CN114063168B - 一种地震信号人工智能降噪方法 - Google Patents
一种地震信号人工智能降噪方法 Download PDFInfo
- Publication number
- CN114063168B CN114063168B CN202111351394.1A CN202111351394A CN114063168B CN 114063168 B CN114063168 B CN 114063168B CN 202111351394 A CN202111351394 A CN 202111351394A CN 114063168 B CN114063168 B CN 114063168B
- Authority
- CN
- China
- Prior art keywords
- model
- layer
- generator
- convolution
- resolution image
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims abstract description 10
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 28
- 238000013135 deep learning Methods 0.000 description 10
- 230000001629 suppression Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008485 antagonism Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种地震信号人工智能降噪方法，应用于图像处理领域，针对现有技术存在的地震图像分辨率低的问题；本发明采用改进的SRGAN网络，所述改进的SRGAN网络包括：生成器模型、判别器模型以及VGG‑16模型；将训练数据集中的地震图像进行随机裁剪，得到高分辨率图片，对初始图像进行池化，生成低分辨率图像；将低分辨率图像输入生成器模型，得到高分辨率图像，将生成器模型生成的高分辨率图像和初始图像同时输入判别器模型；将生成器模型生成的高分辨率图像和初始图像同时输入VGG‑16模型；最后采用训练完成的改进的SRGAN的生成器实现待处理地震信号的降噪处理。
Description
技术领域
本发明属于图像处理领域，特别涉及一种图像降噪技术。
背景技术
过去几十年以来，地震勘探技术在石油、天然气等资源的发现、开采等方面发挥了非常关键的作用，目前正在向精细化、高效化、自动化、智能化等方向快速发展。然而，由于地震波的波场本身十分复杂，加之地震信号采集环节不可避免地存在车辆、工厂、高压电、动物活动等各类噪声源干扰，所获地震数据信噪比往往较低，后期资料处理难度较大；尤其是噪声压制不彻底，将对高精度地震解释、油气藏精细描述等后期应用产生干扰，不利于油气资源的勘探与开发。因此，地震勘探技术的精细化、高效化、智能化和自动化发展，必将以地震数据处理的精细化、高效化、智能化和自动化为基础，尤其需高度重视处理流程中的噪声压制环节；应通过创新噪声压制技术、优化处理流程、缩短处理周期等思路，实现噪声压制的精细化、高效化、智能化和自动化，以重建高信噪比、高保真和高分辨地震波场，为地层追踪、构造解释、断层识别等提供可靠的基础资料。
目前，随着人工智能的兴起，深度学习方法在自动化处理、数据挖掘、知识学习与表征、智能化信息提取、降低成本、减少繁琐的人工工作、提高效率等方面正发挥重要作用。就地震信号的降噪压制而言，它正在从褶积滤波、小波变换、S变换等传统方法，向前沿深度学习方法发展。但深度学习在地震数据去噪方面的应用尚处理探索阶段，多数采用卷积神经网络(Convolutional Neural Networks,CNN)开展噪声压制研究，其它深度学习方法应用较少。
近年来，超分辨率图像重建技术(Image super-resolution restoration,SR)在图像处理和计算机视觉等领域已经成为热点，可以在地震数据高分辨处理过程发挥重要作用。SR通过特定的算法，能将低分辨率(Low Resolution，LR)的图像重建为高分辨率(HighResolution，HR)图像。早期的SR重建算法是以数字信号处理以基础，利用傅里叶变换或者小波变换将图像变换到频域进行HR重建。2014年，Dong等首次将深度学习应用到图像SR重建领域，设计了超分辨率卷积神经网络(Super-Resolution Convolutional NeuralNetworks，SRCNN)，使用三层CNN学习LR与HR图像之间的映射关系，并在SR重建领域掀起了深度学习的浪潮。随后在2016年，香港中文大学Dong Chao等人实现对SRCNN速度性能的大幅提升，Jiwon Kim提出的VDSR(Super-Resolution Using Very Deep ConvolutionalNetworks)实现了对SRCNN性能的进一步优化。在2017年，Christian Ledig等提出了超分辨率生成对抗网络(Super-Resolution Generative Adversarial Networks，SRGAN)，通过生成器与判别器的博弈对抗，让生成器能够将给定的LR图像重建为HR图像。SRCNN与SRGAN相比较，后者处理后的图像拥有更多的细节特征，且更加平滑细致。
目前，基于深度学习的地震信号降噪，大多数采用监督学习方法，主要存在两方面问题。一方面，如果只利用训练合成数据得到的特征对真实数据进行去噪处理，则训练集和测试集的数据不匹配，因此测试集无法完全继承这些特征；另一方面，如果用传统方法的去噪结果作为标签来训练网络，则网络重建的去噪结果很难超过原始标签的结果，即无法超越传统方法的去噪效果。
发明内容
针对地震信号降噪问题，本发明提出一种地震信号人工智能降噪方法，采用深度学习的方法，通过采用生成对抗网络(GAN)，将低分辨率图像重建为高分辨率图像，从而达到降噪的效果，让我们更易分析多波地震信号中蕴含的信息，实现精细化、高效化、自动化、智能化的地震勘探。
本发明采用的技术方案为：一种地震信号人工智能降噪方法，包括：
S1、构建改进的SRGAN网络，所述改进的SRGAN网络包括：生成器模型、判别器模型以及VGG-16模型；
S2、将训练数据集输入改进的SRGAN网络进行训练，具体的：将训练数据集中的地震图像进行随机裁剪，得到高分辨率图片，对训练数据集中的地震图像进行池化，生成低分辨率图像；将低分辨率图像输入生成器模型，得到高分辨率图像，将高分辨率图片和生成器模型生成的高分辨率图像同时输入判别器模型；将高分辨率图片和生成器模型生成的高分辨率图像同时输入VGG-16模型；
S3、分别计算生成器模型、判别器模型各自的损失函数梯度，采用梯度下降法更新生成器模型、判别器模型，直到生成器模型、判别器模型收敛，保存生成器模型参数；
S4、将待处理的地震信号的原始数据，转换为矩阵数据；
S5、将经步骤S4转化得到的矩阵数据输入训练完成的改进的SRGAN网络的生成器模型，从而得到降噪结果。
步骤S5具体为：
进行归一化处理，然后将地震信号从单通道图片复制为三通道图片；
将三通道图片输入生成器模型，得到高分辨率图片；
将高分辨率图片的三通道数据求取平均值，得到单通道图像；
对单通道图像进行重采样后拼接为完整数据；
对拼接后的完整数据进行反归一化，得到降噪结果。
步骤S3所述生成器模型的损失函数根据生成器模型的正则化损失函数、内容损失函数、对抗损失函数计算得到；所述生成器模型的正则化损失函数根据生成器模型的感知损失计算得到，生成器模型的内容损失函数根据VGG-16模型的感知算是计算得到，生成器模型的对抗损失根据判别器模型的感知损失计算得到。
生成器模型的正则化损失函数计算式为：
其中，GθG(ILR)是生成器模型生成的高分辨率图像，ILR是低分辨率图像，rW和rH表示高分辨率图像的维度。
生成器模型的对抗损失函数计算式为：
其中，DθD(GθG(ILR))指的是判别器将生成器生成的高分辨率图像分辨为初始图像的概率，GθD(ILR)指的是生成器生成的高分辨率图像，ILR是低分辨率图像。
生成器模型的内容损失函数计算式为：
其中，Wi,j和Hi,j为VGG网络中不同层位时图片的维度，φi,j表示第j次卷积得到的特征图在第i个最大池化层之前VGG16模型，GθG(ILR)指的是生成器生成的高分辨率图像，ILR为低分辨率图像。
判别器模型的损失函数计算式为：
其中，DθD(GθG(ILR))指的是判别器将生成器生成的高分辨率图像分辨为初始图像的概率，GθG(ILR)指的是生成器生成的高分辨率图像，ILR指的是步骤5中产生的低分辨率图像，IHR为初始图像，Dθ(IHR)为判别器将初始图像分辨为初始图像的概率。
本发明的目的是提出一种基于生成对抗网络的地震信号的降噪方法，该方法对已有的算法SRGAN进行改进，分别从SRGAN的生成网络和对单通道图像处理两个方面进行优化。通过与传统的双三次插值结合，优化生成网络的结构。通过对单通道图像的处理和网络结构的优化，使得SRGAN可以处理单通道地震信号。在地震信号的超分辨率重建中，通过D、G和V三个网络的感知损失、目标函数控制和参数迭代，能发挥非线性特征学习优势，恢复弱势信号并剔除噪声干扰，优化地震反射波场，有效提升地震数据的信噪比和分辨率。
附图说明
图1为本发明实施例提供的生成器模型网络结构；
图2为本发明实施例提供的判别器模型网络结构；
图3为本发明实施例提供的VGG-16网络结构；
图4为本发明实施例提供的网络训练流程；
图5为本发明实施例提供的地震信号处理流程；
图6为本发明实施例提供的SRGAN降噪前后图片对比；
其中，(a)为降噪前的图片，(b)为降噪后的图片；
图7为本发明实施例提供的SRGAN降噪前后图片对比；
其中，(a)为降噪前的图片，(b)为降噪后的图片。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
一种地震信号人工智能降噪方法，包括以下步骤：
步骤1.读取Urban100数据集，将数据集转化为矩阵数据。
步骤2.构建如图1所示的生成器模型G。生成器模型的网络结构即为ResNet，结构包括包含5个残差块，以及两个2×亚像素卷积层(sub-pixel convolution layers)。通过生成器模型我们可以产生高分辨率图片。图1-3中k表示卷积核的大小，n表示特征图的数量，s表示卷积步长。
如图1所示，生成器模型包括：输入层LR、第一卷积层Conv、激活层Leaky ReLU、5个残差块、第二卷积层Conv、第一标准化批处理层BN、第一元素求和层Eltwise、2个亚像素卷积块、第三卷积层Conv、输出层SR；每个残差块包括：卷积层Conv、标准化批处理层BN、激活层PReLU、标准化批处理层BN、元素求和层Eltwise；每个亚像素卷积块包括：卷积层Conv、亚像素卷积层Pixel Shuffer、激活层PReLU；依次记5个残差块与2个亚图像卷积块中的卷积层为：第四卷积层Conv、第五卷积层Conv、第六卷积层Conv、第七卷积层Conv、第八卷积层Conv、第九卷积层Conv、第十卷积层Conv；其中，第一卷积层与第三卷积层的卷积核为9，其余卷积层的卷积核为3，第一卷积层、第四卷积层、第五卷积层Conv、第六卷积层Conv、第七卷积层Conv、第八卷积层Conv的特征图的数量为64，第九卷积层Conv、第十卷积层Conv的特征图的数量为256，第三卷积层的特征图的数量为3；所有卷积层的卷积步长均为1。
本发明通过采用两个亚像素卷积块，在保持图片特征的同时增加图片分辨率。
本发明对激活层参数进行优化，通过更改激活层的参数，避免在整个网络过程中最大池化网络，以leakyrelu为例，参数默认为0.01，使用该参数将导致生成器模型不收敛，而本发明中采用参数为0.2此时模型可以收敛。
步骤3.构建如图2所示的判别器模型D，其具体网络结构包含8个卷积层，随着网络层数加深，特征个数不断增加，特征尺寸不断减小，选取激活函数LeakyReLU，通过两个全连接层和最终的sigmoid激活函数，得到预测为自然图像的概率。
如图2所示，所述判别器模型包括：输入层SR、HR or LR、第一卷积层Conv、激活层Leaky ReLU、7个卷积块、第一全连接层Dense(1024)、激活层Leaky ReLU、元素求和层Eltwise、第二全连接层Dense(1)、输出层SR、HR or LR；其中每个卷积块包括1个卷积层Conv、标准化批处理层BN已经激活层Leaky ReLU，这7个卷积块中的卷积层依次记为：第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层，这八个卷积层的卷积核大小均为3，第一卷积层、第二卷积层的特征图数量为64，第三卷积层、第四卷积层的特征图数量为128，第五卷积层、第六卷积层的特征图数量为256，第七卷积层、第八卷积层的特征图数量为512，第一卷积层、第三卷积层、第五卷积层、第七卷积层的卷积步长为1，第二卷积层、第四卷积层、第六卷积层、第八卷积层的卷积步长为2。
步骤4.提取如图3所示的VGG-16模型中的8层卷积层，并为每一层赋予对应的loss权重，锁死参数，不进行训练；VGG-16模型的主要作用为计算G网络的损失函数中的内容损失函数。
如图3所示，包括输入层LR、5个卷积块、1个全连接块以及输出层SR；每个卷积块包括2个卷积层Conv与一个池化层Pooling，所述全连接块包括3个全连接层Dense。所有卷积层的卷积和均为3，第一个卷积块中的2个卷积层的特征图数量为64，第二个卷积块中的2个卷积层的特征图数量为128，第三个卷积块中的2个卷积层的特征图数量为256，第四个卷积块中的2个卷积层的特征图数量为512，第五个卷积块中的2个卷积层的特征图数量为512；所有卷积层的卷积步长均为1。
如图4所示为本发明网络的训练过程，具体包括以下的步骤5-7：
步骤5.将Urban100数据集输入网络，对输入的初始图像进行随机裁剪，生成高分辨率图片，同时对初始图像进行池化，生成我们所需的低分辨率图像；
步骤6.将低分辨率图像输入生成器模型，得到生成的高分辨率图像。将生成器模型生成的高分辨率图像和步骤5生成的高分辨率图片同时输入判别器模型，计算生成器模型的损失函数gLoss，gLoss由生成器模型的对抗损失函数、内容损失函数和正则化损失函数加权而来；生成器模型的损失函数计算式如公式(1)所示：
其中，
为内容损失，
为对抗损失，
为正则化损失。
对抗损失函数根据判别器模型的感知损失计算得到，具体如公式(2)所示：
其中，DθD(GθG(ILR))指的是判别器将生成器生成的高分辨率图像分辨为初始图像的概率，GθG(ILR)指的是生成器生成的高分辨率图像，ILR指的是步骤5中产生的低分辨率图像。
内容损失函数根据VGG网络的感知损失计算得到，具体如公式(3)所示：
其中Wi,j和Hi,j描述了VGG网络中不同层位时图片的维度。φi,j表示第j次卷积得到的特征图(激活后)在第i个最大池化层之前VGG16网络。GθG(ILR)指的是生成器生成的高分辨率图像，ILR指的是步骤5中产生的低分辨率图像。
正则化损失函数根据生成器模型的感知损失计算得到，具体如公式(4)所示：
这里正则化损失采用为MSE函数，GθG(ILR)是生成器生成的高分辨率图像，x、y表示像素点的横纵坐标，ILR指的是步骤5中产生的低分辨率图像，其中rW和rH描述了当前高清图片的维度。
步骤7.计算判别器模型的损失函数dLoss和生成网络的损失函数gLoss梯度，采用梯度下降法更新判别网络和生成网络，直到模型收敛，保存生成器模型参数；判别器模型的损失函数如公式(5)所示，判别器模型的损失函数如公式(1)所示；
其中，DθD(GθD(ILR))指的是判别器将生成器生成的高分辨率图像分辨为初始图像的概率，GθG(ILR)指的是生成器生成的高分辨率图像，ILR指的是步骤5中产生的低分辨率图像，IHR为初始图像，Dθ(IHR)为判别器将初始图像分辨为初始图像的概率。
如图5所示为地震信号处理流程，具体包括以下步骤8-11：
步骤8.将地震信号的原始数据，转换为矩阵数据；这里的原始数据具体为：野外采集的原始地震信号，或经室内处理后的地震信号。
步骤9.神经网络输入数据预处理。在对地震信号数据进行归一化处理后，将地震信号从单通道图片复制为三通道图片。
步骤10.如果完整数据体数据较大，则将完整数据体依据剖面位置信息分割为N个小数据体，每个小数据体进行单独输入生成器模型；如果完整的数据体较小，则直接输入生成器模型。
步骤11.将步骤10中得到的高分辨率图像的三通道数据求取平均值，得到单通道图像。由于此时图像的数据密度较大，我们进行重采样，得到和原始数据相同的数据。将此时的数据拼接为完整数据后再进行反归一化，得出的结果即为降噪结果。
原始地震信号受信噪比和分辨率不足的影响，导致了如图6中(a)虚线方框标记处所示的反射同相轴连续性差、调谐效应产生的如图中剪头所指处复合波等问题，必将干扰地层接触关系的解释分析；经超分辨率重建后，如图6中(b)虚线方框标记处所示大量的剩余噪声和虚假非连续反射现象被有效剔除，如图6中(b)中四边形标记的箭头标记处同相轴更连续、波形更平滑可靠，调谐效应减弱，如图6中(b)中五角星标记的箭头标记处弱势反射被有效恢复，尖灭、薄层、微幅褶皱、微断裂等地层特征及层间接触关系更加清晰可辨，更有利于地层追踪解释、“断缝体”识别及其它地质研究。
如图7所示，(a)和(b)的图像对比，可以看出采用SRGAN处理的图像是有效果的，图像变的更为的光滑，不必要的噪声点被去除。并且，在完成降噪的同时，采用SRGAN降噪尽可能的保证了图像信息的完全。
本发明的方法结合传统地震数据处理和前沿超分辨率生成对抗网络(SRGAN)深度学习方法，通过重建地震波场有效信息实现地震信号噪声压制，以探索地震信号智能化和自动化去噪新方法，并利用野外实测数据验证方法效果，确保地震数据能为构造解释、断层追踪、油气识别等提供支撑。
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 (5)
1.一种地震信号人工智能降噪方法，其特征在于，包括：
S1、构建改进的SRGAN网络，所述改进的SRGAN网络包括：生成器模型、判别器模型以及VGG-16模型；
S2、将训练数据集输入改进的SRGAN网络进行训练，具体的：将训练数据集中的地震图像进行随机裁剪，得到高分辨率图片，对训练数据集中的地震图像进行池化，生成低分辨率图像；将低分辨率图像输入生成器模型，得到高分辨率图像，将高分辨率图片和生成器模型生成的高分辨率图像同时输入判别器模型；将高分辨率图片和生成器模型生成的高分辨率图像同时输入VGG-16模型；
S3、分别计算生成器模型、判别器模型各自的损失函数梯度，采用梯度下降法更新生成器模型、判别器模型，直到生成器模型、判别器模型收敛，保存生成器模型参数；步骤S3所述生成器模型的损失函数根据生成器模型的正则化损失函数、内容损失函数、对抗损失函数计算得到；所述生成器模型的正则化损失函数根据生成器模型的感知损失计算得到，生成器模型的内容损失函数根据VGG-16模型的感知损失计算得到，生成器模型的对抗损失根据判别器模型的感知损失计算得到；生成器模型的对抗损失函数计算式为：
其中，DθD(GθG(ILR))指的是判别器将生成器生成的高分辨率图像分辨为初始图像的概率，GθD(ILR)指的是生成器生成的高分辨率图像，ILR是低分辨率图像；
S4、将待处理的地震信号的原始数据，转换为矩阵数据；
S5、将经步骤S4转化得到的矩阵数据输入训练完成的改进的SRGAN网络的生成器模型，从而得到降噪结果；步骤S5具体为：
进行归一化处理，然后将地震信号从单通道图片复制为三通道图片；
将三通道图片输入生成器模型，得到高分辨率图片；
将高分辨率图片的三通道数据求取平均值，得到单通道图像；
对单通道图像进行重采样后拼接为完整数据；
对拼接后的完整数据进行反归一化，得到降噪结果。
2.根据权利要求1所述的一种地震信号人工智能降噪方法，其特征在于，所述生成器模型结构依次为：输入层、第一卷积层、激活层、5个残差块、第二卷积层、第一标准化批处理层、第一元素求和层、2个亚像素卷积块、第三卷积层、输出层；
每个残差块结构依次为：卷积层、标准化批处理层、激活层、标准化批处理层、元素求和层；
每个亚像素卷积块包括：卷积层、亚像素卷积层、激活层；
依次记5个残差块与2个亚图像卷积块中的卷积层为：第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层；其中，第一卷积层与第三卷积层的卷积核为9，其余卷积层的卷积核为3，第一卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层的特征图的数量为64，第九卷积层、第十卷积层的特征图的数量为256，第三卷积层的特征图的数量为3；所有卷积层的卷积步长均为1。
3.根据权利要求2所述的一种地震信号人工智能降噪方法，其特征在于，生成器模型的正则化损失函数计算式为：
其中，GθG(ILR)是生成器模型生成的高分辨率图像，ILR是低分辨率图像，rW和rH表示高分辨率图像的维度。
4.根据权利要求2所述的一种地震信号人工智能降噪方法，其特征在于，生成器模型的内容损失函数计算式为：
其中，Wi,j和Hi,j为VGG网络中不同层位时图片的维度，φi,j表示第j次卷积得到的特征图在第i个最大池化层之前VGG16模型，GθG(ILR)指的是生成器生成的高分辨率图像，ILR为低分辨率图像，IHR为高分辨率图片。
5.根据权利要求2所述的一种地震信号人工智能降噪方法，其特征在于，判别器模型的损失函数计算式为：
其中，DθD(GθG(ILR))指的是判别器将生成器生成的高分辨率图像分辨为初始图像的概率，GθG(ILR)指的是生成器生成的高分辨率图像，ILR是低分辨率图像，IHR为高分辨率图片，Dθ(IHR)为判别器将初始图像分辨为初始图像的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351394.1A CN114063168B (zh) | 2021-11-16 | 2021-11-16 | 一种地震信号人工智能降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351394.1A CN114063168B (zh) | 2021-11-16 | 2021-11-16 | 一种地震信号人工智能降噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114063168A CN114063168A (zh) | 2022-02-18 |
| CN114063168B true CN114063168B (zh) | 2023-04-21 |
Family
ID=80272423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111351394.1A Active CN114063168B (zh) | 2021-11-16 | 2021-11-16 | 一种地震信号人工智能降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114063168B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049565B (zh) * | 2022-08-12 | 2022-11-08 | 国仪量子(合肥)技术有限公司 | 训练方法、训练装置、电子设备和存储介质 |
| CN116068644B (zh) * | 2022-08-31 | 2024-07-09 | 中国地质大学（武汉） | 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 |
| 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335324A (zh) * | 2019-05-22 | 2019-10-15 | 湖南大学 | 一种基于rgb三通道多路合成的灰度图像着色方法及系统 |
| CN111899161A (zh) * | 2019-05-05 | 2020-11-06 | 上海光启智城网络科技有限公司 | 一种超分辨率重建方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10169652B2 (en) * | 2012-11-06 | 2019-01-01 | Cgg Services Sas | Spatial expansion seismic data processing method and apparatus |
| US11024009B2 (en) * | 2016-09-15 | 2021-06-01 | Twitter, Inc. | Super resolution using a generative adversarial network |
| CN110136063B (zh) * | 2019-05-13 | 2023-06-23 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
| CN110120024B (zh) * | 2019-05-20 | 2021-08-17 | 百度在线网络技术（北京）有限公司 | 图像处理的方法、装置、设备和存储介质 |
| CN110361778B (zh) * | 2019-07-04 | 2020-10-13 | 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 |
| CN112001847A (zh) * | 2020-08-28 | 2020-11-27 | 徐州工程学院 | 相对生成对抗超分辨率重建模型生成高质量图像的方法 |
-
2021
- 2021-11-16 CN CN202111351394.1A patent/CN114063168B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899161A (zh) * | 2019-05-05 | 2020-11-06 | 上海光启智城网络科技有限公司 | 一种超分辨率重建方法 |
| CN110335324A (zh) * | 2019-05-22 | 2019-10-15 | 湖南大学 | 一种基于rgb三通道多路合成的灰度图像着色方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 林凡强 ; 陈柯成 ; 陈丹蕾 ; 杨斯涵 ; 陈凡曾 ; .基于生成对抗网络的QR码去模糊算法.包装工程.2018,(第21期),第222-228页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114063168A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114063168B (zh) | 一种地震信号人工智能降噪方法 | |
| CN107767384B (zh) | 一种基于对抗训练的图像语义分割方法 | |
| CN110956126B (zh) | 一种联合超分辨率重建的小目标检测方法 | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN113177555B (zh) | 基于跨层级跨尺度跨注意力机制的目标处理方法及装置 | |
| CN111383192A (zh) | 一种融合sar的可见光遥感图像去雾方法 | |
| CN113870422B (zh) | 一种点云重建方法、装置、设备及介质 | |
| CN113191387A (zh) | 结合无监督学习与数据自增强的文物碎片点云分类方法 | |
| Chang et al. | Generative adversarial networks for seismic data interpolation | |
| CN110210493B (zh) | 基于非经典感受野调制神经网络的轮廓检测方法及系统 | |
| CN113269818B (zh) | 一种基于深度学习的地震数据纹理特征重建方法 | |
| CN113902769A (zh) | 一种基于深度学习语义分割的地震断层识别方法 | |
| CN107944353A (zh) | 基于轮廓波bspp网络的sar图像变化检测方法 | |
| CN114937073B (zh) | 一种基于多分辨率自适应性的多视角立体重建网络模型MA-MVSNet的图像处理方法 | |
| CN115330643A (zh) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 | |
| CN116091492A (zh) | 一种图像变化像素级检测方法与系统 | |
| CN117788296B (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 | |
| CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
| CN113393385B (zh) | 基于多尺度融合的无监督去雨方法、系统、装置及介质 | |
| CN113781311A (zh) | 一种基于生成对抗网络的图像超分辨率重建方法 | |
| Dong et al. | A potential solution to insufficient target-domain noise data: Transfer learning and noise modeling | |
| CN117576483A (zh) | 基于多尺度卷积自编码器的多源数据融合地物分类方法 | |
| CN117593187A (zh) | 基于元学习和Transformer的遥感图像任意尺度超分辨率重建方法 | |
| Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
| CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 |
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 |