[发明专利]基于地质图像视觉特征的无监督自动去噪方法

说明书

本发明公开了基于地质图像视觉特征的无监督自动去噪方法。地质模型图像存在大量的噪点，噪点小且密，人工去噪十分复杂繁琐，因此无噪点图像不易获得。针对此问题，本发明构建一个只用极少无噪点图像，采用图片切割和翻转的方式进行扩充的无噪点图像数据集。从计算机领域视觉特征的角度，搭建一个无监督的自动噪点检测模型。该模型采用新设计的卷积自编码器和生成对抗网络，从图像空间和特征空间等两个方面同时控制生成器对无噪点图像的生成，有效地约束编码解码中间过程。检测结果显示，模型可以充分检测出河道内部不正确的噪点，以及在打印过程中产生的“横条”和“竖条”。经过循环填充的方式得到的去噪结果更加符合地质规律。

技术领域

本发明属于地质去噪和工业缺陷检测的方法，涉及计算机视觉和地质勘探学领域。

背景技术

在地质学领域，地质建模一直起着非常重要的作用，研究者们一般利用计算机图形学及可视化技术，将抽象的地质数据以可视化的图形效果直观形象地表达出来，建立逼真的地质模型，这样可更高效地描述各种地质信息，直观有效地表达各种地质现象间的拓扑关系，从而迅速提高专业技术人员对地质现象的认识，以便专业人员对地质现象做出正确的预判。在过去的十几年间，众多学者针对地质建模方法做出了许多贡献。地质建模技术已从两点地质统计学建模逐渐发展到多点地质学统计建模。两点地质统计学建模利用克里金方法建立确定性的模型和应用随机模拟方法建立可选的、等概率的地质模型。后期很多学者研究多点地质统计学建模。Snesim算法利用训练图像代替了两点间的变差函数来再现复杂结构的储层构型。Simpat算法加入相似度计算来比较待估点处数据事件与训练图像间的相似性,从而强化了地质模式的选择性。Filtersim使用过滤器进行模式分类，利用整体模式减小计算机负担。然而，这些建模技术仍不足以提供描述合理的三维地质模型。地质统计学建模推向智能化建模发展阶段。具体来说，改进的对抗生成网络WGAN被用于训练模型，它通过少量的随机参数直接生成逼真的地质模型。然而基于深度学习的建模方法需要提供大量的训练样本。

尽管基于深度学习的预测网络可以提高地质数据的质量，但它们无法防止由于数据错误引起的噪点的产生。目前有一些工作致力于地质数据的去噪。例如，将自监督深度学习网络应用于地震数据去噪。值得注意的是，打印模型时仍会出现噪点。因此，利用深度学习网络去除沉积模型图像中的噪点非常重要。

在计算机领域中，我们可以把地质图像的去噪过程转化为查找异常值的过程，异常检测已被广泛研究，在该领域中，研究者们一般使用的传统技术有聚类法、最近邻法以及一类分类法。例如一分类SVM，使用SVM可以寻找正样本周围的判别的边界，聚类方法如K-Means方法、高斯混合模型(GMM)也被应用于建立正常数据的详细轮廓以识别异常。然而在面对高维数据时，这些方法通常性能不佳。为了解决复杂数据的检测问题，基于重建的方法被提出，即异常不能使用仅在正常数据上学习的模型来准确表示和重建。如主成分分析方法PCA已被用来学习正常样本的特征分布；稀疏表示方法联合学习一个数据字典和正常样本的稀疏表示特征来更好的重建正样本。然而，有限的特征表示限制了方法的性能。

近几年，基于计算机视觉任务深度学习任务，一些基于卷积自编码器网络(AE)的异常检测算法陆续现世。基于结构化能量的深度卷积自编码器被用来对训练的样本建模；学者提出在卷积自编码器中联合编码向量和重构误差。尽管基于重构的方法已经取得了丰硕的成果，但是它们的性能受到潜在空间的设计不足的限制。为了解决此类问题，GANs被用于异常检测领域，GANs可以通过一个最小-最大博弈过程来模拟复杂的高维分布，尤其是图像，模型可以成功生成具有出色性能的数据。Schlegl等人提出了一种AnoGAN，它使用了DCGAN的类似卷积结构来搭建仅利用正常图像训练的生成器，然后基于重建图像和判别器的特征图计算异常分数，以发现医学图像中的异常标记。后来，为了降低从图像到潜在空间的映射的复杂度，Zenati等人通过很好地利用BiGAN结构区分具有相同异常分数的异常。在后续研究中，Akcay等人提出GANomaly包括编码器-解码器-编码器网络组，以探索正常样本的深层潜在表示，并采用从潜在空间计算的异常分数。

发明内容