CN115877461A - 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 - Google Patents

Abstract

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属机器学习和地震图像处理技术领域，本发明针对沙漠地震图像中低频噪声压制问题，提出了一种多尺度注意力交互网络，该网络先对输入地震数据下采样，然后利用不同核大小的双支路卷积层，自适应地学习多尺度地震数据的复杂特征，再采用多重注意力机制包括置换注意力和坐标注意力在通道、空间和坐标维度上整合和交互多尺度特征来获得连续的地震信号；该方法采用均方误差和平均余弦相似度的混合损失函数，将多尺度策略与注意力机制结合起来，提升沙漠地震图像去噪效果，与单尺度去噪卷积神经网络相比，本发明对沙漠噪声的抑制效果显著，优于单尺度去噪卷积神经网络对同相轴连续性的恢复。

Description

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

技术领域

本发明属机器学习与地震图像处理技术领域，具体涉及一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法。

背景技术

地震勘探是寻找油气资源的重要手段。目前，由于地质结构的复杂和采集技术的限制，获得的地震数据往往混杂着强而复杂的随机噪声。这些不规则的和不可预测的随机噪声严重破坏了有效信号。而地震信号处理的重点和难点就是从采集到的噪声地震图像中，尽可能将噪声和有效信号区分开，进而准确地提取出有效地震信号，提高地震数据的信噪比和分辨率。特别是在沙漠地区，沙漠随机噪声与有效信号的波形相似，频谱重叠，这对地震信号的识别和提取增加了巨大难度。因此，压制噪声对于地震勘探具有重要意义。

为了提高地震数据的质量，国内外研究学者在地震勘探领域做了大量研究，不断地提出了一系列地震降噪的方法和理论，如复扩散滤波、字典学习、非局部贝叶斯滤波、稀疏低秩估计和非局部均值算法等一系列方法。这些方法在一定程度上提高了地震图像的质量。但在低信噪比和时空变化的地震随机噪声的条件下，不同地震记录的去噪效果差异还是较大。而且对于处理大量的地震数据，要获得最佳的去噪效果需要花费大量的时间。这些降噪方法未能充分挖掘地震信号复杂的结构特征和细节特征，导致在压制噪声的同时有效信号的连续性较低，细节也不清晰。近年来，卷积神经网络(CNN)的迅速发展激发了许多有效的地震数据去噪方法的出现。前馈去噪卷积神经网络(DnCNN)、残差编解码网络(REDNet)等网络自适应的学习地震图像中信号的结构特征和细节特征，更好地抑制地震图像中的低频随机噪声。虽然这些基于CNN的方法比传统方法具有更优异的性能，但通常只利用了单一尺度上的特征，限制了网络的去噪能力。

发明内容

地震数据存在着大量的随机噪声，本发明研究的随机噪声是一种非平稳色噪声，其能量主要集中在0-20Hz的低频带，并且在频谱上与有效信号重叠。随机噪声干扰着有效信号使其难以识别。而一些有监督的网络通常只考虑到单尺度特征而忽略了多尺度特征，使去噪过程中信号连续性较低。

本发明的目的在于提供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，先利用不同卷积核大小的双支路卷积层，去自适应地捕获地震数据的多尺度特征，然后采用包含置换注意力和坐标注意力的多重注意力机制，在迭代过程中使得网络逐渐交互和整合多尺度特征，通过结合多尺度策略和注意力机制，既能有效压制沙漠地震图像中的低频噪声，又能使恢复出来的信号更加连续。本发明能够在恢复复杂形态地震信号的同时获得优异的去噪性能。

本发明的基于多尺度注意力交互网络的沙漠地震噪声抑制方法，包括下列步骤：

1)构建多尺度注意力交互网络：所构建的多尺度注意力交互网络由多尺度特征提取模块、多尺度特征融合模块和重构模块构成；

1.1)多尺度特征提取模块由下采样块和残差多尺度块构成；下采样块表示在行和列上隔点采样，将输入数据变为大小减半的子数据；残差多尺度块由双支路不同大小的卷积层构成，具体的：先分别执行1×3和3×1的卷积和线性整流激活函数Relu操作，两个支路的信息交叉融合后分别发送到3×1卷积和1×3卷积，再执行Relu操作，然后连接两个支路的输出，并发送到一个1×1的卷积层，最后与输入数据进行元素相加操作；

1.2)多尺度特征融合模块由置换注意力和坐标注意力构成；坐标注意力的第1层是水平方向和垂直方向的池化核，第2层是连接操作和卷积层，第3层是批处理归一化BN层和非线性层，第4层是卷积层，第5层是Sigmoid函数；

1.3)重构模块由卷积层和逆下采样块构成；卷积层共有7层，第1层到第6层包括卷积、BN和Relu操作，第7层只进行卷积操作；

2)给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震图像；V表示低频色噪声；

基于多尺度注意力交互网络压制含噪地震数据的低频色噪声，包括下列步骤：

2.1)将含噪地震勘探图像Y作为网络的输入；

2.2)通过下采样块将输入数据分解为4个大小减半的子数据；

2.3)将子数据输入到并行的残差多尺度块，得到输出M；

2.4)沿着通道维度将M平均划分为G组：M＝[M₁,···,M_G]，对于M中的第K个特征M_k来说，先沿着通道维度分成两个小的子特征，即M_k1，M_k2，分别经过通道注意力模块和空间注意力模块，得到输出M_k1’和M_k2’，最后在通道方向上连接M_k1’和M_k2’进行channel shuffle操作，得到输出N；在通道注意力模块中，先使用全局平均池化生成通道统计信息，然后使用Sigmoid函数乘到输入特征M_k1，获得通道注意力模块的最终输出M_k1’；在空间注意力模块中，采用组归一化对M_k2进行处理，得到空间层面的统计信息，然后采用Fc(·)＝Wx+b进行增强，W和b分别为缩放和偏移参数，最后乘以M_k2得到空间注意力模块的最终输出M_k2’；

2.5)沿水平方向和垂直方向，使用大小为(H，1)和(1，W)的池化核，对N的不同通道的信息进行编码，得到N_x和N_y，然后连接N_x和N_y传送到一个共享的1×1卷积层，再使用非线性激活函数和Sigmoid函数进行处理，将获得的特征图分别用作水平坐标和垂直坐标的注意力权重，最后重新加权于N；

2.6)在重构模块中利用卷积层和逆下采样块，得到去噪后的干净沙漠地震图像

步骤2.1)至步骤2.6)去噪过程由网络映射

表示；

3)构建信号集和噪声集：分析实际沙漠地震信号的结构特征，利用雷克子波模拟生成64幅2000×200的干净沙漠地震图像，得到干净信号训练集{X_i}；准备噪声集{V_i}即实际沙漠噪声，包含480道，每道有30000个采样点；

4)利用信号集和噪声集训练网络，学习网络D的参数Θ，包括下列步骤：

4.1)训练中首先将{X_i}以20为步长，分割成80×80的块，然后对信号块执行振幅归一化处理，得到训练信号块集；类似的，将实际沙漠噪声{V_i}裁剪为80×80的块，然后根据每个噪声块的最大幅值，进行归一化处理，再选取(0，2)范围的随机数作为权重与噪声块相乘，用来模拟不同的噪声水平，获得噪声数据块；最后将信号块与噪声块叠加得到含噪数据块{Y_i}；

4.2)对多尺度注意力交互网络进行训练，建立一个从网络输入含噪地震图像Y_i，到网络输出

的映射/>

其中：Θ＝{w,b}为网络参数，w和b分别为网络的权重和偏置；

4.3)使用均方误差和平均余弦相似度混合损失函数，学习网络参数Θ，网络输出为

平均余弦相似度ACS的计算公式为：

网络损失函数的计算公式为：

其中：α为权重参数；

代表M对含噪—干净训练集，当L(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：在地震数据中，随机噪声降低了地震数据的信噪比，严重污染了有效信号，使地震信号的识别和恢复变得困难。为了获得高质量的地震数据，本发明将多尺度策略和注意力机制结合起来提出了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。将下采样后的地震数据通过双分支结构的残差多尺度块，不同分支使用不同大小的卷积核，以便能够捕获地震数据的多尺度特征。然后使用多重注意力机制，包括置换注意力和坐标注意力，在通道、空间和坐标层面上从网络的浅层到深层逐渐交互多尺度特征，从而从地震噪声中识别出反射信号。本发明采用均方误差和平均余弦相似度的混合损失函数调整网络参数的学习，从而在噪声压制的情况下更好地恢复出连续的信号结构。

附图说明

图1为多尺度注意力交互网络的结构图；

图2为残差多尺度块的结构图；

图3为置换注意力的结构图；

图4为坐标注意力的结构图；

图5为纯净地震记录的示意图；

图6为沙漠随机噪声的示意图；

图7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8为采用DnCNN的去噪结果的示意图；

图9为采用本发明方法的去噪结果的示意图；

图10为干净地震数据和DnCNN去噪结果的差值的示意图；

图11为干净地震数据和本发明方法去噪结果的差值的示意图；

图12为实际含噪地震数据的示意图；

图13为本发明的方法处理的结果示意图。

具体实施方式

下面结合附图描述本发明。

本发明的基于多尺度注意力交互网络的沙漠地震噪声抑制方法，包括下列步骤：

1)构建多尺度注意力交互网络：所构建的多尺度注意力交互网络由多尺度特征提取模块、多尺度特征融合模块和重构模块构成；

1.1)多尺度特征提取模块由下采样块(DB)和残差多尺度块(RMB)构成；下采样块表示在行和列上隔点采样，将输入数据变为大小减半的子数据；残差多尺度块由双支路不同大小的卷积层构成，具体的：先分别执行1×3和3×1的卷积和线性整流激活函数Relu操作，两个支路的信息交叉融合后分别发送到3×1卷积和1×3卷积，再执行Relu操作，然后连接两个支路的输出，并发送到一个1×1的卷积层，最后与输入数据进行元素相加操作；

1.2)多尺度特征融合模块由置换注意力(SAB)和坐标注意力(CAB)构成；坐标注意力的第1层是水平方向和垂直方向的池化核，第2层是连接操作和卷积层，第3层是批处理归一化BN层和非线性层，第4层是卷积层，第5层是Sigmoid函数；

1.3)重构模块由卷积层和逆下采样块构成；卷积层共有7层，第1层到第6层包括卷积、BN和Relu操作，第7层只进行卷积操作；

2)给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震图像；V表示低频色噪声；

基于多尺度注意力交互网络压制含噪地震数据的低频色噪声，包括下列步骤：

2.1)将含噪地震勘探图像Y作为网络的输入；

2.2)通过下采样块将输入数据分解为4个大小减半的子数据；

2.3)将子数据输入到并行的残差多尺度块，得到输出M；

2.4)沿着通道维度将M平均划分为G组：M＝[M₁,···,M_G]，对于M中的第K个特征M_k来说，先沿着通道维度分成两个小的子特征，即M_k1，M_k2，分别经过通道注意力模块和空间注意力模块，得到输出M_k1’和M_k2’，最后在通道方向上连接M_k1’和M_k2’进行channel shuffle操作，得到输出N；在通道注意力模块中，先使用全局平均池化生成通道统计信息，然后使用Sigmoid函数乘到输入特征M_k1，获得通道注意力模块的最终输出M_k1’；在空间注意力模块中，采用组归一化对M_k2进行处理，得到空间层面的统计信息，然后采用Fc(·)＝Wx+b进行增强，W和b分别为缩放和偏移参数，最后乘以M_k2得到空间注意力模块的最终输出M_k2’；

2.5)沿水平方向和垂直方向，使用大小为(H，1)和(1，W)的池化核，对N的不同通道的信息进行编码，得到N_x和N_y，然后连接N_x和N_y传送到一个共享的1×1卷积层，再使用非线性激活函数和Sigmoid函数进行处理，将获得的特征图分别用作水平坐标和垂直坐标的注意力权重，最后重新加权于N；

2.6)在重构模块中利用卷积层和逆下采样块(IDRB)，得到去噪后的干净沙漠地震图像

步骤2.1)至步骤2.6)去噪过程由网络映射

表示；

3)构建信号集和噪声集：分析实际沙漠地震信号的结构特征，利用雷克子波模拟生成64幅2000×200的干净沙漠地震图像，得到干净信号训练集{X_i}；准备噪声集{V_i}即实际沙漠噪声，包含480道，每道有30000个采样点；

4)利用信号集和噪声集训练网络，学习网络D的参数Θ，包括下列步骤：

4.1)训练中首先将{X_i}以20为步长，分割成80×80的块，然后对信号块执行振幅归一化处理，得到训练信号块集；类似的，将实际沙漠噪声{V_i}裁剪为80×80的块，然后根据每个噪声块的最大幅值，进行归一化处理，再选取(0，2)范围的随机数作为权重与噪声块相乘，用来模拟不同的噪声水平，获得噪声数据块；最后将信号块与噪声块叠加得到含噪数据块{Y_i}；

4.2)对多尺度注意力交互网络进行训练，建立一个从网络输入含噪地震图像Y_i，到网络输出

的映射/>

其中：Θ＝{w,b}为网络参数，w和b分别为网络的权重和偏置；

4.3)使用均方误差和平均余弦相似度混合损失函数，学习网络参数Θ，网络输出为

平均余弦相似度ACS的计算公式为：

网络损失函数的计算公式为：

其中：α为权重参数；

代表M对含噪—干净训练集，当L(Θ)达到最小值时的Θ值为最终网络参数。

实施例

下面通过对模拟地震数据和实际地震数据的实验来说明本发明的效果。

本发明的实验平台采用Intel(R)Xeon(R)CPU E5-2678 v3@2.50GHz and anNVIDIA GeForce GTX 1080Ti 411GPU，语言为python语言。

合成干净地震数据如图5所示，总共有100道，每道包含800个采样点，由8个主频分别为：25、24、22、20、18、16和15Hz的地震双曲线事件组成，沙漠随机噪声如图6所示。图7为将图6加入到图5中所得到的被沙漠噪声污染的沙漠地震数据(信噪比为-9dB)。在本实施例中，测试了本发明的方法的去噪结果，并将其与DnCNN的去噪结果进行比较，去噪结果如图8和图9所示。对比去噪结果，可以发现本发明的方法使背景更清晰，恢复的地震事件更清晰、更连续。此外，将图8和图9的去噪结果与图5所示的干净图像做差得到对应的差图，如图10和图11所示。本发明的方法具有最少的信号残留。图12为采集到的含噪地震数据，图13为使用本方法对实际地震数据的处理结果，可以看出到噪声在一定程度上被去除，连续的信号结构也被恢复了出来。

Claims (1)

1.一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法，包括下列步骤：

1)构建多尺度注意力交互网络：所构建的多尺度注意力交互网络由多尺度特征提取模块、多尺度特征融合模块和重构模块构成；

1.1)多尺度特征提取模块由下采样块和残差多尺度块构成；下采样块表示在行和列上隔点采样，将输入数据变为大小减半的子数据；残差多尺度块由双支路不同大小的卷积层构成，具体的：先分别执行1×3和3×1的卷积和线性整流激活函数Relu操作，两个支路的信息交叉融合后分别发送到3×1卷积和1×3卷积，再执行Relu操作，然后连接两个支路的输出，并发送到一个1×1的卷积层，最后与输入数据进行元素相加操作；

1.2)多尺度特征融合模块由置换注意力和坐标注意力构成；坐标注意力的第1层是水平方向和垂直方向的池化核，第2层是连接操作和卷积层，第3层是批处理归一化BN层和非线性层，第4层是卷积层，第5层是Sigmoid函数；

1.3)重构模块由卷积层和逆下采样块构成；卷积层共有7层，第1层到第6层包括卷积、BN和Relu操作，第7层只进行卷积操作；

2)给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震图像；V表示低频色噪声；

基于多尺度注意力交互网络压制含噪地震数据的低频色噪声，包括下列步骤：

2.1)将含噪地震勘探图像Y作为网络的输入；

2.2)通过下采样块将输入数据分解为4个大小减半的子数据；

2.3)将子数据输入到并行的残差多尺度块，得到输出M；

2.4)沿着通道维度将M平均划分为G组：M＝[M₁,···,M_G]，对于M中的第K个特征M_k来说，先沿着通道维度分成两个小的子特征，即M_k1，M_k2，分别经过通道注意力模块和空间注意力模块，得到输出M_k1’和M_k2’，最后在通道方向上连接M_k1’和M_k2’进行channel shuffle操作，得到输出N；在通道注意力模块中，先使用全局平均池化生成通道统计信息，然后使用Sigmoid函数乘到输入特征M_k1，获得通道注意力模块的最终输出M_k1’；在空间注意力模块中，采用组归一化对M_k2进行处理，得到空间层面的统计信息，然后采用Fc(·)＝Wx+b进行增强，W和b分别为缩放和偏移参数，最后乘以M_k2得到空间注意力模块的最终输出M_k2’；

2.5)沿水平方向和垂直方向，使用大小为(H，1)和(1，W)的池化核，对N的不同通道的信息进行编码，得到N_x和N_y，然后连接N_x和N_y传送到一个共享的1×1卷积层，再使用非线性激活函数和Sigmoid函数进行处理，将获得的特征图分别用作水平坐标和垂直坐标的注意力权重，最后重新加权于N；

2.6)在重构模块中利用卷积层和逆下采样块，得到去噪后的干净沙漠地震图像

步骤2.1)至步骤2.6)去噪过程由网络映射

表示；

3)构建信号集和噪声集：分析实际沙漠地震信号的结构特征，利用雷克子波模拟生成64幅2000×200的干净沙漠地震图像，得到干净信号训练集{X_i}；准备噪声集{V_i}即实际沙漠噪声，包含480道，每道有30000个采样点；

4)利用信号集和噪声集训练网络，学习网络D的参数Θ，包括下列步骤：

4.1)训练中首先将{X_i}以20为步长，分割成80×80的块，然后对信号块执行振幅归一化处理，得到训练信号块集；类似的，将实际沙漠噪声{V_i}裁剪为80×80的块，然后根据每个噪声块的最大幅值，进行归一化处理，再选取(0，2)范围的随机数作为权重与噪声块相乘，用来模拟不同的噪声水平，获得噪声数据块；最后将信号块与噪声块叠加得到含噪数据块{Y_i}；

4.2)对多尺度注意力交互网络进行训练，建立一个从网络输入含噪地震图像Y_i，到网络输出

的映射/>

其中：Θ＝{w,b}为网络参数，w和b分别为网络的权重和偏置；

4.3)使用均方误差和平均余弦相似度混合损失函数，学习网络参数Θ，网络输出为

平均余弦相似度ACS的计算公式为：

网络损失函数的计算公式为：

其中：α为权重参数；

代表M对含噪—干净训练集，当L(Θ)达到最小值时的Θ值为最终网络参数。/>

Images