CN112598593B - 基于非均衡深度期望块对数似然网络的地震噪声压制方法 - Google Patents
基于非均衡深度期望块对数似然网络的地震噪声压制方法 Download PDFInfo
- Publication number
- CN112598593B CN112598593B CN202011557990.0A CN202011557990A CN112598593B CN 112598593 B CN112598593 B CN 112598593B CN 202011557990 A CN202011557990 A CN 202011557990A CN 112598593 B CN112598593 B CN 112598593B
- Authority
- CN
- China
- Prior art keywords
- network
- block
- denoising
- image
- likelihood
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001629 suppression Effects 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 27
- 239000000203 mixture Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000000638 solvent extraction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000004321 preservation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- NAPPWIFDUAHTRY-XYDRQXHOSA-N (8r,9s,10r,13s,14s,17r)-17-ethynyl-17-hydroxy-13-methyl-1,2,6,7,8,9,10,11,12,14,15,16-dodecahydrocyclopenta[a]phenanthren-3-one;(8r,9s,13s,14s,17r)-17-ethynyl-13-methyl-7,8,9,11,12,14,15,16-octahydro-6h-cyclopenta[a]phenanthrene-3,17-diol Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1.OC1=CC=C2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 NAPPWIFDUAHTRY-XYDRQXHOSA-N 0.000 description 1
- 208000012639 Balance disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
基于非均衡深度期望块对数似然网络的地震噪声压制方法属机器学习与地震图像处理技术领域，针对期望块对数似然算法中正则项参数仅随整体噪声方差变化导致强噪声无法彻底压制的问题，本发明提出了一种基于非均衡深度期望块对数似然网络的地震噪声压制方法，其中端对端的去噪网络由期望块对数似然去噪主网络和一个非均衡多层感知机参数估计网络构成，以含噪地震图像作为输入端，干净地震图像作为输出端学习网络参数，并首次采用块信噪比非均衡的调整多层感知机估计网络参数，本发明能实现对地震图像中的每个块估计出准确的正则项参数，更好的控制每个块的去噪强度，进而提升块去噪效果，在沙漠强噪声压制以及信号细节保持方面优于传统地震去噪算法。
Description
技术领域
本发明属机器学习与地震图像处理技术领域，具体涉及一种基于非均衡深度期望块对数似然网络的地震噪声压制方法。
背景技术
石油、天然气等资源的勘探一直是经久不衰的热点。地震勘探是目前对石油天然气等地下能源勘探开采的主要手段，然而受地震勘探地区环境的影响，采集到的地震图像中往往混杂着大量的随机噪声。这些噪声严重破坏了有效信号，增加了提取反射地震信号的难度，所以地震随机噪声压制是地震数据处理中提高地震质量，从而从噪声干扰的信号中提取地下结构信息的根本问题。近些年来，我国开始了对沙漠地区油田的开采工作，然而沙漠地区由于植被覆盖面积小，沙漠覆盖面积大，造成其环境噪声不同于平原地区和林地地区，主要来源于风噪声和近场人文噪声，这些噪声以低频色噪声为主，且与有效信号处于同一频带，给常规的去噪方法带来了很大的困难。
国内外地球物理学者和信号处理学者在地震勘探去噪方面做了大量研究，并不断提出新的去噪方法，以适应地震勘探技术的发展和地震勘探目标的新要求。从最初经典的傅里叶变换发展到适应非平稳信号的短时傅里叶变换，从小波变换到Curvelet变换、脊波变换，从时频域峰值滤波到径向道时域峰值滤波等等一系列方法，抑制地震图像中的噪声，并取得了显著的去噪效果。然而，这些降噪方法未能充分挖掘地震勘探信号复杂的结构特征，导致在压制噪声的同时有效信号也存在一定程度丢失。近年来，基于字典学习方法有效改进了图像降噪效果。字典学习的去噪模型通过更新字典，学习地震勘探图像中信号的结构特征，能够更好地抑制图像中的随机噪声。字典学习的方法通常利用图像块学习字典，减小字典学习的复杂度，但忽略了图像的全局特征。针对此问题，Zoran等人提出了块期望对数似然降噪方法，利用高斯混合模型学习目标信号的结构特征作为先验约束去噪过程。该算法既能精准描述图像块统计特征，又能从强噪声中无失真地复原自然图像。在深度学习方面，目前已提出多种去噪网络，包括带有对称跳跃连接的卷积自动编码器、深层卷积神经网络的残差学去噪网络、多层感知机等。这些方法也被应用于地震资料处理，并取得了不错的效果。其中多层感知机是一种人工神经网络，它包括输入输出还有中间的多个隐藏层，只要训练样本足够大，MLP可以达到当前最先进的去噪水平。
发明内容
本发明提供了一种基于非均衡深度期望块对数似然网络的地震噪声压制方法，通过将传统的期望块对数似然算法嵌入到深度学习框架中，将其转化为一个端到端的可学习的网络。通过非均衡深度期望块对数似然网络解决沙漠噪声压制问题。
本发明的基于非均衡深度期望块对数似然网络的地震噪声压制方法，包括下列步骤：
1.1构建非均衡深度期望块对数似然网络：
所构建的非均衡深度期望块对数似然网络由端对端期望块对数似然去噪主网络和非均衡多层感知机参数估计网络构成；
1.1.1端对端期望块对数似然去噪主网络由重叠分块模块、块去噪模块和块重构模块组成，块去噪模块由混合高斯模型匹配算子和维纳滤波算子构成；
1.1.2非均衡多层感知机参数估计网络由输入层、三层隐藏层和输出层构成；输入层节点数取向量化图像块的维数，输出层为一个节点；除最后一层外，每层隐藏层由一个完全连接的线性映射和一个线性整流函数ReLU组成；
1.1.3将重叠分块模块输出的含噪图像块输入非均衡多层感知机参数估计网络，网络输出每个块对应的正则项参数，然后将正则项参数输入块去噪模块和块重构模块；
1.2给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震勘探图像；V是低频色噪声；基于非均衡深度期望块对数似然网络压制低频色噪声，包括下列步骤：
1.2.1利用重叠分块模块将含噪图像Y分为m个大小为q×q的图像块yi＝RiY,i＝1,...,m，重叠步长为q/2，其中：8≤q≤30，Ri为抽样算子；
1.2.2通过非均衡多层感知机参数估计网络估计含噪图像块yi对应的正则项参数
1.2.3将正则项参数
输入混合高斯模型匹配算子，计算含噪图像块yi在第k个高斯分量下的后验概率，选取对应后验概率最大即匹配程度最高的子模型
1.2.4利用第
个高斯分量的协方差矩阵
和正则项参数
构建维纳滤波算子，对图像块yi滤波得到滤波后的小块
1.2.5在块重构模块中以
作为权值对滤波后的图像块
加权平均，重构后得到去噪后的干净沙漠地震图像
步骤1.2.1到步骤1.2.5去噪过程由网络映射
表示；
1.3在网络F去噪前首先构建训练集，分析实际沙漠地震信号的结构特征，利用雷克子波、零相位波和混合相位波模拟生成的n幅干净沙漠地震图像，得到干净图像训练集{Xj}；然后在{Xj}加入模拟噪声与实际沙漠噪声,生成对应的含噪图像训练集{Yj}；
1.4利用生成的训练集训练混合高斯模型及学习网络F参数Θ，包括下列步骤：
1.4.1使用干净图像训练集{Xj}，通过期望最大化算法学习高斯混合模型，训练中首先对{Xj}重叠分块，然后对图像块去均值，得到均值为0的训练图像块集，一批批学习高斯混合模型的协方差矩阵Σk和权重系数πk，批大小为1500；
1.4.2对非均衡深度期望块对数似然网络进行训练，建立一个从网络输入含噪地震勘探图像Yj到网络输出
的映射
其中：Θ＝{w,b}为网络参数，w和b分别为非均衡多层感知机参数估计网络MLP网络的权重和偏置；
1.4.3使用如下非均衡损失函数学习多层感知机参数估计网络参数Θ，网络输出为
其中：yi代表含噪图像中第i个块，
为对应的正则项参数，损失函数计算公式为：
其中：参数η为常数，通常设置为0＜η＜0.5，能对估计出来的正则项参数施加不同的惩罚；参数si是第i个块的信号与噪声方差的比值，当(f(Θ；yi)-si)＜0时
其它
1.4.4端对端期望块对数似然去噪主网络损失函数为
1.4.5非均衡深度期望块对数似然网络损失函数的计算公式为：
其中：γunba表示非均衡学习损失的权重系数；当Γ(Θ)达到最小值时的Θ值为最终网络参数。
本发明的有益效果在于：针对期望块对数似然算法中正则项参数仅随整体噪声方差变化导致强噪声无法彻底压制的问题，提出了一种非均衡深度期望块对数似然去噪网络。这种端对端的去噪网络由期望块对数似然去噪主网络和一个非均衡多层感知机参数估计网络构成。以含噪地震图像作为输入端，干净地震图像作为输出端学习网络参数，并首次采用块信噪比非均衡的调整多层感知机估计网络参数。该方法能实现对地震图像中的每个块估计出准确的正则项参数，避免了手动调参的导致的误差，更好的控制每个块的去噪强度，进而提升块去噪效果。本发明在沙漠强噪声压制以及信号细节保持方面优于传统地震去噪算法。
附图说明
图1为基于非均衡深度期望块对数似然网络的地震噪声压制方法的流程图
图2为合成纯净地震记录的示意图
图3为合成沙漠随机噪声的示意图
图4为将图3所示的沙漠随机噪声加入图2中得到的被噪声污染的地震记录的示意图
图5为采用F-k滤波器的去噪结果的示意图
图6为采用EPLL的去噪结果的示意图
图7为采用本发明方法的去噪结果的示意图
图8为干净地震数据和F-K滤波器去噪结果的差值的示意图
图9为干净地震数据和EPLL去噪结果的差值的示意图
图10为干净地震数据和本发明方法去噪结果的差值的示意图
具体实施方式
本发明的基于非均衡深度期望块对数似然网络的地震噪声压制方法，包括下列步骤：
1.1构建非均衡深度期望块对数似然网络：
所构建的非均衡深度期望块对数似然网络由端对端期望块对数似然去噪主网络和非均衡多层感知机参数估计网络构成；
1.1.1端对端期望块对数似然去噪主网络由重叠分块模块、块去噪模块和块重构模块组成，块去噪模块由混合高斯模型匹配算子和维纳滤波算子构成；
1.1.2非均衡多层感知机参数估计网络由输入层、三层隐藏层和输出层构成；输入层节点数取向量化图像块的维数，输出层为一个节点；除最后一层外，每层隐藏层由一个完全连接的线性映射和一个线性整流函数ReLU组成；
1.1.3将重叠分块模块输出的含噪图像块输入非均衡多层感知机参数估计网络，网络输出每个块对应的正则项参数，然后将正则项参数输入块去噪模块和块重构模块；
1.2给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震勘探图像；V是低频色噪声；基于非均衡深度期望块对数似然网络压制低频色噪声，包括下列步骤：
1.2.1利用重叠分块模块将含噪图像Y分为m个大小为q×q的图像块yi＝RiY,i＝1,...,m，重叠步长为q/2，其中：8≤q≤30，Ri为抽样算子；
1.2.2通过非均衡多层感知机参数估计网络估计含噪图像块yi对应的正则项参数
1.2.3将正则项参数
输入混合高斯模型匹配算子，计算含噪图像块yi在第k个高斯分量下的后验概率，选取对应后验概率最大即匹配程度最高的子模型
1.2.4利用第
个高斯分量的协方差矩阵
和正则项参数
构建维纳滤波算子，对图像块yi滤波得到滤波后的小块
1.2.5在块重构模块中以
作为权值对滤波后的图像块
加权平均，重构后得到去噪后的干净沙漠地震图像
其中：I为单位阵；参数λ为常数；
步骤1.2.1到步骤1.2.5去噪过程由网络映射
表示；
1.3在网络F去噪前首先构建训练集，分析实际沙漠地震信号的结构特征，利用雷克子波、零相位波和混合相位波模拟生成的n幅干净沙漠地震图像，得到干净图像训练集{Xj}；然后在{Xj}加入模拟噪声与实际沙漠噪声,生成对应的含噪图像训练集{Yj}；
1.4利用生成的训练集训练混合高斯模型及学习网络F参数Θ，包括下列步骤：
1.4.1使用干净图像训练集{Xj}，通过期望最大化算法学习高斯混合模型，训练中首先对{Xj}重叠分块，然后对图像块去均值，得到均值为0的训练图像块集，一批批学习高斯混合模型的协方差矩阵Σk和权重系数πk，批大小为1500；
1.4.2对非均衡深度期望块对数似然网络进行训练，建立一个从网络输入含噪地震勘探图像Yj到网络输出
的映射
其中：Θ＝{w,b}为网络参数，w和b分别为非均衡多层感知机参数估计网络MLP网络的权重和偏置；
1.4.3使用如下非均衡损失函数学习多层感知机参数估计网络参数Θ，网络输出为
其中：yi代表含噪图像中第i个块，
为对应的正则项参数，损失函数计算公式为：
其中：参数η为常数，通常设置为0＜η＜0.5，能对估计出来的正则项参数施加不同的惩罚；参数si是第i个块的信号与噪声方差的比值，当(f(Θ；yi)-si)＜0时
其它
1.4.4端对端期望块对数似然去噪主网络损失函数为
1.4.5非均衡深度期望块对数似然网络损失函数的计算公式为：
其中：γunba表示非均衡学习损失的权重系数；当Γ(Θ)达到最小值时的Θ值为最终网络参数。
实施例
1.工作条件
本发明的实验平台采用Intel(R)Core(TM)i5-7500 CPU@3.40GHz 3.40GHz，内存为8GB，运行Windows 7的PC机，语言为python语言。运行环境为python＝＝3.7、torch＝＝1.0.1、scipy＝＝1.3.1以及matplotlib。
2.实验内容与结果分析
下面通过对合成数据和野外实际数据的实验来说明一下本发明的实验效果：
如图2所示，100道合成干净地震数据包含4道信号轴，它们分别由主频率为[19Hz18Hz 17Hz 16Hz]雷克子波产生，合成的沙漠随机噪声如图3所示。图4为将图3加入到图2中所得到的被沙漠噪声污染的沙漠地震数据,信噪比-4dB。在本例中，测试了本发明方法的去噪结果如图7所示，并将其与F-K滤波结果如图5所示、EPLL的去噪结果如图6所示进行比较。对比三种方法的去噪结果，可以看出它们能够滤除大部分的沙漠随机噪声，使地震信号变得清晰连续。此外，F-K滤波器比EPLL和本发明的方法的去噪结果中有更多的噪声。并将图5-7的去噪结果与图2所示的干净图像做差得到对应的差图，如图8-10所示。与F-K、EPLL方法相比，本发明的方法产生的信号损耗最小，并且在信号细节保留方面有了提升。本发明的方法和EPLL能去除绝大部分的噪声，但是与本发明的方法相比，EPLL的信号损失更大。
为了定量比较F-K滤波器、EPLL和本发明对不同信噪比下的沙漠噪声压制性能，我们使用了四种不同信噪比的沙漠地震数据，统计了这三种方法去噪结果的信噪比和均方误差。结果见表1。
表1不同方法去噪结果信噪比与均方误差比较：SNR(dB)/MSE
从表1可以看出，与其他两种方法相比，本发明的去噪结果SNR值最大，MSE值最小。这说明本发明的方法比其他两种方法具有更好的去噪效果。
SNR和MSE分别由以下公式定义：
其中：s为无噪声数据，y为有噪声数据。
其中：
为去噪后的信号，N为样本个数。
Claims (1)
1.一种基于非均衡深度期望块对数似然网络的地震噪声压制方法，其特征在于下列步骤：
1.1构建非均衡深度期望块对数似然网络：
所构建的非均衡深度期望块对数似然网络由端对端期望块对数似然去噪主网络和非均衡多层感知机参数估计网络构成；
1.1.1端对端期望块对数似然去噪主网络由重叠分块模块、块去噪模块和块重构模块组成，块去噪模块由混合高斯模型匹配算子和维纳滤波算子构成；
1.1.2非均衡多层感知机参数估计网络由输入层、三层隐藏层和输出层构成；输入层节点数取向量化图像块的维数，输出层为一个节点；除最后一层外，每层隐藏层由一个完全连接的线性映射和一个线性整流函数ReLU组成；
1.1.3将重叠分块模块输出的含噪图像块输入非均衡多层感知机参数估计网络，网络输出每个块对应的正则项参数，然后将正则项参数输入块去噪模块和块重构模块；
1.2给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震勘探图像；V是低频色噪声；基于非均衡深度期望块对数似然网络压制低频色噪声，包括下列步骤：
1.2.1利用重叠分块模块将含噪图像Y分为m个大小为q×q的图像块yi＝RiY,i＝1,...,m，重叠步长为q/2，其中：8≤q≤30，Ri为抽样算子；
1.2.2通过非均衡多层感知机参数估计网络估计含噪图像块yi对应的正则项参数
1.2.3将正则项参数
输入混合高斯模型匹配算子，计算含噪图像块yi在第k个高斯分量下的后验概率，选取对应后验概率最大即匹配程度最高的子模型
1.2.4利用第
个高斯分量的协方差矩阵
和正则项参数
构建维纳滤波算子，对图像块yi滤波得到滤波后的小块
1.2.5在块重构模块中以
作为权值对滤波后的图像块
加权平均，重构后得到去噪后的干净沙漠地震图像
步骤1.2.1到步骤1.2.5去噪过程由网络映射
表示；
1.3在网络F去噪前首先构建训练集，分析实际沙漠地震信号的结构特征，利用雷克子波、零相位波和混合相位波模拟生成的n幅干净沙漠地震图像，得到干净图像训练集{Xj}；然后在{Xj}加入模拟噪声与实际沙漠噪声,生成对应的含噪图像训练集{Yj}；
1.4利用生成的训练集训练混合高斯模型及学习网络F参数Θ，包括下列步骤：
1.4.1使用干净图像训练集{Xj}，通过期望最大化算法学习高斯混合模型，训练中首先对{Xj}重叠分块，然后对图像块去均值，得到均值为0的训练图像块集，一批批学习高斯混合模型的协方差矩阵Σk和权重系数πk，批大小为1500；
1.4.2对非均衡深度期望块对数似然网络进行训练，建立一个从网络输入含噪地震勘探图像Yj到网络输出
的映射
其中：Θ＝{w,b}为网络参数，w和b分别为非均衡多层感知机参数估计网络MLP网络的权重和偏置；
1.4.3使用如下非均衡损失函数学习多层感知机参数估计网络参数Θ，网络输出为
其中：yi代表含噪图像中第i个块，
为对应的正则项参数，损失函数计算公式为：
其中：参数η为常数，设置为0＜η＜0.5，能对估计出来的正则项参数施加不同的惩罚；参数si是第i个块的信号与噪声方差的比值，当(f(Θ；yi)-si)＜0时
其它
1.4.4端对端期望块对数似然去噪主网络损失函数为
1.4.5非均衡深度期望块对数似然网络损失函数的计算公式为：
其中：γunba表示非均衡学习损失的权重系数；当Γ(Θ)达到最小值时的Θ值为最终网络参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011557990.0A CN112598593B (zh) | 2020-12-25 | 2020-12-25 | 基于非均衡深度期望块对数似然网络的地震噪声压制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011557990.0A CN112598593B (zh) | 2020-12-25 | 2020-12-25 | 基于非均衡深度期望块对数似然网络的地震噪声压制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598593A CN112598593A (zh) | 2021-04-02 |
| CN112598593B true CN112598593B (zh) | 2022-05-27 |
Family
ID=75202685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011557990.0A Active CN112598593B (zh) | 2020-12-25 | 2020-12-25 | 基于非均衡深度期望块对数似然网络的地震噪声压制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598593B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113109873B (zh) * | 2021-04-20 | 2022-11-29 | 吉林大学 | 一种基于秩残差约束的沙漠地区地震信号噪声抑制方法 |
| CN114545504B (zh) * | 2022-02-18 | 2023-05-09 | 吉林大学 | 一种基于深度学习的沙漠地震勘探随机噪声建模方法 |
| CN115577247B (zh) * | 2022-12-09 | 2023-07-11 | 中海油田服务股份有限公司 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574831A (zh) * | 2016-03-17 | 2016-05-11 | 河海大学常州校区 | 一种修正的图像块期望对数似然估计的图像去噪方法 |
| CN105913383A (zh) * | 2016-03-28 | 2016-08-31 | 河海大学常州校区 | 基于图像块先验估计混合框架的图像降噪方法 |
| CN108037533A (zh) * | 2018-01-16 | 2018-05-15 | 吉林大学 | 一种基于块重组期望对数似然的地震勘探噪声压制方法 |
| CN108416755A (zh) * | 2018-03-20 | 2018-08-17 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及系统 |
| CN108550118A (zh) * | 2018-03-22 | 2018-09-18 | 深圳大学 | 运动模糊图像的模糊处理方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9633274B2 (en) * | 2015-09-15 | 2017-04-25 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for denoising images using deep Gaussian conditional random field network |
-
2020
- 2020-12-25 CN CN202011557990.0A patent/CN112598593B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574831A (zh) * | 2016-03-17 | 2016-05-11 | 河海大学常州校区 | 一种修正的图像块期望对数似然估计的图像去噪方法 |
| CN105913383A (zh) * | 2016-03-28 | 2016-08-31 | 河海大学常州校区 | 基于图像块先验估计混合框架的图像降噪方法 |
| CN108037533A (zh) * | 2018-01-16 | 2018-05-15 | 吉林大学 | 一种基于块重组期望对数似然的地震勘探噪声压制方法 |
| CN108416755A (zh) * | 2018-03-20 | 2018-08-17 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及系统 |
| CN108550118A (zh) * | 2018-03-22 | 2018-09-18 | 深圳大学 | 运动模糊图像的模糊处理方法、装置、设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising;Kai Zhang 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20170731;第26卷(第7期);3142-3155 * |
| Deep Gaussian Conditional Random Field Network: A Model-based Deep Network for Discriminative Denoising;Raviteja Vemulapalli 等;《arXiv》;20151212;1-10 * |
| End-to-end Interpretable Learning of Non-blind Image Deblurring;Thomas Eboli 等;《European Conference on Computer Vision》;20201219;1-17 * |
| Multi-Scale Patch-Based Image Restoration;Vardan Papyan 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20160131;第25卷(第1期);249-261 * |
| 利用多层感知机的地震数据去噪;王琪琪 等;《石油地球物理勘探》;20200430;第55卷(第2期);272-281 * |
| 基于图像块先验的低秩近似和维纳滤波的去噪算法;张杨 等;《山东大学学报( 工学版)》;20170412;第47卷(第3期);16-20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112598593A (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112598593B (zh) | 基于非均衡深度期望块对数似然网络的地震噪声压制方法 | |
| Zhu et al. | Seismic signal denoising and decomposition using deep neural networks | |
| Zhao et al. | Low-frequency noise suppression method based on improved DnCNN in desert seismic data | |
| Liu et al. | Random noise suppression in seismic data: What can deep learning do? | |
| CN111723701B (zh) | 一种水中目标识别方法 | |
| CN111190227B (zh) | 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 | |
| CN110456332B (zh) | 一种基于自动编码器的水声信号增强方法 | |
| CN112946749B (zh) | 基于数据增广训练深度神经网络压制地震多次波的方法 | |
| CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
| 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 | |
| Zhou et al. | Sparse dictionary learning for seismic noise attenuation using a fast orthogonal matching pursuit algorithm | |
| CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
| CN111368247A (zh) | 基于快速正交字典的稀疏表征正则化叠前avo反演方法 | |
| CN111399057B (zh) | 一种基于非凸稀疏约束的地震资料噪声压制方法 | |
| CN113077386A (zh) | 基于字典学习和稀疏表征的地震资料高分辨率处理方法 | |
| CN115877461A (zh) | 一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法 | |
| Zhou et al. | Deblending of simultaneous-source data using iterative seislet frame thresholding based on a robust slope estimation | |
| CN111708087A (zh) | 一种基于DnCNN神经网络对地震数据噪声压制的方法 | |
| CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
| CN113687414B (zh) | 基于数据增广的卷积神经网络地震层间多次波压制方法 | |
| CN112526599A (zh) | 基于加权l1范数稀疏准则的子波相位估计方法及系统 | |
| Li et al. | Removing abnormal environmental noise in nodal land seismic data using deep learning | |
| CN116068644A (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
| Hao et al. | Denoising method based on spectral subtraction in time-frequency domain | |
| CN108957529B (zh) | 一种基于属性的无井区子波估计方法 |
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 |