CN111580162A - 基于残差卷积神经网络的地震资料随机噪音压制方法 - Google Patents

Abstract

一种基于残差卷积神经网络的地震资料随机噪音压制方法，包括以下步骤：S1：建立残差卷积神经网络模型，包含有三种不同的映射层：1)、卷积层Conv+线性单元ELU；2)、卷积层Conv+批量归一化BN+线性单元ELU；3)、卷积层Conv；S2：制作带有随机噪音的地震数据和干净的地震数据，训练步骤S1中的残差卷积神经网络模型；S3：利用步骤S2训练好的残差卷积神经网络模型处理含噪地震数据，输出去噪后的地震数据。本发明中加入了残差学习和批量归一化方法，可以加速网络训练时的迭代速度，使网络收敛加快。使用的残差学习方法能有效解决传统的卷积神经网络在增加网络深度时会出现梯度消失的问题，使网络能进行更深层的训练，从而提取到更细致的噪音特征。

Description

基于残差卷积神经网络的地震资料随机噪音压制方法

技术领域

本发明属于随机噪音压制，具体涉及一种基于残差卷积神经网络的地震资料随机噪音压制方法。

背景技术

在地震勘探中，地震数据采集时地震资料容易受到各种随机噪音的干扰，这在很大程度上会影响到地震数据的后期处理，例如地震资料的解释与成像。这些随机噪音通常是由于环境的干扰导致的。如何高效地从含有噪音的资料中提取出有效信号，提高地震资料的信噪比是地震资料处理领域的一个重要研究方向。

为了解决噪音的衰减问题，许多研究人员提出了多种随机噪音压制技术。传统的压制算法主要包括变换域算法、空域算法和综合类型的去噪算法。在地震勘探技术的发展过程中，应用传统的数据降噪方法已经不能满足高精度勘探的需求。尤其是，传统的去噪算法除了需要丰富的经验，还需要在地震数据处理前对噪音有充分的了解。然而，在实际勘探任务中，现场数据的随机噪音未知，因此需要反复测试不同方差的随机噪音，导致去噪的效率低下。

考虑到常规方法的不足，我们迫切需要一种更为快速和智能的地震数据降噪方法。

目前，深度学习技术在自然语言处理和语义分割中展现出优越的性能，地震随机噪音衰减从类别上可以划分到语义分割领域中。在语义分割领域，卷积神经网络(CNN)的扩展以及应用是一个重要的研究方向。目前常用的CNN去噪框架包括U-Net、卷积自编码器和DnCNN等。这些传统的卷积神经网络在增加网络深度时会出现梯度消失的现象，去噪效果不佳。

发明内容

针对上述问题，本发明提出一种基于残差卷积神经网络的地震资料随机噪音压制方法。

为实现上述目的，本发明所采用的技术方案是：

一种基于残差卷积神经网络模型的地震资料随机噪音压制方法，包括以下步骤：

S1：建立残差卷积神经网络模型；

所述残差卷积神经网络模型，包含有三种不同的映射层：

1)、卷积层Conv+线性单元ELU：设置在网络的第一层，Conv用来提取输入层的局部特征；

2)、卷积层Conv+批量归一化BN+线性单元ELU：从网络的第二层开始到倒数第二层结束，用于分离噪音；

3)、卷积层Conv:设置在网络的最后一层，在这一层输出噪音剖面；

S2：制作带有随机噪音的地震数据和干净的地震数据，训练步骤S1中的残差卷积神经网络模型；

S3：利用步骤S2训练好的残差卷积神经网络模型处理含噪地震数据，输出去噪后的地震数据。

进一步的，在卷积层中设置零填充来保持图像的尺寸。

进一步的，所述残差卷积神经网络模型中，损失函数采用均方根误差函数：

l表示均方根误差；θ＝{W，b}，W和b分别表示网络中的权重矩阵和偏执向量；Q表示学习部分，k表示数据数量，R表示网络的残差，y_k表示含噪数据，x_k表示干净数据，R(y_k；θ)是网络需要训练的噪音，

表示为纯噪音的训练集，

表示Frobenious范数。

本发明的有益效果为：

(1)输入与输出的图像尺寸不受约束，同时，由于零填充的加入，避免了边界伪影的出现。

(2)残差卷积神经网络融合了残差学习与批量归一化的特性，通过叠加卷积层不断融合提取到的特征，降低了网络的学习难度，减少了训练中的计算量，加速了模型的训练。

(3)由于ELU函数在学习率取较小值时的软饱和特性，提升了模型对噪音的鲁棒性。

(4)训练完成的残差卷积神经网络不需要调节参数，实现了地震剖面高效的去噪；采用端到端的训练方式，从而确保网络能有效的建立输入与输出之间非线性映射关系。

附图说明

图1为基于残差卷积神经网络的地震资料随机噪音压制方法的流程示意图。

图2为本发明的残差网络流程示意图。

图3为本发明实施例中不同模型在合成数据中去噪效果对比示意图，其中：(a)、干净数据，(b)、带有噪音的数据(PSNR＝24.62dB)，(c)、使用NLM模型的去噪结果(PSNR＝32.55dB，SSIM＝0.8444)，(d)、使用BM3D模型的去噪结果(PSNR＝32.85dB，SSIM＝0.9416)，(e)、d使用DnCNN模型的去噪结果(PSNR＝32.29dB，SSIM＝0.9399)，(f)、使用SDACNN模型的去噪结果(PSNR＝33.35dB，SSIM＝0.9497)。

图4为本发明实施例中不同模型在现场数据中去噪效果对比示意图，其中：(a)、无噪音数据，(b)、带有噪音的数据(PSNR＝20.37dB)，(c)、使用NLM模型的去噪结果(PSNR＝25.26dB，SSIM＝0.8697)，(d)、使用BM3D模型的去噪结果(PSNR＝26.45dB，SSIM＝0.9046)，(e)、使用DnCNN模型的去噪结果(PSNR＝28.42dB，SSIM＝0.9535)，(f)、使用SDACNN模型的去噪结果(PSNR＝28.71dB，SSIM＝0.9567)。

图5为本发明实例中不同模型在现场叠后数据中去噪效果对比示意图，其中：(a)、无噪音数据，(b)、带有噪音的数据(PSNR＝20.4dB)，(c)、使用NLM模型的去噪结果(PSNR＝28.97dB，SSIM＝0.8672)，(d)、使用BM3D模型的去噪结果(PSNR＝30.34dB，SSIM＝0.9436)，(e)、使用DnCNN模型的去噪结果(PSNR＝30.45dB，SSIM＝0.9483)，(f)、使用SDACNN模型的去噪结果(PSNR＝32.41dB，SSIM＝0.9666)，(g)、(a)和(c)的残差，(h)、(a)和(d)的残差，(i)、(a)和(e)的残差，(j)、(a)和(f)的残差。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种基于残差卷积神经网络模型的地震资料随机噪音压制方法，包括以下步骤：

S1：建立残差卷积神经网络模型(SDACNN)；

S2：制作带有随机噪音的地震数据和干净的地震数据，训练步骤S1中的残差卷积神经网络模型；

S3：利用步骤S2训练好的残差卷积神经网络模型处理含噪地震数据，输出去噪后的地震数据。

下面对本发明作进一步介绍。

干净的地震数据表示为x＝{x₁,x₂,....,x_N}，相应的含有噪音的地震数据表示为y＝{y₁，y₂，…,y_N}，其中N表示地震数据的总数量；每个x和y都包含M₁×M₂个像素。干净的数据和含有噪音的数据之间的关系可以表示如下：

y＝x+n (2)

其中，n是加入的随机噪音，并且与x和y具有相同的维度。本发明采用的神经网络采用端到端的残差学习方式，网络应用的残差R可以表示为：

y–x＝R(y_k；θ) (3)

R(y_k；θ)≈n (4)

其中，R表示网络的残差；θ＝{W，b}，W和b分别表示网络中的权重矩阵和偏执向量；R(y_k；θ)是网络需要训练的噪音，y_k表示对应的含噪数据。这里，我们用均方根误差函数(MSE)作为损失函数：

其中，l表示均方根误差，Q表示学习部分，

表示为纯噪音的训练集，

表示Frobenious范数。在训练时，由于θ非常大，理论中计算l(θ)是不切实际的，因此需要通过最小化梯度下降的方法来计算参数。训练集全部被训练一次称为一个时期数(epoch)，时期的数量设置过多会导致网络出现过拟合现象，时期的数量设置过少则会造成网络训练的不够充分。我们将训练集以随机的方式打乱，然后运用小批量的方式输入到网络中，这样会使网络高效的训练。

在构建模型时，不仅要考虑含有噪音的地震数据与残差数据之间的关系，还要建立起含有随机噪音的训练数据与不同类型的测试数据之间的联系。SDACNN模型包含有三种不同的映射层，如图2所示。

1)Conv+ELU：对于第一层，Conv的作用相当于一个探测器，用来提取输入层的局部特征。Conv中含有64个滤波器，每个滤波器的尺寸为3*3。输入的地震剖面图为灰度图，经过第一次卷积后生成64个特征图。然后接入线性单元(ELU)，ELU激活函数融合了sigmoid和ReLu函数的特点。ELU由于具有正值特性(f(x)＝a(e^x-1)，x≤0)，能解决网络在迭代过程中出现的梯度消失问题。同时，ELU函数含有负值(f(x)＝x，x＞0)区间，可以将使激活单元的输出均值向零趋近，这样做的有助于减少计算量，加速网络的迭代速度。

2)Conv+BN+ELU：从网络的第二层开始到倒数第二层结束，Conv使用尺寸为3×3×64的滤波器。批量标准化被加入到卷积层与线性单元(ELU)之间，通过加入BN层来优化网络的梯度计算，即允许网络设置更大的学习率。BN层不仅可以加速网络训练，而且可以通过优化梯度计算增加去噪的效果。

3)Conv：设置在网络的最后一层，使用3*3*2的滤波器重建网络的输出，这里的2表示图像的通道数。在这一层输出噪音剖面。

残差学习和批量归一化在构建模型时被用来提高模型的去噪性能。从图2可以看到，网络输入含有噪音的地震剖面图，经过第一层卷积后分离出64个特征图。SDACNN通过叠加多个Conv+BN+ELU层，逐渐分离出随机噪音。观察图2中由低层级到高层级的变化，这种变化类似于在迭代的过程中消除噪音。在图像复原时，通常输入与输出的尺寸需要一致，因此在卷积层中设置零填充来保持图像的尺寸，这样做也能避免图像的边界出现伪影。

下面通过一个合成记录和两个叠后数据来测试本发明的去噪效果。这里我们使用两个评估图像质量的指标，峰值信噪比(PSNR)和结构选择相似性指数测量(SSIM)。

残差卷积神经网络模型的基础学习率设置为0.001，学习率随着epoch的增加减少到0.0001。卷积核中的初始化使用随即正交矩阵初始化方法。使用Adam优化算法优化学习目标，其中的内部参数使用默认值。网络中所用的卷积核尺寸设置为3*3。除了最后一个卷积层以外，其他卷积层中的滤波器数量都设置为64个。网络中贴片的尺寸设置为35*35，间隔为10个像素，经过贴片提取后，训练中的贴片数量为2.17*10⁵。实验中我们需要设置适合的时期数(epoch)，因为时期数量过少会影响结果的精度，时期数过多会增加训练时间，并且导致过拟合现象的出现。因此，这里我们设置实验的时期数为50。

为了测试模型的去噪性能，我们首先使用地震合成记录进行去噪实验，合成记录的优势是有标准的真实标签。

对比模型以及本发明所用的模型的去噪结果如图3所示，这里输入的图片像素为256*256。在图3中，图3(a)是标准的无噪音图片，在图3(a)中加入方差为15的随机噪音后获得图3(b)。

观察去噪结果，我们发现NLM在去除噪音后，图像重构的效果较差，并且去噪的程度不够。对比图3(a)和图3(c)中线框1，NLM去噪结果中有明显的残留噪音。从图3(e)中可以看出，DnCNN去除噪音后仍有噪音残留，并且同相轴不清晰。BM3D和本发明所用的算法在视觉上的去噪效果较好，如图3(d)和图3(f)所示。SDACNN相比较于NLM和CnDNN，地震同相轴较为清晰，没有发现明显的未去除的噪音。观察图3(d)和图3(f)的线框2，SDACNN对有效信号有更好的保护能力，BM3D的去噪结果中有少量的伪影存在。DnCNN和SDACNN消除了图像中大多数的噪音和伪影。此外，SDACNN比其他方法更好的保留有效信号，图像重建的也更为清晰。含有噪音数据的PSNR是24.62dB(图3b)，对比方法中效果最好的BM3D将PSNR提升到了32.85dB，而我们所用的SDACNN将PSNR进一步提升了到33.35dB。尽管与BM3D相比，SDACNN的PSNR仅增加了0.5dB，但这一结果仍然是本发明所用方法中的最佳结果。此外，从不同方法的SSIM指标中，可以看到SDACNN的SSIM最高，达到了0.9497。上述计算得到的PSNR和SSIM表明SDACNN模型有更好的去噪效果，因此去噪后的成果数据也更加可靠。

合成数据验证了SDACNN的可行性和有效性。如果测试数据与训练集存在明显的特征差异，所提出的方法能否保持良好的精度是至关重要的。为了更细致的对比不同模型的去噪结果，我们将训练完成的模型应用于两个叠后数据中(图4和图5)。

为了测试不同尺寸图像和网络中不同数据特征的地震数据的准确性。首先从SEG数据集中选取一张地震剖面进行实验，设置输入的图片尺寸为256*256，结果如图4：(a)是原始地震剖面图，(b)是加入方差为25的随机噪音图，(c)是NLM模型的去噪结果，(d)是BM3D模型的去噪结果，(e)是DnCNN-S模型的去噪结果，(f)是本发明方法的去噪结果。从图4可以看出，相比NLM和BM3D模型，本发明所用的SDACNN模型去噪效果更好。如图4(c、d、f)中的方框3和方框1所示，NLM和BM3D模型在去除噪音的同时也损害了有效信号，而本发明所用的模型几乎不损失有效信号；如方框1所示，NLM和BM3D的去噪结果中出现了明显的断层，而SDACNN模型与原始地震剖面图几乎是一致的，SDCNN有良好的保持振幅的性能。

然后，我们使用F3数据集测试模型的性能，输入的图片尺寸为1024*1024。四种方法的去噪结果和残差剖面如图5所示：(a)、无噪音数据；(b)、带有噪音的数据；(c)、使用NLM模型的去噪结果；(d)、使用BM3D模型的去噪结果；(e)、使用DnCNN模型的去噪结果；(f)、使用SDACNN模型的去噪结果；(g)、(a)和(c)的残差；(h)、(a)和(d)的残差；(i)、(a)和(e)的残差；(j)、(a)和(f)的残差。残差剖面是指干净数据与去噪结果的差值，这里的差值取绝对值。观察图5(c、d、e和f)与图5(a)中的方框，方框中的图像是经过放大两倍的结果。NLM在重建图像时降低了图像的清晰度(图5(c))，BM3D的去噪结果中出现了部分图像缺失的现象(图5(d))，DnCNN的去噪结果中残留着部分噪音(图5(e))。从去噪结果中可以看出，SDACNN的去噪效果更好。观察残差剖面，图5(g)和图5(i)中有明显的有效信号残留。如图5(h)所示，BM3D的残差剖面中仍然有部分噪音。本发明提出的SDACNN方法以噪音为学习目标，能有效地保护弱信号。从图像评价指标的角度来看，SDACNN把含噪数据的PSNR从20.4dB提高到了32.41dB，PSNR的提升幅度高于其余的去噪方法。此外，SDACNN模型的SSIM高于其余三个模型，达到了0.9666。

在实际地震资料噪音压制任务中，建议将更多不同种类的数据收集到训练集中，从而增强模型的泛化能力和鲁棒性，使得去噪效果更佳。

本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (3)

1.一种基于残差卷积神经网络的地震资料随机噪音压制方法，其特征在于，包括以下步骤：

S1：建立残差卷积神经网络模型；

所述残差卷积神经网络模型，包含有三种不同的映射层：

1)、卷积层Conv+线性单元ELU：设置在网络的第一层，Conv用来提取输入层的局部特征；

2)、卷积层Conv+批量归一化BN+线性单元ELU：从网络的第二层开始到倒数第二层结束，用于分离噪音；

3)、卷积层Conv:设置在网络的最后一层，在这一层输出噪音剖面；

S2：制作带有随机噪音的地震数据和干净的地震数据，训练步骤S1中的残差卷积神经网络模型；

S3：利用步骤S2训练好的残差卷积神经网络模型处理含噪地震数据，输出去噪后的地震数据。

2.根据权利要求1所述的一种基于残差卷积神经网络的地震资料随机噪音压制方法，其特征在于：在卷积层中设置零填充来保持图像的尺寸。

3.根据权利要求1所述的一种基于残差卷积神经网络的地震资料随机噪音压制方法，其特征在于：所述残差卷积神经网络模型中，损失函数采用均方根误差函数：

l表示均方根误差；θ＝{W，b}，W和b分别表示网络中的权重矩阵和偏执向量；Q表示学习部分，k表示数据数量，R表示网络的残差，y_k表示含噪数据，x_k表示干净数据，R(y_k；θ)是网络需要训练的噪音，

表示为纯噪音的训练集，

表示Frobenious范数。

Images