CN110007347A - 一种深度学习地震资料去噪方法 - Google Patents

Abstract

本发明公开了一种深度学习地震资料去噪方法，为了克服传统浅层线性结构特征提取能力有限，现有基于深度学习的地震资料去噪模型存在收敛慢、训练时间长弱等问题。以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本去噪网络结构，提出了多功能去噪残差卷积自编码神经网络。本发明公开的地震资料去噪方法，在占用资源较少、快速收敛的同时，还能保持较高的去噪质量和去噪精度。

Description

一种深度学习地震资料去噪方法

技术领域

本发明涉及深度学习技术领域，具体涉及地震资料去噪中的一种深度学习地震资料去噪方法。

背景技术

地震资料噪声可分为相干噪声和随机噪声，相干噪声和有效波之间的差异特征比较明显，一般采用滤波的方法去除噪声，而随机噪声比较复杂，传统去除随机噪声常用的方法有：多项式拟合法、KL变换法、小波变换法。多项式拟合法只有在去掉相干噪声的基础上才有好的去噪结果；KL变换法当样本数不足时，矩阵的估计将变得不精确，变换的优势不能充分的显示出来，且无快速算法；小波变换法此方法忽略了每个像素自身的特点，去噪后地震数据会出现较为严重的模糊现象。

为了克服传统去噪模型的局限性，基于深度学习的非线性、深度的去噪模型被提出。其中基于自编码(Auto-encoder，AE)网络、卷积神经网络(Convolutional NeuralNetwork，CNN)、生成对抗网络(Generative Adversarial Networks，GAN)广泛应用于去噪领域。基于自编码网络的DCAENN，可以有效地去除叠前地震数据中的噪声，但只能去除已知的噪声，不具有泛化能力；基于残差卷积神经网络的DnCNN，利用残差学习和批量归一化来加速训练过程，DnCNN模型能够处理水平未知的高斯噪声，但不能去除种类未知的噪声；基于卷积神经网络去噪网络模型，可以去除方差未知的地震随机噪声，但只能除去训练集中出现的噪声；基于堆叠生成对抗网络的SGAN，该模型将估计图像分布分解为多个相对较容易的任务来处理数据，在图像去噪方面有较好的效果，但是网络不易训练，资源消耗大，去噪同时容易丢失特征数据。

发明内容

本发明公开了一种深度学习地震资料去噪方法，包括以下步骤：(1)制作训练集和测试集；(2)以残差块、BN层和自编码器组成的残差卷积自编码块为基本去噪网络结构，提出了去噪残差卷积自编码神经网络；(3)训练网络并初次保存网络的各个参数；(4)测试初次保存的网络若不符合去噪要求继续训练网络，若符合要求停止迭代，保存最终网络模型；(5)利用保存的最终网络模型去除地震资料噪声，输出去噪后的地震资料。本发明公开的地震资料去噪方法，在占用资源较少、快速收敛的同时，还能保持较高的去噪质量和去噪精度。

本发明所提供的技术方案为：一种深度学习地震资料去噪方法，其特征在于包括如下步骤：

步骤1、将预处理后的地震资料和对应含噪声的地震资料作为训练集和测试集，具体步骤如下：

(1)将地震资料预处理为m*m像素的单通道灰度数据；

(2)将预处理后的灰度数据加入噪声；

(3)将预处理后的灰度数据及其对应的加噪的地震资料作为一组数据，以预处理后的灰度数据作为标签，制作训练集和测试集；

步骤2、构建残差卷积自编码块，主结构由n+2层卷积层组成，恒等映射部分由卷积自编码结构组成，残差卷积自编码块输出为：

x_n+2＝f(x)+x_cae

x_cae为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经过n+2层卷积层输出的结果，n为大于1的正整数，其中，主结构第1层卷积核大小为1*1，激活函数为Swish；第2到第n+1层结构相同，均添加批归一化层，卷积核大小为3*3，激活函数为Relu；第n+2层添加批归一化层，卷积核大小为1*1，激活函数为Relu；

其中，Relu激活函数为：

Swish激活函数为：

式中β为x的缩放参数，β>0；

步骤3、网络结构由步骤2提出的残差卷积自编码块组成，共有(n+2)*a层，a为大于1的正整数，即有a个n+2层的残差卷积自编码块组成；

步骤4、将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中，采用误差反向传播，并以均方误差损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络，并以定量的峰值信噪比和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；

均方误差损失函数为：

式中，y_i为通过列队读入的标签数据，z_i为输出去噪后的数据，均方误差越小代表去噪后的数据与标签数据越接近，网络准确率越高；

峰值信噪比公式为：

其中M_MSE是原始不含噪声地震资料和处理后的地震资料之间的均方误差，PSNR数值越大表示失真越小；

步骤5、将步骤1预处理后的测试集，输入到步骤4优化训练好的网络模型中，并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果，若不符合去噪要求返回步骤4继续训练或调参后训练网络，若符合要求停止迭代，保存最终网络模型；

步骤6、利用保存的最终网络模型去除地震资料噪声，输出去噪后的地震资料。

本发明的有益效果是：

(1)网络收敛速度快，训练时间短；

(2)能保留地震资料细节特征，有较高的去噪质量和去噪精度。

(3)网络训练所占硬件资源较少；

附图说明

图1为本发明的流程图；

图2为本发明的残差卷积自编码块结构图；

图3为本发明的残差卷积自编码网络总体结构图；

图4为本发明与其它去噪网络峰值信噪比大小随时间变化的对比图。

图中符号说明如下：

x：表示输入；

f(x)：表示输出；

x_cae：表示输入x经过卷积自编码器提取的潜在特征值；

x_n+2：x_n+2＝f(x)+x_cae；

con：卷积层；

bn：批归一化层；

Encoder：表示编码层；

Maxpool：表示最大池化层；

Unpool：表示反池化层；

Decoder：表示解码层；

RCAE Block：表示残差卷积自编码块；

C Block：表示残差卷积块；

具体实施方式：

为了高效去除地震资料中的噪声，本文残差卷积自编码块，如图2所示，搭建了多功能去噪残差卷积自编码网络模型，如图3所示。参照图1，示出了本发明的流程图，包括如下步骤。

步骤1、训练集和数据集制作方法：

将预处理后的地震资料和对应含噪声的地震资料作为训练集和测试集，具体步骤如下：

(1)运用汤姆林森地球物理服务公司岩体识别挑战赛的地震数据集，将101*101像素的三通道地震资料预处理为100*100像素的单通道灰度地震资料；

(2)将预处理后的灰度地震资料加入噪声，其中，训练集和测试集加入加性Gaussian噪声；

(3)将预处理后的灰度数据及其对应的加噪的地震资料作为一组数据，以预处理后的灰度数据作为标签，制作训练集和测试集，并以TFRecords格式储存，其中20000张为训练集，2000张为测试集；

步骤2、构建残差卷积自编码块：

残差卷积自编码块，主结构由n+2层卷积层组成，恒等映射部分由卷积自编码结构组成，残差卷积自编码块输出为：

x_n+2＝f(x)+x_cae

本实例n取6，此时残差卷积自编码块输出为：

x₈＝f(x)+x_cae

x_cae为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经过8层卷积层输出的结果。其中，主结构第一层卷积核大小为1*1，激活函数为Swish；第2到第7层结构相同，均添加批归一化层，卷积核大小为3*3，激活函数为Relu；第三层卷积核大小为1*1，激活函数为Swish；恒等映射为4层卷积自编码网络；

其中，Relu激活函数为：

Swish激活函数为：

式中β为x的缩放参数，本实例β大小为1；

步骤3、网络结构由步骤2提出的残差卷积自编码块组成，共有(n+2)*a层，a为大于1的正整数，即有a个n+2层的残差卷积自编码块组成。本实例n取6，a取2，此时网络结构一共16层，即有2个8层的残差卷积自编码块组成；

步骤4、将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中，采用误差反向传播，并以均方误差损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络，并以定量的峰值信噪比和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；

均方误差损失函数为：

式中，y_i为通过列队读入的标签数据，z_i为输出去噪后的数据，均方误差越小代表去噪后的数据与标签数据越接近，网络准确率越高；

峰值信噪比公式为：

其中M_MSE是原始不含噪声地震资料和处理后的地震资料之间的均方误差，PSNR数值越大表示失真越小；

步骤5、网络模型测试：

将步骤1预处理后的测试集，输入到步骤3优化训练好的网络模型中，并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果，若不符合要求返回步骤3继续训练或调参后训练网络，若符合要求停止迭代，保存最终网络模型；

步骤6、网络模型去噪：

利用保存的最终网络模型去除地震资料噪声，输出去噪后的地震资料。

为了进一步说明本发明的优点，将实施例与对比例的去噪效果进行比较，定量采用峰值信噪比进行评价。图4为本发明与其它去噪网络峰值信噪比大小随时间变化对比图，图中看出本发明的去噪网络不仅收敛速度快，而且去噪效果也明显好于其它两者。

Claims (1)

1.一种深度学习地震资料去噪方法，其特征在于包括如下步骤：

步骤1、将预处理后的地震资料和对应含噪声的地震资料作为训练集和测试集，具体步骤如下：

(1)将地震资料预处理为m*m大小的单通道灰度数据；

(2)将预处理后的灰度数据加入噪声；

(3)将预处理后的灰度数据及其对应的加噪的地震资料作为一组数据，以预处理后的灰度数据作为标签，制作训练集和测试集；

步骤2、构建残差卷积自编码块，主结构由n+2层卷积层组成，恒等映射部分由卷积自编码结构组成，残差卷积自编码块输出为：

x_n+2＝f(x)+x_cae

x_cae为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经过n+2层卷积层输出的结果，n为大于1的正整数，其中，主结构第1层卷积核大小为1*1，激活函数为Swish；第2到第n+1层结构相同，均添加批归一化层，卷积核大小为3*3，激活函数为Relu；第n+2层添加批归一化层，卷积核大小为1*1，激活函数为Relu；

其中，Relu激活函数为：

Swish激活函数为：

式中β为x的缩放参数，β>0；

步骤3、网络结构由步骤2提出的残差卷积自编码块组成，共有(n+2)*a层，a为大于1的正整数，即有a个n+2层的残差卷积自编码块组成；

步骤4、将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中，采用误差反向传播，并以均方误差损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络，并以定量的峰值信噪比和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；

均方误差损失函数为：

式中，y_i为通过列队读入的标签数据，z_i为输出去噪后的数据，均方误差越小代表去噪后的数据与标签数据越接近，网络准确率越高；

峰值信噪比公式为：

其中M_MSE是原始不含噪声地震资料和处理后的地震资料之间的均方误差，PSNR数值越大表示失真越小；

步骤5、将步骤1预处理后的测试集，输入到步骤4优化训练好的网络模型中，并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果，若不符合去噪要求返回步骤4继续训练或调参后训练网络，若符合要求停止迭代，保存最终网络模型；

步骤6、利用保存的最终网络模型去除地震资料噪声，输出去噪后的地震资料。