[发明专利]地震资料多尺度超分辨率与去噪同步处理方法及系统

权利要求书

1.一种地震资料多尺度超分辨率与去噪同步处理方法，其特征在于，包括以下步骤，

S1、将高分辨率地震图像进行下采样获得低分辨率地震图像，构建训练样本集；

S2、初始化地震重构网络，地震重构网络包含自编码器子网络、超分辨率子网络以及多尺度重构子网络；

S3、利用多尺度深度监督学习策略对地震重构网络进行学习；

S4、将新的地震图像输入到训练好的地震增强网络，得到去噪的高分辨率地震图像，完成地震资料的重构。

2.根据权利要求1所述的地震资料多尺度超分辨率与去噪同步处理方法，其特征在于：所述S1、将高分辨率地震图像进行下采样获得低分辨率地震图像，构建训练样本集，具体如下：

S11、地震图像用m、n为地震图像的长和高，用下标hr、sr、lr表示高分辨率、超分辨率、低分辨率；将高分辨率地震图像I_hr进行下采样得到低分辨率地震图像I_lr＝Down(I_hr,Θ)，Down表示下采样函数，为下采样参数，k＝0,1,2,3,…,K表示下采样阶数，表示的下采样地震图像，即k阶下采样地震图像，k＝0表示不进行下采样，即

S12、一张I_hr对应的一组构成一个训练样本对，加入了独立同分布噪声的作为网络的输入，作为网络在k＝0,1,2,3,…,K多尺度输出的监督学习标签。

3.根据权利要求2所述的地震资料多尺度超分辨率与去噪同步处理方法，其特征在于：所述S2、初始化地震重构网络，地震重构网络包含自编码器子网络、超分辨率子网络以及多尺度重构子网络，具体如下：

S21、定义地震重构网络，具体如下：

三个子网络的连接关系如下：

自编码器子网络是人工神经网络的一种，编码器提取特征，解码器重构数据，自编码器是一个U形的编码器-解码器网络，包括K个下采样块和对应的K个上采样块；K个下采样块为具有：

其中为输出的特征图，为的参数，K个上采样模块为具有：

其中，为输出的特征图，为k阶尺度上编码器和解码器输出的合并；Conc为Concatenate的缩写，表示合并；对于k＝K的情况，为的参数；

超分辨率子网络得到0阶超分辨地震图像其中θ_s为超分辨率子网络参数；

K个多尺度重构子网络具有：

其中，为的参数；

三个子网络的具体形式如下：

自编码器子网络的编码部分由4个下采样模块组成，从浅至深形式分别如下：

Conv(1,64,3)+BN+ReLU+Conv(64,64,3)+BN+ReLU+Max

Conv(64,128,3)+BN+ReLU+Conv(128,128,3)+BN+ReLU+Max

Conv(128,256,3)+BN+ReLU+Conv(256,256,3)+BN+ReLU+Max

Conv(256,512,3)+BN+ReLU+Conv(512,512,3)+BN+ReLU+Max

其中，Conv()表示卷积操作，其内3个参数分别为输入通道数、输出通道数、方形卷积核边长，Conv的卷积步长为1，填充为1以保证卷积后特征图大小不变，BN表示批归一化，ReLU为激活函数，Max表示最大池化，其核大小2×2和步长2；

自编码器子网络的解码部分由1个特征映射层和4个上采样模块组成，从浅至深形形式分别如下：

Conv(512,1024,3)+BN+ReLU+Conv(1024,1024,3)+BN+ReLU+SubPix

Conv(512,1024,3)+BN+ReLU+Conv(1024,512,3)+BN+ReLU+SubPix

Conv(256,512,3)+BN+ReLU+Conv(512,256,3)+BN+ReLU+SubPix

Conv(128,256,3)+BN+ReLU+Conv(256,256,3)+BN+ReLU+SubPix

其中，这4个上采样模块输出通道数分别为256、128、64、64，Conv的卷积步长为1，填充均为1，SubPix表示亚像素卷积层，利用通道重组的方式完成上采样，如果上采样的倍数是2，则经过SubPix后通道数减少4倍；

超分辨率子网络的形式具体如下：

Conv(64,128,9)+ReLU+SubPix+Conv(32,16,1)+ReLU+Conv(16,1,5)

其中，三个卷积层的步长为1，填充值分别为4、0、2，以保证特征图尺寸不变；

多尺度重构子网络由4个卷积层组成，针对第1到4阶尺度，形式分别如下：

Conv(128,32,9)+ReLU+Conv(32,16,1)+ReLU+Conv(16,1,5)

Conv(128,64,9)+ReLU+Conv(64,16,1)+ReLU+Conv(16,1,5)

Conv(256,64,9)+ReLU+Conv(64,16,1)+ReLU+Conv(16,1,5)

Conv(512,64,9)+ReLU+Conv(64,16,1)+ReLU+Conv(16,1,5)

其中，三个卷积层的填充值分别为4、0、2；

S22、定义第0阶尺度的损失函数，具体如下：

定义高分辨率重构损失，对单幅图像具体如下：

其中，‖·‖₁为1范数，N为地震图像像素点总数；能加快训练的收敛，但是生成的超分辨率图像纹理细节过于平滑，所以引入结构相似性SSIM；

定义高分辨率结构相似性损失，对单幅图像具体如下：

SSIM(x,y)＝[l(x,y)]^α·[c(x,y)]^β·[s(x,y)]^γ

其中，x,y是待评价的两个图像，α,β,γ为对应权重，可取0.15、0.29、0.31，l(x,y)、c(x,y)、s(x,y)表示x和y之间的三个测量值，即地震图像中的亮度或振幅、对比度和结构

其中，μ_x,μ_y表示图像x、y的平均值，σ_x,σ_y表示图像x、y的标准差，σ_xy是图像x和y之间的协方差，c₁,c₂,c₃为三个常数，设置为c₁＝10^-4，

最终得到第0阶尺度的损失函数，对于单幅图像，即：

其中，a是损失函数的权重系数；

S23、定义第k阶尺度的损失函数，k0，具体如下：

对于分辨率的重构图像不在重点关注像素点的匹配程度，而是关注重构图像从视觉上看是否更像原始地震图像；

定义k阶感知损失，对于单幅图像，即：

其中，φ表示预先训练的VGG网络的某层输出，N_φ表示该层输出图像的像素点总数；

定义k阶风格损失，对于单幅图像，即：

其中，N_g表示Gram矩阵的元素总数，Gram即格莱姆；

定义k阶平滑损失，对于单幅图像，即：

其中，(,j)表示图像中像素点的位置；

最终得到第k阶尺度的损失函数，k0，对于单幅图像，即：

其中，γ₁和γ₂用于平衡三个损失项的贡献，设置为5和0.4；

S24、对地震重构网络进行初始化，采用随机初始化。