基于非均衡深度期望块对数似然网络的地震噪声压制方法技术

基于非均衡深度期望块对数似然网络的地震噪声压制方法属机器学习与地震图像处理技术领域，针对期望块对数似然算法中正则项参数仅随整体噪声方差变化导致强噪声无法彻底压制的问题，本发明专利技术提出了一种基于非均衡深度期望块对数似然网络的地震噪声压制方法，其中端对端的去噪网络由期望块对数似然去噪主网络和一个非均衡多层感知机参数估计网络构成，以含噪地震图像作为输入端，干净地震图像作为输出端学习网络参数，并首次采用块信噪比非均衡的调整多层感知机估计网络参数，本发明专利技术能实现对地震图像中的每个块估计出准确的正则项参数，更好的控制每个块的去噪强度，进而提升块去噪效果，在沙漠强噪声压制以及信号细节保持方面优于传统地震去噪算法。

【技术实现步骤摘要】
基于非均衡深度期望块对数似然网络的地震噪声压制方法
本专利技术属机器学习与地震图像处理
，具体涉及一种基于非均衡深度期望块对数似然网络的地震噪声压制方法。
技术介绍
石油、天然气等资源的勘探一直是经久不衰的热点。地震勘探是目前对石油天然气等地下能源勘探开采的主要手段，然而受地震勘探地区环境的影响，采集到的地震图像中往往混杂着大量的随机噪声。这些噪声严重破坏了有效信号，增加了提取反射地震信号的难度，所以地震随机噪声压制是地震数据处理中提高地震质量，从而从噪声干扰的信号中提取地下结构信息的根本问题。近些年来，我国开始了对沙漠地区油田的开采工作，然而沙漠地区由于植被覆盖面积小，沙漠覆盖面积大，造成其环境噪声不同于平原地区和林地地区，主要来源于风噪声和近场人文噪声，这些噪声以低频色噪声为主，且与有效信号处于同一频带，给常规的去噪方法带来了很大的困难。国内外地球物理学者和信号处理学者在地震勘探去噪方面做了大量研究，并不断提出新的去噪方法，以适应地震勘探技术的发展和地震勘探目标的新要求。从最初经典的傅里叶变换发展到适应非平稳信号的短时傅里叶变换，从小波变换到Curvelet变换、脊波变换，从时频域峰值滤波到径向道时域峰值滤波等等一系列方法，抑制地震图像中的噪声，并取得了显著的去噪效果。然而，这些降噪方法未能充分挖掘地震勘探信号复杂的结构特征，导致在压制噪声的同时有效信号也存在一定程度丢失。近年来，基于字典学习方法有效改进了图像降噪效果。字典学习的去噪模型通过更新字典，学习地震勘探图像中信号的结构特征，能够更好地抑制图像中的随机噪声。字典学习的方法通常利用图像块学习字典，减小字典学习的复杂度，但忽略了图像的全局特征。针对此问题，Zoran等人提出了块期望对数似然降噪方法，利用高斯混合模型学习目标信号的结构特征作为先验约束去噪过程。该算法既能精准描述图像块统计特征，又能从强噪声中无失真地复原自然图像。在深度学习方面，目前已提出多种去噪网络，包括带有对称跳跃连接的卷积自动编码器、深层卷积神经网络的残差学去噪网络、多层感知机等。这些方法也被应用于地震资料处理，并取得了不错的效果。其中多层感知机是一种人工神经网络，它包括输入输出还有中间的多个隐藏层，只要训练样本足够大，MLP可以达到当前最先进的去噪水平。
技术实现思路
本专利技术提供了一种基于非均衡深度期望块对数似然网络的地震噪声压制方法，通过将传统的期望块对数似然算法嵌入到深度学习框架中，将其转化为一个端到端的可学习的网络。通过非均衡深度期望块对数似然网络解决沙漠噪声压制问题。本专利技术的基于非均衡深度期望块对数似然网络的地震噪声压制方法，包括下列步骤：1.1构建非均衡深度期望块对数似然网络：所构建的非均衡深度期望块对数似然网络由端对端期望块对数似然去噪主网络和非均衡多层感知机参数估计网络构成；1.1.1端对端期望块对数似然去噪主网络由重叠分块模块、块去噪模块和块重构模块组成，块去噪模块由混合高斯模型匹配算子和维纳滤波算子构成；1.1.2非均衡多层感知机参数估计网络由输入层、三层隐藏层和输出层构成；输入层节点数取向量化图像块的维数，输出层为一个节点；除最后一层外，每层隐藏层由一个完全连接的线性映射和一个线性整流函数ReLU组成；1.1.3将重叠分块模块输出的含噪图像块输入非均衡多层感知机参数估计网络，网络输出每个块对应的正则项参数，然后将正则项参数输入块去噪模块和块重构模块；1.2给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震勘探图像；V是低频色噪声；基于非均衡深度期望块对数似然网络压制低频色噪声，包括下列步骤：1.2.1利用重叠分块模块将含噪图像Y分为m个大小为q×q的图像块yi＝RiY,i＝1,...,m，重叠步长为q/2，其中：8≤q≤30，Ri为抽样算子；1.2.2通过非均衡多层感知机参数估计网络估计含噪图像块yi对应的正则项参数1.2.3将正则项参数输入混合高斯模型匹配算子，计算含噪图像块yi在第k个高斯分量下的后验概率，选取对应后验概率最大即匹配程度最高的子模型1.2.4利用第个高斯分量的协方差矩阵和正则项参数构建维纳滤波算子，对图像块yi滤波得到滤波后的小块1.2.5在块重构模块中以作为权值对滤波后的图像块加权平均，重构后得到去噪后的干净沙漠地震图像步骤1.2.1到步骤1.2.5去噪过程由网络映射表示；1.3在网络F去噪前首先构建训练集，分析实际沙漠地震信号的结构特征，利用雷克子波、零相位波和混合相位波模拟生成的n幅干净沙漠地震图像，得到干净图像训练集{Xj}；然后在{Xj}加入模拟噪声与实际沙漠噪声,生成对应的含噪图像训练集{Yj}；1.4利用生成的训练集训练混合高斯模型及学习网络F参数Θ，包括下列步骤：1.4.1使用干净图像训练集{Xj}，通过期望最大化算法学习高斯混合模型，训练中首先对{Xj}重叠分块，然后对图像块去均值，得到均值为0的训练图像块集，一批批学习高斯混合模型的协方差矩阵Σk和权重系数πk，批大小为1500；1.4.2对非均衡深度期望块对数似然网络进行训练，建立一个从网络输入含噪地震勘探图像Yj到网络输出的映射其中：Θ＝{w,b}为网络参数，w和b分别为非均衡多层感知机参数估计网络MLP网络的权重和偏置；1.4.3使用如下非均衡损失函数学习多层感知机参数估计网络参数Θ，网络输出为其中：yi代表含噪图像中第i个块，为对应的正则项参数，损失函数计算公式为：其中：参数η为常数，通常设置为0＜η＜0.5，能对估计出来的正则项参数施加不同的惩罚；参数si是第i个块的信号与噪声方差的比值，当(f(Θ；yi)-si)＜0时其它1.4.4端对端期望块对数似然去噪主网络损失函数为1.4.5非均衡深度期望块对数似然网络损失函数的计算公式为：其中：γunba表示非均衡学习损失的权重系数；当Γ(Θ)达到最小值时的Θ值为最终网络参数。本专利技术的有益效果在于：针对期望块对数似然算法中正则项参数仅随整体噪声方差变化导致强噪声无法彻底压制的问题，提出了一种非均衡深度期望块对数似然去噪网络。这种端对端的去噪网络由期望块对数似然去噪主网络和一个非均衡多层感知机参数估计网络构成。以含噪地震图像作为输入端，干净地震图像作为输出端学习网络参数，并首次采用块信噪比非均衡的调整多层感知机估计网络参数。该方法能实现对地震图像中的每个块估计出准确的正则项参数，避免了手动调参的导致的误差，更好的控制每个块的去噪强度，进而提升块去噪效果。本专利技术在沙漠强噪声压制以及信号细节保持方面优于传统地震去噪算法。附图说明图1为基于非均衡深度期望块对数似然网络的地震噪声压制方法的流程图图2为合成纯净地震记录的示意图图3为合成沙漠随机噪声的示意图图4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5为采用F-k滤波器的去噪结果的示意图图6为采用本文档来自技高网...

【技术保护点】
1.一种基于非均衡深度期望块对数似然网络的地震噪声压制方法，其特征在于下列步骤：/n1.1构建非均衡深度期望块对数似然网络：/n所构建的非均衡深度期望块对数似然网络由端对端期望块对数似然去噪主网络和非均衡多层感知机参数估计网络构成；/n1.1.1端对端期望块对数似然去噪主网络由重叠分块模块、块去噪模块和块重构模块组成，块去噪模块由混合高斯模型匹配算子和维纳滤波算子构成；/n1.1.2非均衡多层感知机参数估计网络由输入层、三层隐藏层和输出层构成；输入层节点数取向量化图像块的维数，输出层为一个节点；除最后一层外，每层隐藏层由一个完全连接的线性映射和一个线性整流函数ReLU组成；/n1.1.3将重叠分块模块输出的含噪图像块输入非均衡多层感知机参数估计网络，网络输出每个块对应的正则项参数，然后将正则项参数输入块去噪模块和块重构模块；/n1.2给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震勘探图像；V是低频色噪声；基于非均衡深度期望块对数似然网络压制低频色噪声，包括下列步骤：/n1.2.1利用重叠分块模块将含噪图像Y分为m个大小为q×q的图像块y

【技术特征摘要】
1.一种基于非均衡深度期望块对数似然网络的地震噪声压制方法，其特征在于下列步骤：
1.1构建非均衡深度期望块对数似然网络：
所构建的非均衡深度期望块对数似然网络由端对端期望块对数似然去噪主网络和非均衡多层感知机参数估计网络构成；
1.1.1端对端期望块对数似然去噪主网络由重叠分块模块、块去噪模块和块重构模块组成，块去噪模块由混合高斯模型匹配算子和维纳滤波算子构成；
1.1.2非均衡多层感知机参数估计网络由输入层、三层隐藏层和输出层构成；输入层节点数取向量化图像块的维数，输出层为一个节点；除最后一层外，每层隐藏层由一个完全连接的线性映射和一个线性整流函数ReLU组成；
1.1.3将重叠分块模块输出的含噪图像块输入非均衡多层感知机参数估计网络，网络输出每个块对应的正则项参数，然后将正则项参数输入块去噪模块和块重构模块；
1.2给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震勘探图像；V是低频色噪声；基于非均衡深度期望块对数似然网络压制低频色噪声，包括下列步骤：
1.2.1利用重叠分块模块将含噪图像Y分为m个大小为q×q的图像块yi＝RiY,i＝1,...,m，重叠步长为q/2，其中：8≤q≤30，Ri为抽样算子；
1.2.2通过非均衡多层感知机参数估计网络估计含噪图像块yi对应的正则项参数
1.2.3将正则项参数输入混合高斯模型匹配算子，计算含噪图像块yi在第k个高斯分量下的后验概率，选取对应后验概率最大即匹配程度最高的子模型
1.2.4利用第个高斯分量的协方差矩阵和正则项参数构建维纳滤波算子，对图像块yi滤波得到滤波后的小块
1.2.5在块重构模块中以作为权值对滤波后的图像块加...

【专利技术属性】
技术研发人员：林红波，马阳，叶文海，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22