CN110580682A - 一种基于优化生成对抗网络地震数据超分辨率重建方法 - Google Patents
一种基于优化生成对抗网络地震数据超分辨率重建方法 Download PDFInfo
- Publication number
- CN110580682A CN110580682A CN201910870982.2A CN201910870982A CN110580682A CN 110580682 A CN110580682 A CN 110580682A CN 201910870982 A CN201910870982 A CN 201910870982A CN 110580682 A CN110580682 A CN 110580682A
- Authority
- CN
- China
- Prior art keywords
- network
- seismic data
- super
- seismic
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000004913 activation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 abstract description 19
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 24
- 238000009826 distribution Methods 0.000 description 21
- 238000012549 training Methods 0.000 description 21
- 230000006872 improvement Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 239000003921 oil Substances 0.000 description 5
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于优化生成对抗网络地震数据超分辨率重建方法,应用于地震勘探数据处理领域,针对现有技术存在的没有很好的利用地震道之间波形特征复杂的关系、计算复杂、在变换重构的过程中需要进行近似计算的问题;本发明提出一种优化的生成对抗网络,并将其应用于地震数据的超分辨率重建,能够很好地保持了地震波形的复杂特征,得到了高保真度、高分辨率的地震数据,且空间假频得到有效压制,实现了地震数据的超分辨率重建。
Description
技术领域
本发明属于地震勘探数据处理领域,特别涉及一种地震数据超分辨率重建技术。
背景技术
随着油气勘探程度的提高和力度加大,新油气藏的发现对地震资料的空间和时间分辨率提出了更高的要求。当今国际原油价格长期处于低位。为了提高地震勘探效率和降低成本,地震数据道内插是获得具有空间高分辨率地震数据的一种有效、且重要的手段。
Larner(1981)提出地震道内插技术以后,许多地球物理学专家、学者对地震道内插算法进行了研究。如Cabrera(1984)提出波分解内插,Joshua Ronen(1987)提出波动方程插值法,Spitz(1991)提出F—X域内插。同年,Claearbout提出T-X域预测误差滤波插值,Verschuur提出趋势样条插值方法。20世纪90年代中期以后是插值研究活跃的年代,很多人在前人的基础上做了尝试和改进。李国发(1995)提出F-X域F-K域联合内插,Porsani(1999)在Sptiz基础上提出半步长预测滤波插值,Gulunay(1996)提出抗假频道内插,并于2003年提出GFKI内插。地震道内插算法不断丰富与发展,小波变换插值、LI范数及最小范数实现内插、波场插值、非线性插值、滤波插值、Mostafa(2012)等实现了F-K域地震道插值,且同时压制噪声。Kragh(2015)等实现了零偏移地震道插值。Liu(2017)等提出了基于seislet变换对的地震道插值。Liu(2018)等使用频率域复杂非平稳自回归的方法实现了地震道插值。Liao(2019)实现了基于张量的地震道插值。这一系列地震道内插方法的提出,使得地震勘探数据的横向分辨率有了很大的提升。
上述插值方法中都有其局限性。F-X域内插无需地震同相轴先验信息,对随机噪声敏感,插值后的波形较为自然,但计算量大,对信噪比低的数据不易求取内插因子。F-K变换是使用较多也是研究较多的方法,其运算简单、插值效率高,插值波形自然,但仅适用于规则采样、信噪比高的数据,且对于混有直达波、面波、多次波等复杂信号亦不能正确内插。T-X域预测误差滤波插值利用二维预测误差滤波器进行插值,能插出比较准确的地震道,但运算量特别大,且对信噪比低的数据极易失败。因此运用这些方法实现的地震数据超分辨率重建效果仍有较大的提升空间。
超分辨率是图像领域一个经典的问题。Yang(2010)等提出基于稀疏表征的图像超分辨率算法。Dong(2016)利用卷积神经网络实现了图像超分辨率重建。Ledig(2016)将生成对抗网络引入到图像超分辨率重建过程中,实现基于生成对抗网络的图像超分辨率方法,实验结果证实该方法能够得到了效果良好的图像超分辨率重构结果。Wang(2018)等深入研究了SRGAN网络体系结构的两个关键组成部分:对抗损失和感知损失,并对其中的每一个进行了改进,得到了一个增强的SRGAN(Enhanced Super-Resolution GenerativeAdversarial Networks,ESRGAN)。特别地,Wang将残差密集块中的残差作为基本的网络构建单元而不进行批量归一化,让判别网络预测相对真实性而不是绝对值。最后,利用激活前的特征改善感知损失,为亮度一致性和纹理恢复提供更强的监控。基于这些改进,使得处理后的图像在自然纹理上获得了更好的视觉质量。
在深度学习领域,生成对抗网络可以很好的模拟复杂函数关系,且具有强大的数据生成能力。因此为了解决地震道插值过程中存在的保幅问题,本发明首先考虑地震记录道之间波形特征复杂的内在关联关系,设计优化的生成对抗网络架构;然后以已知的高分辨地震数据为训练样本,训练优化的生成对抗网络;最后运用训练后的网络对含有空间假频的低分辨率地震数据进行内插,实验表明该方法可以得到高保真度、高分辨率的地震数据,且空间假频得到有效压制。
随着GPU芯片处理性能的巨大提升,以及数据爆炸性的增长,深度学习得到了快速的发展。在深度学习中,无监督学习、半监督学习、监督学习类方法均得到了广泛的研究和应用。在无监督学习领域中生成式模型占有很重要的作用。它可以在没有目标类标签信息的情况下捕捉数据的高阶相关性,进而刻画出样本数据的分布特征,生成与训练样本相似的新数据。常见的生成模型有自变分编码器(Variational Autoencoder)VAE、生成式随机网络(generative stochastic networks)GSNs、(Non-linear Independent ComponentsEstimation)NICE、(real-valued non-volume preserving)Real NVE、深度玻尔兹曼机。常见的生成模型存在很多限制,如:Real NVE与NICE对输入潜在变量的限制、深度玻尔兹曼机需要重复使用马尔科夫链、VAE需要变分下界等问题。生成对抗网络(GenerativeAdversarial Network,GAN)解决了这些问题。与VAE相比,GANs没有引入决定性偏置,且不仅仅优化数似然的下届,而是似然度本身,使得GANs生成的实例更真实、清晰。相比于具有非线性特性的NICE,Real NVE,GAN不要求生成器输入的潜在变量有任何特定的维度或者要求生成器是可逆的。相比玻尔兹曼机和GSN,GAN生成实例的过程只需要模型运行一次,而不是以马尔科夫链的形式迭代多次。
但是现有技术仍旧存在以下技术问题:
(1)没有很好的利用地震道之间波形特征复杂的关系;
(2)传统方法都是基于较为复杂的数学变换或波场重构理论,计算较为复杂;
(3)在变换重构的过程中需要进行近似计算。
发明内容
为了解决上述技术问题,本发明针对地震数据特点,提出了适用于地震数据内插的优化生成对抗网络架构,将优化的生成对抗网络架构应用于地震数据的超分辨率重建。
本发明采用的技术方案为:一种基于优化生成对抗网络地震数据超分辨率重建方法,采用优化生成的对抗网络进行地震数据的超分辨率重建,所述优化生成的对抗网络具体为:将残差网络应用于生成对抗网络中的生成网络部分。
进一步地,所述生成网络中卷积层后依次为BN层与激活层。
更进一步地,所述激活层具体为:采用PReLU激活函数替代Sigmoid激活函数。
进一步地,所述优化生成对抗网络还包括改进的判别网络,所述改进的判别网络包括八个卷积层,且卷积核数量以二倍因子增加。
更进一步地,所述改进的判别网络中卷积层后依次为BN层与激活层。
进一步地,所述激活层具体为:选择LeakyReLU作为激活函数。
进一步地,使用Wasserstein损失加梯度惩罚项作为损失函数。
本发明的有益效果:本发明的方法在地震道超分辨率重建的过程中很好地保持了地震波形的复杂特征,得到了高保真度、高分辨率的地震数据,且空间假频得到有效压制,实现了地震数据的超分辨率重建,本发明的方案可以作为获得高密度地震勘探数据的一种有效选择,能大幅度地降低地震勘探数据采集的成本。
附图说明
图1为现有技术中的生成对抗网络架构;
图2为现有技术中的生成对抗网络中的判别网络架构;
图3为本发明实施例提供的优化的生成网络架构;
图4为本发明实施例提供的原始高分辨率地震数据;
图5为本发明实施例提供的低分辨率地震数据;
图6为本发明实施例提供的OGAN生成的高分辨率地震数据;
图7为本发明实施例提供的地震数据的残差;
图8为本发明实施例提供的原始高分辨的地震数据;
图9为本发明实施例提供的低分辨率地震数据;
图10为本发明实施例提供的OGAN生成的高分辨率地震数据;
图11为本发明实施例提供的通过f-x域插值得到的结果;
图12为本发明实施例提供的不同重建方法获得的插值地震波形对比;
图13为本发明实施例提供的地震数据的频率-波数谱图;
其中,图13(a)为图8所示的原始数据,图13(b)为本发明的方法,图13(c)为f-k方法;
图14为本发明实施例提供的将原始高分辨率地震数据加入随机噪声后得到的地震数据;
图15为本发明实施例提供的OGAN生成的高分辨率地震数据。
具体实施方式
为了便于理解本发明的技术内容,以下对现有的对抗网络技术进行介绍:
Good fellow(2014)提出生成对抗网络GAN。GAN的核心思想来源于博弈论的纳什均衡。它设定参与游戏双方分别为一个生成器(Generator)和一个判别器(Discriminator),生成器的目的是尽量去学习真实的数据分布,而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器;在训练过程中生成器与判别器彼此迭代优化,进而各自提高自己的生成能力和判别能力,这个学习优化过程的本质是生成器与判别器之间的一个纳什均衡。GAN的结构如图1所示,网络由生成器与判别器组成。在网络构建中任意可微分的函数都可以用来表示GAN的生成器和判别器。用可微分函数D和G来分别表示判别器和生成器,它们的输入分别为真实数据x和随机变量z(这里的输入z是服从高斯随机分布之类的简单分布的噪声)。G(z)则为由噪声通过生成器G生成的尽量服从真实数据分布Pdata的样本。如果判别器的输入来自真实数据,判别器的输出为1;反之,判别器的输出为0。判别网络D的目的是判别输入的数据是真(来源于真实数据x的分布)或假(来源于生成器的生成的数据G(z)。判别器D和生成器G的优化过程是如方程(1)所示的一个“二元极小极大博弈(minimax two-player game)”价值函数V(G,D):
这两个网络相互对抗并迭代优化的过程使得D和G的性能不断提升。最终D的判别能力提升到一定程度,并且无法判别出输入的数据是来自于真实的数据还是来自于生成器生成的数据,在这种情况下,可以认为这个生成器G已经学到了真实数据的分布,进而完成了训练的过程。
生成对抗网络中生成器G与判别器D的训练过程如算法1所示。需要训练模型D来最大化判别数据来源于真实数据或者生成数据分布G(z)的概率值。与此同时,需要训练模型生成器G来最小化log(1-D(G(z))。在训练过程中采用交替优化的方法:先固定生成器G,优化判别器D,使得D的判别准确率最大化,使得具有最大程度的区分出是真实的数据还是生成的数据的性能;然后固定判别器D,优化生成器G,使得D的判别准确率最小化。进而最大化的迷惑判别数据是真实的数据还是来自通过生成网络生成的数据。当且仅当真实的数据分布与生成的数据分布相等的时候达到全局最优解。训练生成对抗网络GAN时,在同一轮训练过程中,一般对判别器D的参数更新k次再对生成器G的参数更新1次。进而训练整个网络。
自Good fellow(2014)年提出GAN以来,GAN的应用获得了巨大的成功,但是GAN在训练过程中存在一些问题,例如GAN不适合处理离散形式的数据、训练过程中存在梯度消失、模式崩溃等问题。针对这些问题,各种基于GAN的衍生模型被提出。先后提出了(Conditional Generative Adversarial Network)CGAN、DCGAN(Deep ConvolutionGenerative Adversarial Networks)、(Wasserstein Generative Adversarial Network)WGAN、WGAN-GP(Improved training of wasserstein GAN)、EBGAN(Energy-basedGenerative Adversarial Network)、(Least Squares Generative AdversarialNetwork)LSGAN、(Auxiliary Classifier Generative Adversarial Network)AC-GAN等网络模型。这些模型的创新点包括模型结构改进、理论扩展等方式。
对于GAN在训练过程中存在模式崩溃,模型震荡和不稳定问题,Radford A提出了基于深度卷积生成对抗网络的无监督表征学习DCGAN。DCGAN模型发展的一个里程碑,将有监督学习中卷积神经网络CNN和无监督学习中的GAN结合到一起。如图2所示为DCGAN的判别网络架构:
为了训练一套稳健、鲁棒的网络结构,DCGAN网络模型对生成网络G与判别网络D结构进行了改变:
(1)去掉了生成网络G和判别网络D中的pooling层,由卷积层代替。
(2)在生成网络G和判别网络D中都使用批量归一化(Batch Normalization,BN)。
(3)在生成网络G中除最后一层激活函数使用RELU函数,而最后一层激活函数使用Tanh函数。
(4)在判别网络D中每一层激活函数均是使用LeakyRelu函数。因此通过这些结构的改变DCGAN缓解GAN的模式崩溃问题,有效地避免了模型的震荡和不稳定问题。
由于DCGAN中没有合适的拟合函数,训练过程中拟合的过程依旧震荡严重,为此Martin Arjovsky等提出WGAN。WGAN的贡献在于彻底解决了GAN训练不稳定的问题。因为GAN在训练过程中是基于梯度下降训练,在训练过程中存在梯度消失的问题。为此,当真实样本分布和生成样本分布之间具有可忽略重叠甚至没有重叠时,其目标函数的JS散度是一个常数,导致梯度消失,进而无法衡量两个分布之间的差异。为了解决训练梯度消失问题,Martin Arjovsky等提出的WGAN中用Wasserstein距离(也叫Earth-Mover距离)代替JS散度来度量真实样本分布和生成样本分布之间的距离。当Wasserstein距离在生成样本分布与真实样本分布之间有可忽略的重叠甚至没有重叠的时候,梯度也不消失。Wasserstein距离有效地反映出两个样本分布之间的差异。Wasserstein距离如下
其中,Pr和Pg分别为真实分布与生成分布;γ为Pr,Pg分的联合分布。
WGAN改进方法:
(1)判别器最后一层去掉sigmoid。
(2)生成器和判别器的损失函数loss不取log。
(3)对更新后的权重强制截断到一定范围内,比如[-0.01,0.01],以满足Lipchitz连续性条件。
(4)使用SGD,RMSprop等优化器。
虽然WGAN在理论上解决了训练困难的问题,但对于对函数存在Lipschitz-1条件约束。对于这个条件难以在神经网络模型中直接体现的难题,WGAN中直接使用了权重剪枝(clip)来近似替代Lipschitz-1约束。显然在理论上,这两个条件并不等价,而且满足Lipschitz-1约束的情况多数不满足权重剪枝约束。在实验上,很多人认为训练失败是由权重剪枝引起的。Ishaan Gulrajani等提出了改善类型的WGAN,即WGAN-GP,将Lipschitz-1约束正则化,通过把约束写成目标函数的惩罚项,以近似Lipschitz-1约束条件。WGAN-GP的贡献在于,它用正则化的形式表达了对判别器的约束,也为后来系列GAN的正则化模型做了启示。此外WGAN-GP基本从理论和实验上解决了梯度消失的问题,并且具有强大的稳定性,几乎不需要调参,即在大多数网络框架下训练成功率极高。
本发明的技术方案实现过程如下:
1、优化网络架构设计
现有储油地区地下结构越来越复杂。为了更准确地探测地下结构,油气储层预测,油气工业界对地震信号的空间分辨率提出了更高的要求。为了解决传统方法面临的困难,Kaiming(2015)等提出的残差网络现,研究成果表明残差网络在网络训练过程中具有良好的特征提取能力。考虑到残差网络的优势,以及实际地震道之间波形特征的复杂关系,本发明将残差网络应用于生成对抗网络中的生成网络部分。本发明中改进后的生成网络架构如图3所示。
图3中k是卷积核大小、n是特征图个数、s是步长;例如其中的k3n256s1是表示k取值为3,n取值为256,s取值为1;图3中Input代表输入,Conv代表卷积,PRelu代表激活函数,BN代表批量归一化,add代表加,Output代表输出。
优化的生成对抗网络架构如下:
(1)改进的生成网络卷积层的后面使用批量归一化(Batch Normalization,BN)及使用PReLU激活函数替代Sigmoid激活函数,
(2)改进的判别网络包括八个卷积层,且卷积核数量以二倍因子增加,网络卷积层后面本发明使用批量归一化,同时网络中本发明选择LeakyReLU作为激活函数,且在网络中不使用最大池化层;所述八个卷积层中1、2卷积层的卷积核数为32,3、4卷积层的卷积核数为64,5、6卷积层的卷积核数为128,7、8卷积层的卷积核数为256。
(3)使用Wasserstein损失加梯度惩罚项作为损失函数。
本发明将基于优化的生成对抗网络命名为OGAN,以便于跟现有的对抗网络区分,以下出现OGAN均指代本发明的基于优化的生成对抗网络。
2、本发明的优化生成对抗网络在地震数据的应用
本发明将提出的方法首先应用于合成的地震数据。合成地震数据的地质模型中包括有不同断距的断层,岩性的横向变化等地质现象等。本实施例中选取一个地震剖面作为高分辨率地震数据如图4所示。为了证明本发明提出方法的有效性,本实施例采用隔道抽稀地震道,将高分辨率地震数据下采样为低分辨率地震数据如图5所示。
图6是基于优化的生成对抗网络生成的高分辨率地震数据,图7是生成高分辨率地震数据与合成地震数据的残差。从以上实验结果表明,OGAN方法可以很好的保持了地震波形的复杂特征,实现了地震数据的超分辨率重建。
本发明进而将提出的方法应用于实际的地震数据,数据来源于四川盆地某工区,采样面元为20m×20m。本实施例选取一个如图8所示的地震剖面作为高分辨率地震数据。为了证明本发明提出方法的有效性,本实施例采用隔道抽稀地震道,将高分辨率地震数据下采样为低分辨率地震数据如图9所示。本发明的测试环境为Intel(R)Core(TM)i5-2450MCPU@2.50GHz,8.00GB内存,NVIDIA GeForce GTX750,64位Windows10旗舰版操作系统,使用的编程工具为Anaconda3和tensorflow框架,主要运用的编程语言为python和matlab。
图10为通过本发明的OGAN方法生成的高分辨率地震数据。对比图10和图8,可以观察到采用本发明提出的方法可以有效地捕获到不同地震道之间的复杂关系,在地震道插值的过程中也保持了地震波形的复杂特征。因此通过本发明的方法可以很好地实现地震数据的超分辨率重建。
图11是通过f-x域插值得到的结果。图11与图8对比分析,可以发现采用f-x方法可以获得效果较好的地震道插值结果。但与图10对比分析,f-x方法插值的效果较弱于本发明方法得到的高分辨率地震数据,尤其是弱反射振幅区域。
图12展示了通过两种不同插值方法得到的地震波形,包括原始波形、f-x域得到的波形、本发明OGAN方法生成的波形。从波形结构特征的对比可得(包括振幅、相位),采用本发明方法得到的地震数据波形优于传统方法f-x域插值得到地震数据波形,因此本发明方法可以有效地将稀疏地震数据进行超分辨率重建。
图13中(a)、(b)、(c)依次为原始高分辨地震数据、OGAN生成的高分辨地震数据、f-x域插值得到的高分辨率地震数据的频率-波数谱图。对比图13中(a)、(b)、(c),可以发现应用本发明的OGAN方法生成高分辨率地震数据的空间假频也得到了有效的抑制。
图14是由图8所示的原始高分辨率地震数据加入约为最大振幅30%的随机噪声之后得到的地震数据。
图15是同前述的下采样方法将图14进行稀疏采样得到低分辨率的地震数据,然后通过优化的生成对抗网络获得超分辨率重建结果。
图4-图11以及图14、15中的横坐标Trace number表示地震道号,纵坐标Time(ms)表示时间,图12中的横坐标Amplitude表示振幅,纵坐标Wavenumber表示波数,图13中的横坐标Amplitude表示振幅,纵坐标Frquency表示频率。
实验结果表明,本发明的方法不仅可以很好的实现稀疏地震数据超分辨率重建,而且有效地抑制了原始稀疏地震数据中的噪声。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (7)
1.一种基于优化生成对抗网络地震数据超分辨率重建方法,其特征在于,采用优化生成的对抗网络进行地震数据的超分辨率重建,所述优化生成的对抗网络具体为:将残差网络应用于生成对抗网络中的生成网络部分。
2.根据权利要求1所述的一种基于优化生成对抗网络地震数据超分辨率重建方法,其特征在于,所述生成网络中卷积层后依次为BN层与激活层。
3.根据权利要求2所述的一种基于优化生成对抗网络地震数据超分辨率重建方法,其特征在于,所述激活层具体为:采用PReLU激活函数替代Sigmoid激活函数。
4.根据权利要求1所述的一种基于优化生成对抗网络地震数据超分辨率重建方法,其特征在于,所述优化生成对抗网络还包括改进的判别网络,所述改进的判别网络包括八个卷积层,且卷积核数量以二倍因子增加。
5.根据权利要求4所述的一种基于优化生成对抗网络地震数据超分辨率重建方法,其特征在于,所述改进的判别网络中卷积层后依次为BN层与激活层。
6.根据权利要求5所述的一种基于优化生成对抗网络地震数据超分辨率重建方法,其特征在于,所述激活层具体为:选择LeakyReLU作为激活函数。
7.根据权利要求3或6所述的一种基于优化生成对抗网络地震数据超分辨率重建方法,其特征在于,使用Wasserstein损失加梯度惩罚项作为损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870982.2A CN110580682A (zh) | 2019-09-16 | 2019-09-16 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870982.2A CN110580682A (zh) | 2019-09-16 | 2019-09-16 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110580682A true CN110580682A (zh) | 2019-12-17 |
Family
ID=68811368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910870982.2A Pending CN110580682A (zh) | 2019-09-16 | 2019-09-16 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580682A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007566A (zh) * | 2019-12-27 | 2020-04-14 | 西南石油大学 | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 |
CN111190227A (zh) * | 2020-01-09 | 2020-05-22 | 吉林大学 | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 |
CN111355675A (zh) * | 2020-03-11 | 2020-06-30 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和系统 |
CN111461984A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于压缩感知的负荷预测方法 |
CN111600851A (zh) * | 2020-04-27 | 2020-08-28 | 浙江工业大学 | 面向深度强化学习模型的特征过滤防御方法 |
CN111932456A (zh) * | 2020-07-31 | 2020-11-13 | 浙江师范大学 | 一种基于生成对抗网络的单幅图像超分辨率重建方法 |
CN112700372A (zh) * | 2021-01-11 | 2021-04-23 | 河北工业大学 | 结合Gabor特征提取与支持向量回归的地震数据插值方法 |
CN113420326A (zh) * | 2021-06-08 | 2021-09-21 | 浙江工业大学之江学院 | 面向深度强化学习的模型隐私保护方法和系统 |
CN113495291A (zh) * | 2021-07-27 | 2021-10-12 | 成都爱为贝思科技有限公司 | 基于深度学习的偏前道集保幅性智能量化评价方法 |
CN113945974A (zh) * | 2021-06-10 | 2022-01-18 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
CN114063168A (zh) * | 2021-11-16 | 2022-02-18 | 电子科技大学 | 一种地震信号人工智能降噪方法 |
CN115398226A (zh) * | 2020-04-17 | 2022-11-25 | 株式会社岛津制作所 | 波形信息估计方法及装置以及峰波形处理方法及装置 |
CN115880158A (zh) * | 2023-01-30 | 2023-03-31 | 西安邮电大学 | 一种基于变分自编码的盲图像超分辨率重建方法及系统 |
CN115936990A (zh) * | 2022-12-07 | 2023-04-07 | 中国科学技术大学 | 地震资料多尺度超分辨率与去噪同步处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101256923B1 (ko) * | 2011-06-07 | 2013-04-19 | 삼성코닝정밀소재 주식회사 | 증착막의 인-시튜 휨 측정이 가능한 반응기 및 그 측정방법 |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN107423700A (zh) * | 2017-07-17 | 2017-12-01 | 广州广电卓识智能科技有限公司 | 人证核实的方法及装置 |
CN108022213A (zh) * | 2017-11-29 | 2018-05-11 | 天津大学 | 基于生成对抗网络的视频超分辨率重建算法 |
CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN110045419A (zh) * | 2019-05-21 | 2019-07-23 | 西南石油大学 | 一种感知器残差自编码网络地震资料去噪方法 |
-
2019
- 2019-09-16 CN CN201910870982.2A patent/CN110580682A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101256923B1 (ko) * | 2011-06-07 | 2013-04-19 | 삼성코닝정밀소재 주식회사 | 증착막의 인-시튜 휨 측정이 가능한 반응기 및 그 측정방법 |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN107423700A (zh) * | 2017-07-17 | 2017-12-01 | 广州广电卓识智能科技有限公司 | 人证核实的方法及装置 |
CN108022213A (zh) * | 2017-11-29 | 2018-05-11 | 天津大学 | 基于生成对抗网络的视频超分辨率重建算法 |
CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN110045419A (zh) * | 2019-05-21 | 2019-07-23 | 西南石油大学 | 一种感知器残差自编码网络地震资料去噪方法 |
Non-Patent Citations (2)
Title |
---|
MARDANI MORTEZA 等: "Deep Generative Adversarial Neural Networks for Compressive Sensing MRI", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
高媛 等: "基于深度残差生成对抗网络的医学影像超分辨率算法", 《计算机应用》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007566A (zh) * | 2019-12-27 | 2020-04-14 | 西南石油大学 | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 |
CN111190227A (zh) * | 2020-01-09 | 2020-05-22 | 吉林大学 | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 |
CN111190227B (zh) * | 2020-01-09 | 2021-06-04 | 吉林大学 | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 |
CN111355675A (zh) * | 2020-03-11 | 2020-06-30 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和系统 |
CN111355675B (zh) * | 2020-03-11 | 2021-05-18 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和系统 |
CN111461984A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种基于压缩感知的负荷预测方法 |
CN111461984B (zh) * | 2020-03-30 | 2022-06-14 | 华南理工大学 | 一种基于压缩感知的负荷预测方法 |
CN115398226B (zh) * | 2020-04-17 | 2024-02-09 | 株式会社岛津制作所 | 波形信息估计方法及装置以及峰波形处理方法及装置 |
CN115398226A (zh) * | 2020-04-17 | 2022-11-25 | 株式会社岛津制作所 | 波形信息估计方法及装置以及峰波形处理方法及装置 |
CN111600851A (zh) * | 2020-04-27 | 2020-08-28 | 浙江工业大学 | 面向深度强化学习模型的特征过滤防御方法 |
CN111600851B (zh) * | 2020-04-27 | 2022-03-08 | 浙江工业大学 | 面向深度强化学习模型的特征过滤防御方法 |
CN111932456A (zh) * | 2020-07-31 | 2020-11-13 | 浙江师范大学 | 一种基于生成对抗网络的单幅图像超分辨率重建方法 |
CN111932456B (zh) * | 2020-07-31 | 2023-05-16 | 浙江师范大学 | 一种基于生成对抗网络的单幅图像超分辨率重建方法 |
CN112700372A (zh) * | 2021-01-11 | 2021-04-23 | 河北工业大学 | 结合Gabor特征提取与支持向量回归的地震数据插值方法 |
CN112700372B (zh) * | 2021-01-11 | 2022-03-01 | 河北工业大学 | 结合Gabor特征提取与支持向量回归的地震数据插值方法 |
CN113420326B (zh) * | 2021-06-08 | 2022-06-21 | 浙江工业大学之江学院 | 面向深度强化学习的模型隐私保护方法和系统 |
CN113420326A (zh) * | 2021-06-08 | 2021-09-21 | 浙江工业大学之江学院 | 面向深度强化学习的模型隐私保护方法和系统 |
CN113945974B (zh) * | 2021-06-10 | 2022-05-24 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
CN113945974A (zh) * | 2021-06-10 | 2022-01-18 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
CN113495291A (zh) * | 2021-07-27 | 2021-10-12 | 成都爱为贝思科技有限公司 | 基于深度学习的偏前道集保幅性智能量化评价方法 |
CN114063168A (zh) * | 2021-11-16 | 2022-02-18 | 电子科技大学 | 一种地震信号人工智能降噪方法 |
CN115936990A (zh) * | 2022-12-07 | 2023-04-07 | 中国科学技术大学 | 地震资料多尺度超分辨率与去噪同步处理方法及系统 |
CN115936990B (zh) * | 2022-12-07 | 2023-11-17 | 中国科学技术大学 | 地震资料多尺度超分辨率与去噪同步处理方法及系统 |
CN115880158A (zh) * | 2023-01-30 | 2023-03-31 | 西安邮电大学 | 一种基于变分自编码的盲图像超分辨率重建方法及系统 |
CN115880158B (zh) * | 2023-01-30 | 2023-10-27 | 西安邮电大学 | 一种基于变分自编码的盲图像超分辨率重建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580682A (zh) | 一种基于优化生成对抗网络地震数据超分辨率重建方法 | |
Fang et al. | Seismic data interpolation based on U-net with texture loss | |
Ma | Three-dimensional irregular seismic data reconstruction via low-rank matrix completion | |
CA2947678C (en) | Compressive sensing | |
AU2023202187B2 (en) | Use nuos technology to acquire optimized 2d data | |
CN105607122B (zh) | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN110618451B (zh) | 一种基于narx神经网络检测地震勘探弱信号的方法 | |
CN110895348B (zh) | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 | |
CN114418886B (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
Min et al. | D 2 UNet: Dual decoder U-Net for seismic image super-resolution reconstruction | |
Min et al. | Fast convex set projection with deep prior for seismic interpolation | |
Feng et al. | Multigranularity feature fusion convolutional neural network for seismic data denoising | |
Gan et al. | EWR‐net: Earthquake waveform regularization network for irregular station data based on deep generative model and RESNet | |
Qiao et al. | Random noise attenuation of seismic data via self-supervised Bayesian deep learning | |
WO2022045932A1 (ru) | Система для определения тектонических нарушений по сейсмическим данным | |
CN111273346B (zh) | 去除沉积背景的方法、装置、计算机设备及可读存储介质 | |
CN114114421B (zh) | 基于深度学习的导向自学习地震数据去噪方法及装置 | |
Wei et al. | Seismic data interpolation based on denoising diffusion implicit models with resampling | |
CN116009080A (zh) | 一种地震波阻抗反演方法及系统、电子设备、存储介质 | |
Wang et al. | Multi-scale residual network for seismic data denoising and reconstruction | |
Gao et al. | Unsupervised Seismic Random Noise Suppression Based on Local Similarity and Replacement Strategy | |
Fang et al. | Seismic Random Noise Suppression Model based on Downsampling and Super-resolution | |
Pan et al. | The Interplay of Framelet Transform and l p Quasi-Norm to Interpolate Seismic Data | |
Wang et al. | A Joint Framework for Seismic Signal Denoising Using Total Generalized Variation and Shearlet Transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191217 |
|
RJ01 | Rejection of invention patent application after publication |