F(z) = = 1 = −2 − 4z − 8z2 + · · ·
W (z) −2 + z

En tronquant cette série, la solution se détériore car les

coefficients augmentent en fonction de t.
 Filtre inverse par moindres carrés
Introduction

Modèle convolutif

Déconvolution
déterministe Problème : étant donnée une ondelette w(t) : (1, − 12 ), trouver
Déconvolution
déterministe un filtre f (t) : (a, b) tel que l’erreur entre sa sortie et le signal
Filtre inverse par
moindres carrés désiré (1, 0, 0) est minimum au sens des moindres carrés.
Types d’ondelettes

Déconvolution En convoluant w(t) avec f (t), on obtient (a, b − 2a , − 2b ) ;

statistique

Applications La somme des erreurs au carré est

b 2
 
 a 2
L = (a − 1)2 + b − + −
2 2
∂L ∂L
Pour trouver les coefficients : ∂a = 0 et ∂b = 0, et on a un
système à 2 équations ;
On trouve a = 0.95 et b = 0.38, ce qui donne un signal de
sortie (0.95, −0.09, −0.19), avec un erreur de 0.048.
 Filtre inverse par moindres carrés
Introduction

Modèle convolutif

Déconvolution
déterministe
Déconvolution

Si l’ondelette w(t) a pour coefficients (− 21 , 1)

déterministe
Filtre inverse par
moindres carrés
Types d’ondelettes Les coefficients du filtre sont (−0.95, −0.19) ;
Déconvolution
statistique La sortie est (0.24, −0.38, −0.19) ;
Applications
L’erreur vaut 0.762 !
Observation déduite de l’étude de plusieurs signaux :
L’erreur réduit si la sortie désirée a une distribution
d’énergie similaire au signal d’entrée ;
La solution est stable si l’ondelette est de type phase
minimale.
 Types d’ondelettes
Introduction

Modèle convolutif

Déconvolution
déterministe
Déconvolution
déterministe
Filtre inverse par phase
moindres carrés
Types d’ondelettes minimale
Déconvolution
statistique

Applications

phase mixte

phase
maximale

Les trois ondelettes ont le même spectre d’amplitude et la

même autocorrélation.
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique
Filtre de Weiner
Spiking Deconvolution
Déconvolution Prédictive
Domaine des fréquences

Applications
Déconvolution statistique
 Filtre de Weiner - Définition
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique
Filtre de Weiner
Spiking Deconvolution
Le filtre de Weiner permet de convertir un signal d’entrée
Déconvolution Prédictive
Domaine des fréquences
en un signal de sortie ayant une forme choisie ;
Applications Soit le signal de sortie voulu d(t), et y(t) le signal de sortie
effectif, le filtre est obtenu en minimisant l’erreur

L= ∑(dt − yt )2 ,
t

i.e. le filtre est optimal au sens des moindres-carrés.

 Filtre de Weiner - Définition
Introduction

Modèle convolutif Le filtre de Weiner a de longueur n est obtenu en solutionnant

Déconvolution
déterministe
    
r0 r1 r2 · · · rn−1 a0 g0
Déconvolution
statistique  r1
 r0 r1 · · · rn−2 
  a1   g1 
   
Filtre de Weiner
Spiking Deconvolution
 r2
 r1 r0 · · · rn−3   a2  =  g2 
   
 (8)
Déconvolution Prédictive  .. .. .. .. ..   ..   .. 
Domaine des fréquences  . . . . .  .   . 
Applications
rn − 1 rn − 2 rn − 3 ··· r0 an−1 gn−1

les coefficients ri sont l’autocorrélation de l’ondelette w(t) ;

les coefficients gi sont l’intercorrélation entre la sortie
désirée et l’ondelette w(t).
Notes :
La matrice d’autocorrélation est symétrique (matrice de
Toeplitz, solution rapide) ;
On ajoute un bruit blanc pour stabiliser la solution
(diagonale multipliée par β = 1 + e, e étant le bruit) ;
 Filtre de Weiner
Introduction

Modèle convolutif Si la sortie désirée est (1, 0, . . . , 0), il est équivalent au filtre
Déconvolution inverse ;
déterministe

Déconvolution
La sortie désirée peut avoir une forme arbitraire.
statistique
Filtre de Weiner
Spiking Deconvolution
Déconvolution Prédictive
Domaine des fréquences

Applications
 Spiking Deconvolution
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique
Filtre de Weiner
Lorsque l’ondelette source w(t) n’est pas connue :
Spiking Deconvolution
Déconvolution Prédictive
Partant de l’hypothèse de la nature aléatoire de la
Domaine des fréquences réflectivité, l’autocorélation de w(t) est égale à l’autocorrélation
Applications
de la trace x(t) ;
On construit alors la matrice d’autocorrélation à partir du
signal mesuré x(t) ;
Le signale de sortie désiré étant (1, 0, 0, . . . , 0), le vecteur g
vaut alors (x0 , 0, 0, . . . , 0) ;
Le système (8) est mis à l’échelle par 1/x0 et solutionné.
 Spiking Deconvolution
Introduction

Modèle convolutif
Déterministe (c) vs statistique (d)
Déconvolution
déterministe

Déconvolution
statistique
Filtre de Weiner
Spiking Deconvolution
Déconvolution Prédictive
Domaine des fréquences

Applications
 Déconvolution Prédictive
Introduction

Modèle convolutif Il est possible de choisir les coefficients du vecteur g pour

Déconvolution prédire la trace à un temps ultérieur, x(t + α), à partir de
déterministe

Déconvolution
l’information connue ;
statistique
Filtre de Weiner
La fonction d’intercorrélation g devient
Spiking Deconvolution
Déconvolution Prédictive
Domaine des fréquences
gτ = ∑ dt xt−τ = ∑ xt+α xt−τ = ∑ xt xt−(α−τ) = rα+τ .
Applications
t t t

Si le filtre est de longueur n et le délai α, le système devient

    
r0 r1 r2 · · · rn−1 a0 rα
 r1
 r0 r1 · · · rn−2 
  a1   rα+1 
   
 r2
 r1 r0 · · · rn−3   a2  =  rα+2 
   
 (9)
 .. .. .. . . ..   ..   .. 
 . . . . .  .   . 
rn − 1 rn−2 rn−3 ··· r0 an−1 rα +n−1

Note : puisque α + n − 1 > n, on doit ajouter des 0 au

vecteur (x0 , x1 , . . . , xn ) pour calculer les coefficients de
droite.
 Déconvolution Prédictive
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique
Filtre de Weiner
Spiking Deconvolution
Déconvolution Prédictive
Domaine des fréquences
L’effet du filtre est de supprimer (réduire) les multiples
Applications
survenant après α ;
La longueur du filtre n doit être assez longue pour contenir
la première ondelette.
 Déconvolution Prédictive
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique
Filtre de Weiner
Spiking Deconvolution
Déconvolution Prédictive
Domaine des fréquences

Applications
 Déconvolution Prédictive
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique
Filtre de Weiner
a Modèle de réflectivité ;
Spiking Deconvolution
Déconvolution Prédictive b Réponse impulsionnelle ;
Domaine des fréquences

Applications
c Sismogramme ;
d Déconvolution prédictive ;
e Spiking deconvolution de (e) ;
f Déconvolution de (c) avec n = 52 et α = 2 ;
g
Déconvolution de (c) avec n = 172 et α = 2 ;
h Déconvolution de (c) avec n = 120 et α = 52 ;
 Décon dans le domaine des fréquences
Introduction

Modèle convolutif

Déconvolution
déterministe
Dans le domaine des fréquences, l’équation (7) est
Déconvolution
statistique
Filtre de Weiner 1
Spiking Deconvolution F( ω ) = . (10)
Déconvolution Prédictive W (ω )
Domaine des fréquences

Applications
Or, W (ω ) est inconnu.
Partant de l’autocorrélation de x(t), on a

Rw (ω ) = W (ω )W (ω ) ≡ X(ω )X(ω ), (11)

avec W (ω ) le conjugué complexe de la T.F. de w(t).

Introduisons
U (ω ) = ln[Rw (ω )],
et φ(ω ) qui est pour l’instant indéterminé.
 Décon dans le domaine des fréquences
Introduction

Modèle convolutif
Sachant que Rw (ω ) = exp[U (ω )], on peut écrire
Déconvolution
déterministe
   
Déconvolution 1 1
statistique Rw (ω ) = exp [U (ω ) + iφ(ω )] exp [U (ω ) − iφ(ω )] .
Filtre de Weiner 2 2
Spiking Deconvolution
Déconvolution Prédictive
(12)
Domaine des fréquences

Applications
En comparant (11) et (12), on voit que
 
1
W (ω ) = exp [U (ω ) + iφ(ω )] . (13)
2

On connaît U (ω ), et on peut montrer que φ(ω ) est obtenu

par la transformée de Hilbert de U (ω ) (pour u(t) causal).
W (ω ) peut être écrit en termes d’amplitude et de phase

W (ω ) = A(ω ) exp[iφ(ω )].

 Décon dans le domaine des fréquences
Introduction

Modèle convolutif x(t)

Déconvolution
déterministe
x(t) H x(t)
Déconvolution
statistique
Filtre de Weiner
Spiking Deconvolution
Le filtre transformée de Fourier -> Rw(ω)
Déconvolution Prédictive F(ω ) = Af (ω ) exp[iφf (ω )] est
Domaine des fréquences
on prend le log -> U(ω)
Applications Af (ω ) = A(1ω ) ;
φf (ω ) = φ(ω ). transformée inverse de Fourier
On stabilise le filtre (au détriment
de la résolution) en ajoutant un transformée de Hilbert

bruit e au spectre d’amplitude

transformée de Fourier -> U+(ω)
1
Af ( ω ) = . on prend l'exponentielle -> W(ω)
A( ω ) + e
on prend l'inverse -> F(ω)

transformée inverse de Fourier -> f(t)

Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique

Applications
Corrélation vibrosismique

Applications
 Corrélation vibrosismique
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique Lorsque la source est un camion vibro, le signal source
Applications n’est pas une impulsion mais un balayage (sweep) :
Corrélation vibrosismique
 
df
s(t) = A(t) sin 2πt(f0 + t) + θ0 , (14)
dt

où df /dt =cte dans le cas d’un sweep linéaire.

Le balayage est généralement long (8–18 s).
On pourrait appliquer la déconvolution (déterministe),
mais pour des raisons historiques, → corrélation
vibrosismique.
 Corrélation vibrosismique
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique Le modèle convolutif est le suivant :
Applications
Corrélation vibrosismique
x(t) = s(t) ∗ w(t) ∗ e(t); (15)

où
x(t) est le signal mesuré ;
s(t) est le sweep ;
w(t) représente ici l’effet de la propagation (atténuation) et
la réponse instrumentale ;
e(t) est le modèle de réflectivité.
 Corrélation vibrosismique
Introduction

Modèle convolutif

Déconvolution
déterministe
En intercorrélant le signal mesuré avec le sweep, on a
Déconvolution
statistique x(t) ? s(t) = [s(t) ∗ w(t) ∗ e(t)] ? s(t),
Applications
Corrélation vibrosismique
ou bien
x0 (t ) = k (t ) ∗ w (t ) ∗ e (t )
avec
k(t) l’autocorrélation de s(t) ;
x0 (t) nommé la «trace corrélée».
k(t) est de phase nulle, et k(t) ∗ w(t) est de phase mixte,
alors spiking deconvolution sur x0 (t) n’est pas stable ;
il est possible de rendre k(t) phase minimale, mais
généralement on obtient des résultats satisfaisants sans
l’exécuter.
 Corrélation vibrosismique
Introduction

Modèle convolutif

Déconvolution
déterministe
x(t) s(t)
Déconvolution
statistique

Applications corrélation croisée calcul de k(t)

Corrélation vibrosismique

trace corrélée x'(t) calcul du spectre

de puissance

spiking calcul du spectre minimum-phase,

deconvolution lissage du spectre à 1,
transformation inverse vers t

*
 Corrélation vibrosismique
Introduction

Modèle convolutif

Déconvolution
déterministe

Déconvolution
statistique

Applications
Corrélation vibrosismique
 Corrélation vibrosismique
Introduction

Modèle convolutif

Déconvolution
a Réponse impulsionnelle ;
déterministe

Déconvolution
b Sweep vibroseis de 10-120 Hz ;
statistique

Applications
c Convolution de (a) et (b) ;
Corrélation vibrosismique d Ondelette source de phase minimum ;
e Convolution de (d) et (c) ;
f Intercorrélation de (b) et (e) ;
g
Ondelette de Klauder ;
h Équivalent de (g) de phase minimum ;
i Opérateur de conversion pour passer de (g) à (h) ;
j
Opérateur (i) appliqué à (f) ;
k Spiking deconvolution de (f) ;
l Spiking deconvolution de (j) ;
m Signal (a) filtré 10-120Hz.