CN111007566A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111007566A CN111007566A CN201911380340.0A CN201911380340A CN111007566A CN 111007566 A CN111007566 A CN 111007566A CN 201911380340 A CN201911380340 A CN 201911380340A CN 111007566 A CN111007566 A CN 111007566A
- Authority
- CN
- China
- Prior art keywords
- convolution
- layers
- data
- multiplied
- curvature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000009792 diffusion process Methods 0.000 title claims abstract description 51
- 239000010410 layer Substances 0.000 claims description 159
- 238000012549 training Methods 0.000 claims description 31
- 230000008014 freezing Effects 0.000 claims description 17
- 238000007710 freezing Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000016776 visual perception Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Complex Calculations (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了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,为了克服传统坏道重建和去噪方法的泛化能力弱、去噪精度不高的局限性,本发明由曲率驱动扩散层、八卷积结构、高低级组合结构、多尺度跳线结构为基础,提出基于曲率驱动扩散和深度学习的坏道重建与去噪方法。本发明公开的地震数据坏道重建与去噪方法,不但可高效的重建坏道,而且经压制噪声后的数据,在不产生假象的同时,还可使地震数据的局部细节得以完整保留。
Description
技术领域
本发明涉及深度学习技术领域,具体涉及地震数据处理中的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。
背景技术
在地震数据的采集过程中,一般会出现地震道缺失损坏和噪声污染,极大的影响了地震资料质量,地震数据坏道重建主要有以下两种方法:基于变换域的Radon变换,Fourier变换,曲波变换等,基于预测滤波的f-x域坏道重建方法等,但传统坏道重建方法均基于一定的假设前提,计算较为复杂,这些方法在特定的情况下有才能有好的坏道重建效果,泛化性不强;传统去噪需根据信号和噪声的特征差异,常用的方法有:多项式拟合法、K-L变换法、Curvelet变换、小波变换法等,多项式拟合法只有在去除相干噪声的后才有好的去噪效果;K-L变换法只有当样本充足时,矩阵的估计才会变得精确;小波变换法去噪时忽略每个像素的特点,去噪的同时会产生模糊现象;Curvelet变换克服了傅里叶变换和小波变换的缺点,可以保持地震数据边缘和纹理细节信息,但会过度消除部分Curvelet变换系数,去噪同时会产生伪影。
为解决传统浅层方法的不足,基于深度学习的去噪模型被提出,其中自编码网络、卷积神经网络、生成对抗网络广泛应用于去噪领域,但基于深度学习的地震去噪方法较少,基于残差卷积神经网络的随机噪声去除算法,具有更强的去噪性能;基于卷积神经网络去噪模型,可以去除方差未知的地震随机噪声;将残差卷积神经网络图像去噪方法应用于地震资料去噪,可有效去除随机噪声,但以上深度学习方法仅能去除随机噪声坏道重建效果不佳,效率不高。
发明内容
为了克服传统坏道重建和去噪方法的局限性,提出一种基于曲率驱动扩散和深度学习的坏道重建和去噪方法。
本发明公开了一种曲率驱动扩散全卷积网络震数据坏道重建与去噪方法,包括以下步骤:(1)制作训练集和测试集;(2)提出32层的曲率驱动扩散全卷积网络模型,此模型由输入层、第一部分、第二部分、输出层组成,其中,第一部分由曲率驱动扩散层和多尺度卷积层组成,第二部分主要由三个八卷积结构、一个高低级组合结构和多尺度跳线组成;(3)采用冻结网络的方法训练网络,首先,读入总数据集的1/a部分,冻结网络的第二部分,只进行第一部分的坏道重建和多尺度特征提取,a为正整数,然后,冻结第一部分,将第一部分输出的4通道数据,分批次输入第二部分,训练第二部分;接着,当第二部分达到最优结果时,再次循环(1)和(2),训练剩余的数据集,最后,测试集达到最优结果时,保存网络模型;(5)利用保存的最终网络模型,处理含有坏道和噪声的地震数据,最终输出坏道重建和去噪后的地震资料。本发明公开的地震数据坏道重建与去噪方法,不但可高效的重建坏道,而且经压制噪声后的数据,在不产生假象的同时,还可使地震数据的局部细节得以完整保留。
本发明所提供的技术方案为: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,包括如下步骤:
1.一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于包括如下步骤:
步骤1、制作训练集和测试集,具体步骤如下:
(1)将原始SEG-Y格式的地震数据处理为CSV格式的幅值数据集;
(2)将原始不含噪声数据集加入随机噪声,并选取n%作为坏道删除,然后和原始不含噪声的地震资料作为一组数据,制作训练集,n为大于零小于100的正整数;
(3)选取不同于训练集的地震数据,按照制作训练集的方法制作测试集;
步骤2、设计32层曲率驱动扩散全卷积网络模型,此网络模型由输入层、第一部分、第二部分、输出层组成:
第一部分由曲率驱动扩散层和多尺度卷积层组成;
第二部分主要由3个八卷积结构、1个高低级组合结构和多尺度跳线结构组成,具体组成如下,八卷积结构由7层卷积层和1个上采样层组成,第一层分别由两个卷积核大小为5×5和3×3的多尺度空洞卷积组成,经此卷积层后数据将被压缩为原始的1/2,接下来6层分别由卷积核大小为1×3,3×1,1×5,5×1,1×3,3×1的卷积层组成,最后上采样层采用双线性插值算法,将前6层压缩提取出的特征图扩大2倍;
高低级组合结构,前三层为了压缩维度由3层卷积核大小均为3×3,步长均为2的卷积层组成,后三层均为采用双线性插值算法的上采样层,每个输入经过上采样层都被扩大2倍后传给下一层,且前三层卷积层的输入均通过跳线结构分别与三层上采样层的输出相加,将浅层和深层特征融合输出;
多尺度跳线结构一共含三个加型跳线和一个减型跳线,跳线结构的输入均为第一部分曲率驱动扩散层的输出,第一个加型跳线的输入经过卷积核大小依次为1×3和3×1的两层卷积层,与第一个八卷积结构的输出相加,第二个加型跳线结构同样经过两层卷积层,大小依次为1×5和5×1,并与第一个跳线结构两层卷积后的输出连接,经3×3卷积层调整通道数后与第二个八卷积结构的输出相加,作为第三个八卷积结构的输入,第三个加型跳线结构和第二个加型跳线结构一致,区别在于两层卷积层的卷积核大小依次变为1×7和7×1,经3×3卷积层调整通道数后的输出与第三个八卷积结构的输出相加,将结果输入高低级组合结构;减型跳线结构,由第一部分曲率驱动扩散层的输出与第二部分最后一个3×3卷积层的输出相减组成;
步骤3、采用冻结网络方法训练模型,冻结网络方法指只训练指定的某些层,其它层的权重此时将不更新,训练模型分为4个阶段:
阶段1)读入总数据集的1/a部分,冻结模型的第二部分,只进行第一部分的坏道重建和多尺度特征提取,a为大于2小于10的正整数;
阶段2)冻结第一部分,将第一部分输出的4通道数据,分批次输入到第二部分,训练第二部分;
阶段3)当第二部分达到最优结果时,再次循环阶段1)和阶段2),训练剩余的数据集;
阶段4)测试集达到最优结果时,保存网络模型;
步骤4、利用保存的网络模型,处理含有坏道和噪声的地震数据,最后输出坏道重建和去噪后的地震数据。
2.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤2中的第一部分,具体包括:
曲率驱动扩散层输入为预处理后的含有噪声和坏道的数据集;
多尺度卷积层由卷积核大小分别为3×3、5×5、255×255三种卷积核组成,层数为1,输入为经曲率驱动扩散层坏道重建后的数据;
其中,第一部分输出为4通道数据,分别由一通道曲率驱动扩散层的输出和3通道多尺度卷积层的输出组成。
3.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤3中的阶段1),具体包括:
将步骤1预处理后的单通道地震数据,先经过曲率驱动扩散层初次进行坏道重建,其中,迭代次数为b次,掩膜(mask)由含坏道和噪声数据中值为0的数据组成,单层的多尺度卷积层采用误差反向传播,通过冻结网络的方法只进行一次权重更新,将输出的4个通道均作为特征数据,输入到第二部分。
4.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤3中的阶段2),具体包括:
(1)将第一部分输出的4通道数据集,输入到第二部分网络中,批处理样本数为m,m为大于1小于10的正整数;
(2)采用误差反向传播,并以对数双曲余弦损失函数来衡量原始不含噪声和坏道数据与预测数据之间的距离,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;
对数双曲余弦损失函数为:
其中:
N表示有N对训练样本;yi为第i个真实不含坏道和噪声的数据,zi为模型预测输出的第i个数据,对数双曲余弦损失越小代表zi与yi越接近,网络坏道修复和去噪效果越好;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,设定峰值信噪比和结构相似性各自阈值,当其均等于或大于设定的阈值时,则停止迭代,保存最终网络模型的各个参数,否则继续迭代训练网络;
峰值信噪比公式为:
其中:
N表示有N对训练样本;yi为第i个真实不含坏道和噪声的数据,zi为模型预测输出的第i个数据;max(yi)为yi的最大值;MSE为yi和zi的均方误差,PSNR数值越大表示网络坏道修复和去噪效果越好;
结构相似性公式为:
SSIM(yi,zi)=l(yi,zi)*c(yi,zi)*s(yi,zi)
其中:
分别为yi和zi的均值,分别为yi和zi的方差,为yi和zi的协方差,c1=(k1L)2,c2=(k2L)2、k1=0.01,k2=0.03,L=max(yi),l(yi,zi)为照明度比较部分,c(yi,zi)为对比度比较部分,s(yi,zi)为结构比较部分,SSIM(yi,zi)∈[0,1],若yi和zi完全相同时SSIM值为1。
附图说明
图1为本发明的流程图,网络训练分为第一部分和第二部分;
图2为本发明的曲率驱动扩散全卷积网络地震数据重建与去噪方法总体结构图,主要由输入层、第一部分、第二部分、输出层组成;
图3为本发明的八卷积结构和高低级组合结构,八卷积结构共8层,高低级组合共6层;
图4为本发明坏道重建和去噪示例,其中,121、141、151和152道为重建的坏道部分。
图中符号说明如下:
CDD:表示曲率驱动扩散算法;
CDD-FCN:表示曲率驱动扩散全卷积网络;
concat:表示Tensorflow中的特征融合函数;
conv:表示常规卷积;
Dconv:表示空洞卷积;
bn:表示批归一化层;
8-Conv:表示八卷积结构
L&H Combine:表示高低级组合结构;
Unsampled:表示上采样;
具体实施方式:
为了高效重建坏道和压制随机噪声,以曲率驱动扩散层、八卷积结构、高低级组合结构、多尺度跳线结构为基础,提出了曲率驱动扩散全卷积网络地震数据重建与去噪模型,如图2所示。参照图1,示出的本发明流程图,包括如下步骤。
步骤1、制作训练集和测试集,具体步骤如下:
1.一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于包括如下步骤:
步骤1、制作训练集和测试集,具体步骤如下:
(1)将原始SEG-Y格式的地震数据处理为CSV格式的幅值数据集;
(2)将原始不含噪声数据集加入随机噪声,并选取10%作为坏道删除,然后和原始不含噪声的地震资料作为一组数据,制作训练集;
(3)选取不同于训练集的地震数据,按照制作训练集的方法制作测试集;
步骤2、设计32层曲率驱动扩散全卷积网络模型,此网络模型由输入层、第一部分、第二部分、输出层组成:
第一部分由曲率驱动扩散层和多尺度卷积层组成;
第二部分主要由3个八卷积结构、1个高低级组合结构和多尺度跳线结构组成,具体组成如下,八卷积结构由7层卷积层和1个上采样层组成,第一层分别由两个卷积核大小为5×5和3×3的多尺度空洞卷积组成,经此卷积层后数据将被压缩为原始的1/2,接下来6层分别由卷积核大小为1×3,3×1,1×5,5×1,1×3,3×1的卷积层组成,最后上采样层采用双线性插值算法,将前6层压缩提取出的特征图扩大2倍;
高低级组合结构,前三层为了压缩维度由3层卷积核大小均为3×3,步长均为2的卷积层组成,后三层均为采用双线性插值算法的上采样层,每个输入经过上采样层都被扩大2倍后传给下一层,且前三层卷积层的输入均通过跳线结构分别与三层上采样层的输出相加,将浅层和深层特征融合输出;
多尺度跳线结构一共含三个加型跳线和一个减型跳线,跳线结构的输入均为第一部分曲率驱动扩散层的输出,第一个加型跳线的输入经过卷积核大小依次为1×3和3×1的两层卷积层,与第一个八卷积结构的输出相加,第二个加型跳线结构同样经过两层卷积层,大小依次为1×5和5×1,并与第一个跳线结构两层卷积后的输出连接,经3×3卷积层调整通道数后与第二个八卷积结构的输出相加,作为第三个八卷积结构的输入,第三个加型跳线结构和第二个加型跳线结构一致,区别在于两层卷积层的卷积核大小依次变为1×7和7×1,经3×3卷积层调整通道数后的输出与第三个八卷积结构的输出相加,将结果输入高低级组合结构;减型跳线结构,由第一部分曲率驱动扩散层的输出与第二部分最后一个3×3卷积层的输出相减组成;
步骤3、采用冻结网络方法训练模型,冻结网络方法指只训练指定的某些层,其它层的权重此时将不更新,训练模型分为4个阶段:
阶段1)读入总数据集的1/5部分,冻结模型的第二部分,只进行第一部分的坏道重建和多尺度特征提取;
阶段2)冻结第一部分,将第一部分输出的4通道数据,分批次输入到第二部分,训练第二部分;
阶段3)当第二部分达到最优结果时,再次循环阶段1)和阶段2),训练剩余的数据集;
阶段4)测试集达到最优结果时,保存网络模型;
步骤4、利用保存的网络模型,处理含有坏道和噪声的地震数据,最后输出坏道重建和去噪后的地震数据。
2.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤2中的第一部分,具体包括:
曲率驱动扩散层输入为预处理后的含有噪声和坏道的数据集;
多尺度卷积层由卷积核大小分别为3×3、5×5、255×255三种卷积核组成,层数为1,输入为经曲率驱动扩散层坏道重建后的数据;
其中,第一部分输出为4通道数据,分别由一通道曲率驱动扩散层的输出和3通道多尺度卷积层的输出组成。
3.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤3中的阶段1),具体包括:
将步骤1预处理后的单通道地震数据,先经过曲率驱动扩散层初次进行坏道重建,其中,迭代次数为6次,掩膜由含坏道和噪声数据中值为0的数据组成,单层的多尺度卷积层采用误差反向传播,通过冻结网络的方法只进行一次权重更新,将输出的4个通道均作为特征数据,输入到第二部分。
4.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤3中的阶段2),具体包括:
(1)将第一部分输出的4通道数据集,输入到第二部分网络中,批处理样本数为6;
(2)采用误差反向传播,并以对数双曲余弦损失函数来衡量原始不含噪声和坏道数据与预测数据之间的距离,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;
对数双曲余弦损失函数为:
其中:
N表示有N对训练样本;yi为第i个真实不含坏道和噪声的数据,zi为模型预测输出的第i个数据,对数双曲余弦损失越小代表zi与yi越接近,网络坏道修复和去噪效果越好;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,若峰值信噪比的值等于或大于15dB,且结构相似性的值等于或大于0.80,则停止迭代,保存最终网络模型的各个参数,否则继续迭代训练网络;
峰值信噪比公式为:
其中:
N表示有N对训练样本;yi为第i个真实不含坏道和噪声的数据,zi为模型预测输出的第i个数据;max(yi)为yi的最大值;MSE为yi和zi的均方误差,PSNR数值越大表示网络坏道修复和去噪效果越好;
结构相似性公式为:
SSIM(yi,zi)=l(yi,zi)*c(yi,zi)*s(yi,zi)
其中:
分别为yi和zi的均值,分别为yi和zi的方差,为yi和zi的协方差,c1=(k1L)2,c2=(k2L)2、k1=0.01,k2=0.03,L=max(yi),l(yi,zi)为照明度比较部分,c(yi,zi)为对比度比较部分,s(yi,zi)为结构比较部分,SSIM(yi,zi)∈[0,1],若yi和zi完全相同时SSIM值为1。
图4本发明的地震坏道重建与去噪方法的示例展示,其中,121、141、151和152道为重建的坏道部分。
Claims (4)
1.一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于包括如下步骤:
步骤1、制作训练集和测试集,具体步骤如下:
(1)将原始SEG-Y格式的地震数据处理为CSV格式的幅值数据集;
(2)将原始不含噪声数据集加入随机噪声,并选取n%作为坏道删除,然后和原始不含噪声的地震资料作为一组数据,制作训练集,n为大于零小于100的正整数;
(3)选取不同于训练集的地震数据,按照制作训练集的方法制作测试集;
步骤2、设计32层曲率驱动扩散全卷积网络模型,此网络模型由输入层、第一部分、第二部分、输出层组成:
第一部分由曲率驱动扩散层和多尺度卷积层组成;
第二部分主要由3个八卷积结构、1个高低级组合结构和多尺度跳线结构组成,具体组成如下,八卷积结构由7层卷积层和1个上采样层组成,第一层分别由两个卷积核大小为5×5和3×3的多尺度空洞卷积组成,经此卷积层后数据将被压缩为原始的1/2,接下来6层分别由卷积核大小为1×3,3×1,1×5,5×1,1×3,3×1的卷积层组成,最后上采样层采用双线性插值算法,将前6层压缩提取出的特征图扩大2倍;
高低级组合结构,前三层为了压缩维度,由3层卷积核大小均为3×3,步长均为2的卷积层组成,后三层均为采用双线性插值算法的上采样层,每个输入经过上采样层都被扩大2倍后传给下一层,且前三层卷积层的输入均通过跳线结构分别与三层上采样层的输出相加,将浅层和深层特征融合输出;
多尺度跳线结构,含三个加型跳线和一个减型跳线,跳线结构的输入均为第一部分曲率驱动扩散层的输出,第一个加型跳线的输入经过卷积核大小依次为1×3和3×1的两层卷积层,与第一个八卷积结构的输出相加,第二个加型跳线结构同样经过两层卷积层,大小依次为1×5和5×1,并与第一个跳线结构两层卷积后的输出连接,经3×3卷积层调整通道数后与第二个八卷积结构的输出相加,作为第三个八卷积结构的输入,第三个加型跳线结构和第二个加型跳线结构一致,区别在于两层卷积层的卷积核大小依次变为1×7和7×1,经3×3卷积层调整通道数后的输出与第三个八卷积结构的输出相加,将结果输入高低级组合结构;减型跳线结构,由第一部分曲率驱动扩散层的输出与第二部分最后一个3×3卷积层的输出相减组成;
步骤3、采用冻结网络方法训练模型,冻结网络方法指只训练指定的某些层,其它层的权重此时将不更新,训练模型分为4个阶段:
阶段1)读入总数据集的1/a部分,冻结模型的第二部分,只进行第一部分的坏道重建和多尺度特征提取,a为大于2小于10的正整数;
阶段2)冻结第一部分,将第一部分输出的4通道数据,分批次输入到第二部分,训练第二部分;
阶段3)当第二部分达到最优结果时,再次循环阶段1)和阶段2),训练剩余的数据集;
阶段4)测试集达到最优结果时,保存网络模型;
步骤4、利用保存的网络模型,处理含有坏道和噪声的地震数据,最后输出坏道重建和去噪后的地震数据。
2.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤2中的第一部分,具体包括:
曲率驱动扩散层输入为预处理后的含有噪声和坏道的数据集;
多尺度卷积层由卷积核大小分别为3×3、5×5、255×255三种卷积核组成,层数为1,输入为经曲率驱动扩散层坏道重建后的数据;
其中,第一部分输出为4通道数据,分别由一通道曲率驱动扩散层的输出和3通道多尺度卷积层的输出组成。
3.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤3中的阶段1),具体包括:
将步骤1预处理后的单通道地震数据,先经过曲率驱动扩散层初次进行坏道重建,其中,迭代次数为b次,掩膜由含坏道和噪声数据中值为0的数据组成,单层的多尺度卷积层采用误差反向传播,通过冻结网络的方法只进行一次权重更新,将输出的4个通道均作为特征数据,输入到第二部分。
4.根据权利要求1所述的一种曲率驱动扩散全卷积网络地震数据重建与去噪方法,其特征在于所述步骤3中的阶段2),具体包括:
(1)将第一部分输出的4通道数据集,输入到第二部分网络中,批处理样本数为m,m为大于1小于10的正整数;
(2)采用误差反向传播,并以对数双曲余弦损失函数来衡量原始不含噪声和坏道数据与预测数据之间的距离,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;
对数双曲余弦损失函数为:
其中:
N表示有N对训练样本;yi为第i个真实不含坏道和噪声的数据,zi为模型预测输出的第i个数据,对数双曲余弦损失越小代表zi与yi越接近,网络坏道修复和去噪效果越好;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,设定峰值信噪比和结构相似性各自阈值,当其均等于或大于设定的阈值时,则停止迭代,保存最终网络模型的各个参数,否则继续迭代训练网络;
峰值信噪比公式为:
其中:
N表示有N对训练样本;yi为第i个真实不含坏道和噪声的数据,zi为模型预测输出的第i个数据;max(yi)为yi的最大值;MSE为yi和zi的均方误差,PSNR数值越大表示网络坏道修复和去噪效果越好;
结构相似性公式为:
SSIM(yi,zi)=l(yi,zi)*c(yi,zi)*s(yi,zi)
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380340.0A CN111007566B (zh) | 2019-12-27 | 2019-12-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380340.0A CN111007566B (zh) | 2019-12-27 | 2019-12-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007566A true CN111007566A (zh) | 2020-04-14 |
CN111007566B CN111007566B (zh) | 2020-12-18 |
Family
ID=70119094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911380340.0A Active CN111007566B (zh) | 2019-12-27 | 2019-12-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007566B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856561A (zh) * | 2020-07-28 | 2020-10-30 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
CN112305591A (zh) * | 2020-10-10 | 2021-02-02 | 中国地质大学(北京) | 隧道超前地质预报方法、计算机可读存储介质 |
CN113034381A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
CN116757966A (zh) * | 2023-08-17 | 2023-09-15 | 中科方寸知微(南京)科技有限公司 | 基于多层级曲率监督的图像增强方法及系统 |
CN116757969A (zh) * | 2023-08-18 | 2023-09-15 | 中科方寸知微(南京)科技有限公司 | 基于自适应曲率特征融合的图像盲去噪方法及系统 |
CN116819615A (zh) * | 2023-08-30 | 2023-09-29 | 中国石油大学(华东) | 一种地震数据重建方法 |
CN116862836A (zh) * | 2023-05-30 | 2023-10-10 | 北京透彻未来科技有限公司 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140288891A1 (en) * | 2013-03-20 | 2014-09-25 | Cgg Services Sa | System and method for modelling three dimensional shallow water multiples using predictive sea floor reconstruction |
CN106842321A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油天然气股份有限公司 | 地震数据重建方法和装置 |
CN110261912A (zh) * | 2019-07-23 | 2019-09-20 | 河北地质大学 | 一种地震数据的插值和去噪方法及系统 |
CN110361778A (zh) * | 2019-07-04 | 2019-10-22 | 华北电力大学 | 一种基于生成对抗网络的地震数据重建方法 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
-
2019
- 2019-12-27 CN CN201911380340.0A patent/CN111007566B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140288891A1 (en) * | 2013-03-20 | 2014-09-25 | Cgg Services Sa | System and method for modelling three dimensional shallow water multiples using predictive sea floor reconstruction |
CN106842321A (zh) * | 2015-12-04 | 2017-06-13 | 中国石油天然气股份有限公司 | 地震数据重建方法和装置 |
CN110361778A (zh) * | 2019-07-04 | 2019-10-22 | 华北电力大学 | 一种基于生成对抗网络的地震数据重建方法 |
CN110261912A (zh) * | 2019-07-23 | 2019-09-20 | 河北地质大学 | 一种地震数据的插值和去噪方法及系统 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856561A (zh) * | 2020-07-28 | 2020-10-30 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
CN111856561B (zh) * | 2020-07-28 | 2023-03-14 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
CN112305591A (zh) * | 2020-10-10 | 2021-02-02 | 中国地质大学(北京) | 隧道超前地质预报方法、计算机可读存储介质 |
CN113034381A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
CN113034381B (zh) * | 2021-02-08 | 2022-06-21 | 浙江大学 | 一种基于空洞化的核预测网络的单图像去噪方法和装置 |
CN116862836A (zh) * | 2023-05-30 | 2023-10-10 | 北京透彻未来科技有限公司 | 一种泛器官淋巴结转移癌检测系统及计算机设备 |
CN116757966A (zh) * | 2023-08-17 | 2023-09-15 | 中科方寸知微(南京)科技有限公司 | 基于多层级曲率监督的图像增强方法及系统 |
CN116757969A (zh) * | 2023-08-18 | 2023-09-15 | 中科方寸知微(南京)科技有限公司 | 基于自适应曲率特征融合的图像盲去噪方法及系统 |
CN116757969B (zh) * | 2023-08-18 | 2023-11-07 | 中科方寸知微(南京)科技有限公司 | 基于自适应曲率特征融合的图像盲去噪方法及系统 |
CN116819615A (zh) * | 2023-08-30 | 2023-09-29 | 中国石油大学(华东) | 一种地震数据重建方法 |
CN116819615B (zh) * | 2023-08-30 | 2023-11-21 | 中国石油大学(华东) | 一种地震数据重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111007566B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007566B (zh) | 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 | |
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN110045419B (zh) | 一种感知器残差自编码网络地震资料去噪方法 | |
CN111028163B (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
CN110992295B (zh) | 基于小波-red卷积神经网络的低剂量ct重建方法 | |
CN116523794A (zh) | 一种基于卷积神经网络的低光照图像增强方法 | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
CN115205136A (zh) | 一种基于傅里叶先验的图像去雨方法 | |
CN114926883A (zh) | 一种满足多种降质模型的人脸图像处理方法 | |
Krishnan et al. | A novel underwater image enhancement technique using ResNet | |
CN117726540A (zh) | 一种增强门控Transformer的图像去噪方法 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN117392036A (zh) | 基于照明幅度的低光图像增强方法 | |
CN117171514A (zh) | 一种基于多尺度残差卷积的地震数据去噪方法 | |
CN116594061A (zh) | 一种基于多尺度u形注意网络的地震数据去噪方法 | |
CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
CN113379641B (zh) | 一种基于自编码卷积神经网络的单幅图像去雨方法及系统 | |
CN113034475B (zh) | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 | |
CN113362241B (zh) | 一种结合高低频分解和两级融合策略的深度图去噪方法 | |
CN112767361B (zh) | 基于轻量级残差U-net的反射光铁谱图像分割方法 | |
CN111986114B (zh) | 一种基于自监督约束的双尺度图像盲去噪方法及系统 | |
CN115273886A (zh) | 一种单通道语音增强的方法 | |
CN112907456B (zh) | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |