CN116091893A - 一种基于U-net网络的地震图像反褶积方法及系统 - Google Patents
一种基于U-net网络的地震图像反褶积方法及系统 Download PDFInfo
- Publication number
- CN116091893A CN116091893A CN202310149605.6A CN202310149605A CN116091893A CN 116091893 A CN116091893 A CN 116091893A CN 202310149605 A CN202310149605 A CN 202310149605A CN 116091893 A CN116091893 A CN 116091893A
- Authority
- CN
- China
- Prior art keywords
- seismic
- net network
- convolution
- model
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 24
- 238000003384 imaging method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geophysics (AREA)
- Databases & Information Systems (AREA)
- Geology (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于U‑net网络的地震图像反褶积方法及系统,属于图像处理技术领域,包括:获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;构建U‑net网络模型,将所述地震样本数据输入至所述U‑net网络模型进行模型训练,得到地震图像反褶积网络模型;将靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。本发明在地震数据处理场景中,从地震标签数据有限的角度出发,引入U‑net神经网络进行图像数据处理,有效提高地震图像反褶积结果的分辨率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于U-net网络的地震图像反褶积方法及系统。
背景技术
在地震数据处理中,高分辨率的成像结果是后续地震数据解释和储层预测的基础。
目前,在地震数据处理中的数据域和图像域采用了很多方法,在数据域通过数据拟合的方法进行迭代成像计算量较大,且在初始模型不准确或者数据质量差的时候会导致迭代不收敛,例如经典的数据域结构化合并树(Log Structured Merge Tree,LSM)在对复杂成像目标进行高分辨成像方面还有较大的发展空间。随着深度学习在图像处理任务中的快速发展,从图像处理角度来看,反褶积前的图像的模糊效应往往是由于点扩散函数(Point Spread Function,PSF),又称为空间模糊算子,而空间模糊算子由于多种因素的影响,通常是不能够被准确估计的,因此隐含在模糊地震图像与真实地下模型之间的关系无法被准确估计,进而可引入卷积神经网络来挖掘隐藏在数据集之间的关系。在传统一维褶积模型下,基于深度学习的方法已经取得了不错的进展,有利用CNN网络对地震资料进行了反褶积的研究的方法,有基于广义的褶积模型,利用深度学习进行反褶积处理,在一定程度上提高了其垂向的分辨率的方法,还有利用多种网络在理论模型上进行了反褶积并和传统方法进行对比的方法,上述学习类的算法在地震数据处理方面,尤其是地震图像反褶积方面应用的可靠性,已经得到了证明,然而地下模型往往是高维的,至少是二维的,因此传统的一维褶积模型显然不能适应目前的地震资料高分辨处理的要求。
发明内容
本发明提供一种基于U-net网络的地震图像反褶积方法及系统,用以解决现有技术中存在的缺陷。
第一方面,本发明提供一种基于U-net网络的地震图像反褶积方法,包括:
获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;
构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;
将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
根据本发明提供的一种基于U-net网络的地震图像反褶积方法,所述获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据,包括:
对所述地震原始数据进行正演,得到靶区偏移成像结果和空间模糊算子;
确定以Marmousi模型为学习标签,采用所述空间模糊算子对所述Marmousi模型进行褶积,得到真实反射系数;
由所述靶区偏移成像结果、所述空间模糊算子和所述真实反射系数构建所述地震样本数据。
根据本发明提供的一种基于U-net网络的地震图像反褶积方法,所述构建U-net网络模型,包括:
确定所述U-net网络模型的编码模块、解码模块和跳跃连接层;
所述编码模块包括三个阶段的卷积层和三个阶段的下采样层,其中第一阶段的第一卷积层包括3x3卷积核和1输入通道,第二卷积层和第三卷积层包括3x3卷积核和64输入通道,第二阶段的第一卷积层和第二卷积层均包括3x3卷积核和128输入通道,第三阶段的第一卷积层和第二卷积层均包括3x3卷积核和256输入通道,所述三个阶段的下采样层均包括步长为1的2x2最大池化窗口;
所述解码模块包括三个阶段的卷积层和两个阶段的上采样层,其中第一阶段的第一卷积层和第二卷积层均包括3x3卷积核和128输入通道,第二阶段的第一卷积层和第二卷积层均包括3x3卷积核和64输入通道,第三阶段的第一卷积层包括1x1卷积核和1输入通道,所述两个阶段的上采样层均包括放大尺寸为2x2的双线性插值;
所述跳跃连接层包括两个连接层,其中第一连接层将所述解码模块中第一阶段卷积层得到的64通道特征图与所述编码模块中的第三阶段卷积层得到的64通道特征图进行连接,得到128通道融合特征图,第二连接层将所述解码模块中第二阶段卷积层得到的128通道特征图与所述编码模块中的第二阶段卷积层得到的128通道特征图进行连接,得到256通道融合特征图。
根据本发明提供的一种基于U-net网络的地震图像反褶积方法,所述U-net网络模型还包括Sigmoid激活函数和ReLU激活函数,所述Sigmoid激活函数用于1x1卷积核,所述ReLU激活函数用于3x3卷积核。
根据本发明提供的一种基于U-net网络的地震图像反褶积方法,所述将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型,包括:
确定最小均方误差函数为代价损失函数,确定Adam随机优化算法;
采用所述地震样本数据对所述U-net网络模型进行模型训练,以所述代价损失函数和所述Adam随机优化算法对模型进行优化收敛,得到所述地震图像反褶积网络模型。
第二方面,本发明还提供一种基于U-net网络的地震图像反褶积系统,包括:
获取模块,用于获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;
训练模块,用于构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;
处理模块,用于将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
根据本发明提供的一种基于U-net网络的地震图像反褶积系统,所述获取模块具体用于:
对所述地震原始数据进行正演,得到靶区偏移成像结果和空间模糊算子;
确定以Marmousi模型为学习标签,采用所述空间模糊算子对所述Marmousi模型进行褶积,得到真实反射系数;
由所述靶区偏移成像结果、所述空间模糊算子和所述真实反射系数构建所述地震样本数据。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于U-net网络的地震图像反褶积方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于U-net网络的地震图像反褶积方法。
第五方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于U-net网络的地震图像反褶积方法。
本发明提供的基于U-net网络的地震图像反褶积方法及系统,通过在地震数据处理场景中,从地震标签数据有限的角度出发,引入U-net神经网络进行图像数据处理,有效提高地震图像反褶积结果的分辨率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于U-net网络的地震图像反褶积方法的流程示意图;
图2是本发明提供的常规偏移成像结果示意图;
图3是本发明提供的空间模糊算子示意图;
图4是本发明提供的高分辨率反褶积方法训练标签示意图;
图5是本发明提供的U-Net网络模型具体架构图;
图6是本发明提供的U-Net神经网络模型进行训练流程图;
图7是本发明提供的高分辨率反褶积方法模型数据测试结果示意图;
图8是本发明提供的数据域反褶积方法模型数据反褶积结果示意图;
图9是本发明提供的模型数据真实反射系数示意图;
图10是本发明提供的实际数据常规偏移成像结果示意图;
图11是本发明提供的实际数据常规偏移成像结果通过本发明方法得到的反褶积结果示意图;
图12是本发明提供的频谱对比图;
图13是本发明提供的抽道对比图;
图14是本发明提供的基于U-net网络的地震图像反褶积系统的结构示意图;
图15是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对地震数据图像域处理中采用现有的模型无法满足地震资料高分辨率处理的要求,本发明提出一种基于U-net网络的地震图像反褶积方法,图1是本发明实施例提供的基于U-net网络的地震图像反褶积方法的流程示意图,如图1所示,包括:
步骤100:获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;
步骤200:构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;
步骤300:将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
具体地,本发明通过引入U-net网络模型,实现地震数据反褶积处理。首先对地震数据进行解析获得地震样本集数据,包括已知经典地下模型形成的标签、靶区PSF和靶区偏移成像结果,然后采用该地震样本集数据对U-Net网络进行训练,得到地震图像反褶积网络模型,最后将靶区待处理数据输入至地震图像反褶积网络模型,得到地震图像反褶积结果。
本发明通过在地震数据处理场景中,从地震标签数据有限的角度出发,引入U-net神经网络进行图像数据处理,有效提高地震图像反褶积结果的分辨率。
基于上述实施例,步骤100包括:
对所述地震原始数据进行正演,得到靶区偏移成像结果和空间模糊算子;
确定以Marmousi模型为学习标签,采用所述空间模糊算子对所述Marmousi模型进行褶积,得到真实反射系数;
由所述靶区偏移成像结果、所述空间模糊算子和所述真实反射系数构建所述地震样本数据。
具体地,在模型训练之前需要获取一定数量的训练数据,即地震样本数据,对地震资料进行分析处理,获得靶区偏移成像结果,如图2所示,以及相对应的空间模糊算子,即PSF,如图3所示。
进一步地,选用Marmousi模型作为学习标签,如图4所示,Marmousi模型是一个复杂的二维结构模型及其地震响应,由法兰西石油研究院设计,通常用于比较深度偏移和速度确定模型,用于反映强烈的水平和垂直速度变化。随机选取得到的空间模糊算子对Marmousi模型进行褶积,得到真实反射系数。综合靶区偏移成像结果、空间模糊算子和真实反射系数。
最后选择标签,利用得到的空间模糊算子对标签进行模糊作用,形成地震样本数据。
基于上述实施例,步骤200中的构建U-net网络模型,包括:
确定所述U-net网络模型的编码模块、解码模块和跳跃连接层;
所述编码模块包括三个阶段的卷积层和三个阶段的下采样层,其中第一阶段的第一卷积层包括3x3卷积核和1输入通道,第二卷积层和第三卷积层包括3x3卷积核和64输入通道,第二阶段的第一卷积层和第二卷积层均包括3x3卷积核和128输入通道,第三阶段的第一卷积层和第二卷积层均包括3x3卷积核和256输入通道,所述三个阶段的下采样层均包括步长为1的2x2最大池化窗口;
所述解码模块包括三个阶段的卷积层和两个阶段的上采样层,其中第一阶段的第一卷积层和第二卷积层均包括3x3卷积核和128输入通道,第二阶段的第一卷积层和第二卷积层均包括3x3卷积核和64输入通道,第三阶段的第一卷积层包括1x1卷积核和1输入通道,所述两个阶段的上采样层均包括放大尺寸为2x2的双线性插值;
所述跳跃连接层包括两个连接层,其中第一连接层将所述解码模块中第一阶段卷积层得到的64通道特征图与所述编码模块中的第三阶段卷积层得到的64通道特征图进行连接,得到128通道融合特征图,第二连接层将所述解码模块中第二阶段卷积层得到的128通道特征图与所述编码模块中的第二阶段卷积层得到的128通道特征图进行连接,得到256通道融合特征图。
此外,U-net网络模型还包括Sigmoid激活函数和ReLU激活函数,所述Sigmoid激活函数用于1x1卷积核,所述ReLU激活函数用于3x3卷积核。
具体地,本发明通过搭建基于U-Net的高维反褶积的网络模型,U-Net的命名源自它的结构,它的网络结构可视化的结果很像一个字母U;利用U-Net网络来学习隐藏在模糊图像以及标签之间的映射关系,网络包含一个解码模块,编码模块和跳跃连接层,网络的输入为1通道的灰度图像,输出为1通道的反褶积结果,其模型的具体结构如图5所示:
编码模块具体由卷积层以及下采样(池化层)组成,能够不断增加通道数用以提取特征,其详细参数设置包括:
(1)第一阶段的3个卷积层,第一层的卷积核大小为3x3,输入通道数为1;第二三层卷积核大小为3x3,输出通道数为64;
(2)第一阶段的下采样层(池化层),采用大小为2x2的窗口进行最大池化,步长为1;
(3)第二阶段的2个卷积层,核大小为3x3,输出通道数为128;
(4)第二阶段的下采样层(池化层),采用大小为2x2的窗口进行最大池化,步长为1;
(5)第三阶段的2个卷积层,核大小为3x3,输出通道数为256;
(6)第三阶段的下采样层(池化层),采用大小为2x2的窗口进行最大池化,步长为1。
解码模块具体由卷积层以及上采样层组成,能够减少通道数,并且使图像的尺寸恢复到输入图像的尺寸,最终的结果为输入图像相应反褶积结果,其详细参数设置包括:
(1)第一阶段的上采样层,采用放大尺寸为2x2的双线性插值;
(2)第一阶段的2个卷积层,核大小为3x3,输出通道数为128;
(3)第二阶段的上采样层,采用放大尺寸为2x2的双线性插值;
(4)第二阶段的2个卷积层,核大小为3x3,输出通道数为64;
(5)第三阶段的1个卷积层,核大小为1x1,输出通道数为1。
跳跃连接层是将不同尺度的特征融合到一起,能够兼顾大尺度以及小尺度的特征,具体是将编码模块中同一层下的最后输出的特征图拼接到解码模块的特征图,对通道进行叠加,在本网络中的具体参数如下:
(1)将解码模块中的第一层得到的64通道的特征图拼接到编码模块中的最后一层64通道的特征图上组成128通道的融合特征图;
(2)将解码模块中的第二层得到的128通道的特征图拼接到编码模块中的倒数第二层128通道的特征图上组成256通道的融合特征图。
需要说明的是,在本网络模型中,除最后1x1的卷积层使用Sigmoid激活函数,其余层都使用ReLU作为激活函数。
基于上述实施例,步骤200中的将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型,包括:
确定最小均方误差函数为代价损失函数,确定Adam随机优化算法;
采用所述地震样本数据对所述U-net网络模型进行模型训练,以所述代价损失函数和所述Adam随机优化算法对模型进行优化收敛,得到所述地震图像反褶积网络模型。
具体地,在构建U-net网络模型之后,还需要构建网络模型损失函数以及选择优化算法对模型进行训练收敛,以实现优化模型的目的。
本发明选择最小均方误差(LMSE)作为损失函数,目的在于最小化标签与反褶积结果之间尽可能差距小,相应的计算公式为:其中,n表示有n个训练数据,每个训练数据的真实输出为yi,模型对训练数据的预测值为LMSE表示最小均方误差损失函数。
选择Adam随机优化器作为优化算法,因为该算法实现简单,计算高效,对内存需求少,并且超参数具有很好的解释性,且通常无需调整或仅需很少的微调;本发明中的学习速率为0.001,衰减率为0.1。
最后,将靶区待处理数据输入到已经训练好的模型,得到高分辨率反褶积结果,整个训练测试过程如图6所示。
通过得到的训练集将网络模型训练好后,输入如图2的常规偏移成像结果,得到高分辨率反褶积结果如图7。传统数据域反褶积结果如图8所示,与真实模型反射系数如图9所示相比,基于U-Net网络的到反褶积结果分辨率更高。进一步的将此网络应用到实际数据中,如图10所示,为某地实际常规偏移成像资料,图11为通过本发明方法得到的反褶积结果,可以看到其分辨率明显提高,同相轴清晰且连续,通过频谱分析,图12为频谱对比图,其中Ori为常规偏移成像结果频谱,Deconv为通过本发明得到的反褶积结果的频谱,图13为抽道对比图,可以明显的看出其频带得到了有效的拓宽,分辨率提高明显。
下面对本发明提供的基于U-net网络的地震图像反褶积系统进行描述,下文描述的基于U-net网络的地震图像反褶积系统与上文描述的基于U-net网络的地震图像反褶积方法可相互对应参照。
图14是本发明实施例提供的基于U-net网络的地震图像反褶积系统的结构示意图,如图14所示,包括获取模块1401、训练模块1402和处理模块1403,其中:
获取模块1401用于获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;训练模块1402用于构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;处理模块1403用于将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
图15示例了一种电子设备的实体结构示意图,如图15所示,该电子设备可以包括:处理器(processor)1510、通信接口(Communications Interface)1520、存储器(memory)1530和通信总线1540,其中,处理器1510,通信接口1520,存储器1530通过通信总线1540完成相互间的通信。处理器1510可以调用存储器1530中的逻辑指令,以执行基于U-net网络的地震图像反褶积方法,该方法包括:获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
此外,上述的存储器1530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于U-net网络的地震图像反褶积方法,该方法包括:获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于U-net网络的地震图像反褶积方法,该方法包括:获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于U-net网络的地震图像反褶积方法,其特征在于,包括:
获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;
构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;
将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
2.根据权利要求1所述的基于U-net网络的地震图像反褶积方法,其特征在于,所述获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据,包括:
对所述地震原始数据进行正演,得到靶区偏移成像结果和空间模糊算子;
确定以Marmousi模型为学习标签,采用所述空间模糊算子对所述Marmousi模型进行褶积,得到真实反射系数;
由所述靶区偏移成像结果、所述空间模糊算子和所述真实反射系数构建所述地震样本数据。
3.根据权利要求1所述的基于U-net网络的地震图像反褶积方法,其特征在于,所述构建U-net网络模型,包括:
确定所述U-net网络模型的编码模块、解码模块和跳跃连接层;
所述编码模块包括三个阶段的卷积层和三个阶段的下采样层,其中第一阶段的第一卷积层包括3x3卷积核和1输入通道,第二卷积层和第三卷积层包括3x3卷积核和64输入通道,第二阶段的第一卷积层和第二卷积层均包括3x3卷积核和128输入通道,第三阶段的第一卷积层和第二卷积层均包括3x3卷积核和256输入通道,所述三个阶段的下采样层均包括步长为1的2x2最大池化窗口;
所述解码模块包括三个阶段的卷积层和两个阶段的上采样层,其中第一阶段的第一卷积层和第二卷积层均包括3x3卷积核和128输入通道,第二阶段的第一卷积层和第二卷积层均包括3x3卷积核和64输入通道,第三阶段的第一卷积层包括1x1卷积核和1输入通道,所述两个阶段的上采样层均包括放大尺寸为2x2的双线性插值;
所述跳跃连接层包括两个连接层,其中第一连接层将所述解码模块中第一阶段卷积层得到的64通道特征图与所述编码模块中的第三阶段卷积层得到的64通道特征图进行连接,得到128通道融合特征图,第二连接层将所述解码模块中第二阶段卷积层得到的128通道特征图与所述编码模块中的第二阶段卷积层得到的128通道特征图进行连接,得到256通道融合特征图。
4.根据权利要求3所述的基于U-net网络的地震图像反褶积方法,其特征在于,所述U-net网络模型还包括Sigmoid激活函数和ReLU激活函数,所述Sigmoid激活函数用于1x1卷积核,所述ReLU激活函数用于3x3卷积核。
5.根据权利要求1所述的基于U-net网络的地震图像反褶积方法,其特征在于,所述将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型,包括:
确定最小均方误差函数为代价损失函数,确定Adam随机优化算法;
采用所述地震样本数据对所述U-net网络模型进行模型训练,以所述代价损失函数和所述Adam随机优化算法对模型进行优化收敛,得到所述地震图像反褶积网络模型。
6.一种基于U-net网络的地震图像反褶积系统,其特征在于,包括:
获取模块,用于获取地震原始数据,对所述地震原始数据进行解析得到地震样本数据;
训练模块,用于构建U-net网络模型,将所述地震样本数据输入至所述U-net网络模型进行模型训练,得到地震图像反褶积网络模型;
处理模块,用于将地震靶区待处理数据输入至所述地震图像反褶积网络模型,得到地震图像反褶积结果。
7.根据权利要求6所述的基于U-net网络的地震图像反褶积系统,其特征在于,所述获取模块具体用于:
对所述地震原始数据进行正演,得到靶区偏移成像结果和空间模糊算子;
确定以Marmousi模型为学习标签,采用所述空间模糊算子对所述Marmousi模型进行褶积,得到真实反射系数;
由所述靶区偏移成像结果、所述空间模糊算子和所述真实反射系数构建所述地震样本数据。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于U-net网络的地震图像反褶积。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于U-net网络的地震图像反褶积。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于U-net网络的地震图像反褶积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310149605.6A CN116091893A (zh) | 2023-02-21 | 2023-02-21 | 一种基于U-net网络的地震图像反褶积方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310149605.6A CN116091893A (zh) | 2023-02-21 | 2023-02-21 | 一种基于U-net网络的地震图像反褶积方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091893A true CN116091893A (zh) | 2023-05-09 |
Family
ID=86214054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310149605.6A Pending CN116091893A (zh) | 2023-02-21 | 2023-02-21 | 一种基于U-net网络的地震图像反褶积方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091893A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719085A (zh) * | 2023-08-07 | 2023-09-08 | 东北石油大学三亚海洋油气研究院 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
-
2023
- 2023-02-21 CN CN202310149605.6A patent/CN116091893A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719085A (zh) * | 2023-08-07 | 2023-09-08 | 东北石油大学三亚海洋油气研究院 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
CN116719085B (zh) * | 2023-08-07 | 2023-11-10 | 东北石油大学三亚海洋油气研究院 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476719B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN111832570A (zh) | 一种图像语义分割模型训练方法及系统 | |
CN107392865B (zh) | 一种人脸图像的复原方法 | |
Vu et al. | Perception-enhanced image super-resolution via relativistic generative adversarial networks | |
CN113570508A (zh) | 图像修复方法及装置、存储介质、终端 | |
CN108921801B (zh) | 用于生成图像的方法和装置 | |
CN116091893A (zh) | 一种基于U-net网络的地震图像反褶积方法及系统 | |
CN113538246A (zh) | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 | |
CN110570375B (zh) | 一种图像处理方法、装置、电子设置以及存储介质 | |
CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
CN115375548A (zh) | 一种超分辨率的遥感图像生成方法、系统、设备和介质 | |
Wang et al. | Underwater image super-resolution using multi-stage information distillation networks | |
CN113837941A (zh) | 图像超分模型的训练方法、装置及计算机可读存储介质 | |
CN116091492B (zh) | 一种图像变化像素级检测方法与系统 | |
CN117593275A (zh) | 一种医学图像分割系统 | |
CN114641792A (zh) | 图像处理方法、图像处理设备和可读存储介质 | |
US20230073175A1 (en) | Method and system for processing image based on weighted multiple kernels | |
Kasturiwala et al. | Image superresolution technique: A novel approach for leaf diseased problems | |
CN114708353B (zh) | 图像重建方法、装置、电子设备与存储介质 | |
CN114862699B (zh) | 基于生成对抗网络的人脸修复方法、装置及存储介质 | |
CN115511733A (zh) | 一种图像退化建模方法、神经网络训练方法和装置 | |
CN115018726A (zh) | 一种基于U-Net的图像非均匀模糊核的估计方法 | |
Charan et al. | Image Super-Resolution Using Convolutional Neural Network | |
Abdehkakha et al. | Localization of Ultra-dense Emitters with Neural Networks | |
Nie et al. | Deep Learning-Based Image Fusion Approaches in Remote Sensing |
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 |