一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法

摘要

本发明公开了一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法，包括以下步骤：步骤一、构建初始特征增强去噪网络：第1‑3层和第9‑12层均由卷积、批标准化和线性整流单元组成，第4‑8层由扩张卷积、批标准化和线性整流单元组成，通过级联操作对输入噪声记录与第3层、第6层、第9层和第12层的特征信息映射混合，所述级联操作中的第3层、第6层、第9层和第12层的路径中具有扩展卷积层，最后通过激活函数后经过卷积输出；第4‑8层的膨胀因子分别为2、3、4、3、2；步骤二、将所述初始特征增强去噪网络进行残差学习得到理想特征增强去噪网络；步骤三、将原始带噪记录输入到所述理想特征增强去噪网络中，输出去噪的地震信号。

说明书

技术领域

本发明涉及地球物理技术领域，尤其涉及一种基于特征增强去噪网络的 地震资料沙漠噪声抑制方法。

背景技术

地震勘探技术是一种有效资源探索的手段。采用一系列的技术得到地震 波，对其进行分析得到地质信息，得到地下岩层结构并获取矿藏资源分布情 况。随着油气资源的不断减少，地震勘探的环境也愈加复杂，在获取地震资 料的同时往往会引大量的噪声。因此，在处理地震信号时首要任务就是压制 地震勘探资料中的噪声，从而提高地震资料的质量，为后续的处理和解释工 作做准备。然而，在沙漠地区，由于特殊的自然条件和人类活动等因素，沙 漠地震记录噪声具有复杂的特征。沙漠噪声给去噪工作带来了很大的困难： 沙漠噪声的幅值大、非平稳、非线性、能量高等特点，大多数算法在噪声抑 制过程中对有效信号严重衰减；沙漠噪声具有低频特性，这使得噪声和有效 信号在频域内严重重叠。因此，很多时频域滤波方法在抑制噪声的同时不能 完全恢复有效地震信号；除高斯噪声外，沙漠噪声中也含有大量的非高斯噪 声，但许多沙漠地震数据的去噪方法只能去除高斯部分，这使得最终的去噪 效果不是很理想。因此，抑制沙漠噪声具有很大的挑战性。

目前，研究人员已经提出了许多有效的地震资料噪声抑制算法。这些方 法通常在不同的变换域来分离噪声和有效信号。具体来说，根据同相轴的可 预测性，Canales应用F-X反褶积(Canales，1984)到地震信号的去噪任务， 并有许多相应的改进算法(Gulunay，1986；Hornbostel，1991)相继提出。 F-X反褶积已成为地震信号去噪领域的常用算法。2014年，Chen等人提出基 于经验模式分解(EMD)(Chen等，2014)地震数据噪声去除方法。EMD根据不同的频率分量，将输入信号分解成多个模态，以去除噪声。此外，还有 其他优秀经典的地震数据去噪方法，如带通滤波器(Ma等，2019)、时频峰 值滤波(Liu等，2020)和小波变换(Mousavi等，2016)。上述方法虽然能 在一定程度上提高信噪比，但往往受到限制。例如，噪声需要符合某些特性 (如线性、平稳性)和服从特定分布(如高斯分布)、输入信噪比不能太低等， 而且这些方法大多面临着手工选择参数和复杂优化算法的问题。特别是对于 复杂的沙漠噪声，通常需要花费更多的精力和时间来获得最佳的降噪效果。

传统的去噪算法已达到最优，难以进一步改进。近年来，随着计算工具 及深度学习的迅速发展，卷积神经网络(CNN)受到了广泛的关注。由于计 算复杂度较低且性能良好，CNN已成功地处理了不同的任务，如目标检测 (Lee等，2020)、图像去噪(Zhang等，2016)、图像分类(Lee等，2017) 和动作识别(Cheron等.，2015)。近年来，CNNs在地震勘探中也得到了广泛 的应用，如地震数据插值(Wang等，2019)、地震断层探测(Xiang等，2018)、 地震反演(Das等，2018)等。此外，CNN在地震资料去噪方面也有许多成 功的应用(Wu等，2019；Zhao等，2019)，为解决地震资料去噪任务开辟了 一条新途径，但随着深度的增加，浅层对整个网络尤其是深层的影响逐渐减 弱，不利于复杂沙漠噪声的抑制。

发明内容

本发明为解决目前的技术不足之处，提供了一种基于特征增强去噪网络 的地震资料沙漠噪声抑制方法，通过混合膨胀卷积提高感受野；采用多条路 径融合了原始输入的强噪声信息和不同层的特征信息，增加了网络的宽度， 获得更好的降噪效果。

本发明提供的技术方案为：

一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法，包括以下步 骤：

步骤一、构建初始特征增强去噪网络；

其中，所述初始特征增强去噪网络的第1-3层和第9-12层均由卷积、批 标准化和线性整流单元组成，第4-8层由扩张卷积、批标准化和线性整流单 元组成，第13层为级联操作，所述级联操作是对输入噪声记录与第3层、第6层、第9层和第12层的特征信息映射混合，所述级联操作中的第3层、第 6层、第9层和第12层的路径中具有扩展卷积层，第14层为激活函数，第 15层由卷积组成；

所述第4层的膨胀因子为2，所述第5层的膨胀因子为3，所述第6层的 膨胀因子为4，所述第7层的膨胀因子为3，所述第8层的膨胀因子为2，所 述第1层的卷积滤波器的尺寸设置为3×3×1×128，所述第2-12层的卷积滤波 器的尺寸设置为3×3×128×128，第15层的卷积滤波器的尺寸设置3×3×5×1， 所述扩展卷积层的卷积滤波器的尺寸设置为3×3×128×1；

步骤二、将所述初始特征增强去噪网络进行残差学习得到理想特征增强 去噪网络；

步骤三、将原始带噪记录输入到所述理想特征增强去噪网络中，输出去 噪的地震信号。

优选的是，所述残差学习包括如下步骤：

步骤1、基于退化方程y＝x+v对所述初始特征增强去噪网络进行训练， 输出为残差映射：

n≈R(y；Θ)；

式中，y为原始带噪地震信号，x为去噪的地震信号，v为沙漠噪声，n为 残差映射，Θ为网络参数；

步骤2、最佳网络参数通过最小化损失函数获得，所述损失函数满足：

式中，

步骤3、将最佳网络参数代入到初始特征增强去噪网络得到理想特征增 强去噪网络。

优选的是，所述训练集包括信号集和噪声集。

优选的是，所述信号集为不同的主频和弯度的Ricker波，生成大小为 1250×100的34幅记录，然后对所述Ricker波进行切割得到大小为50×50的 训练块，切割步长为10。

优选的是，所述噪声集包括沙漠噪声和面波，所述沙漠噪声记录包含2300 道数，每道有30000个采样点；所述面波记录包含800道数，每道有1200个 采样点；然后将所述沙漠噪声记录或面波记录裁剪为50×50的噪声块，切割 步长为25。

优选的是，所述训练集的信噪比的改变通过在[0.1，1]范围内随机选择一 个随机系数乘以噪声块。

优选的是，所述激活函数为双曲正切函数。

本发明与现有技术相比较所具有的有益效果：

(1)本发明采用多条路径融合了原始输入的强噪声信息和不同层的特征 信息，增加了网络的宽度，充分利用了整个网络的影响，在复杂的背景下， 有利于提取更多的沙漠噪声特征。

(2)本发明将混合膨胀卷积技术应用到模型中，以提高感受野，这对于 在去噪任务中获得更多的上下文信息起着重要的作用。

(3)本发明还采用残差学习来促进网络训练，与现有的去噪方法相比， 在沙漠噪声、面波抑制和地震事件恢复方面的性能优于现有的去噪方法，在 地震数据去噪方面具有更好的性能。

附图说明

图1为本发明所述特征增强去噪网络的示意图。

图2为本发明所述膨胀卷积网络的示意图。

图3为本发明所述具有对称跳跃连接的膨胀卷积网络的示意图。

图4为本发明所述具有单一特征增强路径的膨胀卷积网络的示意图。

图5为本发明所述合成记录的纯净记录的示意图。

图6为本发明所述合成记录的沙漠噪声记录的示意图。

图7为本发明所述合成记录的带噪记录的示意图。

图8为本发明所述合成记录的FEDnet去噪结果的示意图。

图9为本发明所述合成记录的残差结果的示意图。

图10为本发明所述合成记录的纯净记录的FK谱示意图。

图11为本发明所述合成记录的沙漠噪声的FK谱示意图。

图12为本发明所述合成记录的带噪记录的FK谱示意图。

图13为本发明所述合成记录的FEDnet去噪结果的FK谱示意图。

图14为本发明所述合成记录的残差结果的FK谱示意图。

图15为本发明所述合成记录的带通滤波器去噪结果的示意图。

图16为本发明所述合成记录的DnCNN去噪结果的示意图。

图17为本发明所述合成记录的FEDnet去噪结果的示意图。

图18为本发明所述合成记录的带通滤波器去噪结果的第28道信号对比 示意图。

图19为本发明所述合成记录的DnCNN去噪结果的第28道信号对比示意 图。

图20为本发明所述合成记录的FEDnet去噪结果的第28道信号对比示意 图。

图21为本发明所述实际沙漠地震的示意图。

图22为本发明所述实际沙漠地震的带通滤波器去噪结果示意图。

图23为本发明所述实际沙漠地震的DnCNN去噪结果示意图。

图24为本发明所述实际沙漠地震的FEDnet去噪结果示意图。

图25为本发明所述实际沙漠地震的带通滤波器残差结果对比示意图。

图26为本发明所述实际沙漠地震的DnCNN残差结果对比示意图。

图27为本发明所述实际沙漠地震的FEDnet残差结果对比示意图。

具体实施方式

下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文 字能够据以实施。

本发明提供了一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法， 利用背景信息重构信号点进行去噪，包括以下：

步骤一、构建初始特征增强去噪网络；

采用膨胀卷积在提升感受野的同时有助于降低网络的深度和训练的复杂 性，带膨胀因子的膨胀卷积是用0将卷积核展开，即膨胀因子代表内核之间 的间距大小。在膨胀卷积网络中，当每层的膨胀因子为2时，其感受野大小 为(4n+1)×(4n+1)，其中n表示深度。例如，当n＝8时，感受野大小为33×33， 这相当于一个16层带有滤波器大小为3×3的传统CNN的感受野大小。

虽然膨胀卷积比传统卷积可以提高感受野大小，更好地利用上下文信息， 但它可能会导致网格伪影，在膨胀卷积网络的滤波器中，有零点参与计算。 当膨胀因子为2时，卷积核由3×3扩展到5×5，虽然该区域有25个信号点， 但仅使用9个信号点进行计算，通过采用几乎对称的混合膨胀因子设置，使 得每一层具有不同的膨胀因子，解决了网格伪影的问题。

如图1所示，图中的Conv、Dilated Conv、BN和ReLU分别为卷积、扩 张卷积、批标准化和线性整流单元，所述初始特征增强去噪网络的第1-3层 和第9-12层为Conv+BN+ReLU，第4-8层Dilated Conv+BN+ReLU，所述第 4层的膨胀因子为2，所述第5层的膨胀因子为3，所述第6层的膨胀因子为 4，所述第7层的膨胀因子为3，所述第8层的膨胀因子为2，所述第1层的 卷积滤波器的尺寸设置为3×3×1×128，所述第2-12层的卷积滤波器的尺寸设 置为3×3×128×128，因此，所述初始特征增强去噪网络前12层的感受野与21 层传统网络(感受野大小为43)具有相同的感受野大小，降低了初始特征增 强去噪网络的深度，从而提高了网络训练的效率。

深度的增加可能导致网络性能下降，其中一个主要原因是相对比较深的 网络会面临浅层对深层影响减小的问题。因此，为抑制沙漠噪声，充分利用 整个网络的影响，所述初始特征增强去噪网络采用多条路径设计了一种特征 增强技术，不仅选择原始的带噪输入，而且还选取不同层的特征信息作为网 络的补充,第13层为级联操作，所述级联操作是对输入噪声记录与第3层、 第6层、第9层和第12层的特征信息映射混合，这提高了网络的宽度，有助 于网络获得更多有用的噪声特征,为了保持与输入噪声记录有相同的大小，所 述级联操作中的第3层、第6层、第9层和第12层的路径中具有扩展卷积层， 所述扩展卷积层的卷积滤波器的尺寸设置为3×3×128×1；第14层的“Tanh” 代表双曲正切函数，为激活函数；第15层由卷积组成，第15层的卷积滤波 器的尺寸设置3×3×5×1，用于重构残差记录，最终输出为去噪的信号。

步骤二、将所述初始特征增强去噪网络进行残差学习得到理想特征增强 去噪网络；

其中，所述残差学习包括：

步骤1、在去噪任务中，对应的观测模型(退化方程)定义为：

y＝x+v；

其中，y为原始带噪地震信号，x为去噪的地震信号，v为沙漠噪声；

残差学习的目的是训练模型以获得残差映射(即沙漠噪声)v，最终间接 得到目标纯净记录x＝y-v，使训练更容易，在深度神经网络中，由于深度相 对比较深，梯度很容易消失，残差学习的应用解决了这一问题。

基于退化方程y＝x+v对所述初始特征增强去噪网络进行训练，输出为 残差映射：

n≈R(y；Θ)；

式中，y为原始带噪地震信号，x为去噪的地震信号，v为沙漠噪声，n为 残差映射，Θ为网络参数；

步骤2、最佳网络参数通过最小化损失函数获得，所述损失函数满足：

式中，

由于沙漠噪声具有非高斯性和低频特性，很难有效地恢复有效地震事件。 为了有效地去除地震资料中的沙漠噪声，关键是建立高质量训练集，所述训 练集包括信号集和噪声集。

选取模拟地震事件的Ricker波作为信号集。为了获得更好的去噪效果， Ricker波的参数应尽可能接近真实信号。设置不同的主频和弯度，生成大小 为1250×100的34幅记录，然后对其进行切割得到大小为50×50的训练块， 切割步长为10。

噪声集是影响网络性能的主要因素，直接影响网络的去噪表现。沙漠噪 声和面波是造成沙漠地震记录质量低下的主要因素，本发明将这两类噪声作 为训练噪声集。在本实施例中，使用的沙漠噪声数据来自中国塔里木盆地的 沙漠地区，噪音记录中的道数是2300，每道有30000个采样点；面波记录是 从中国西部沙漠地区的实际地震资料中采集的，噪声记录包含800道和每道 有1200个采样点，以25为步长，将记录裁剪为50×50的训练块。

从噪声集中随机取出噪声块v

步骤3、将最佳网络参数代入到初始特征增强去噪网络得到理想特征增 强去噪网络。

步骤三、将原始带噪记录输入到所述理想特征增强去噪网络中，输出去 噪的地震信号。

为了验证本发明所提方法的有效性，本发明首先在相同的网络训练条件 下(包括训练集、补丁大小、批大小和迭代数等)训练所有的网络，网络参 数按表1设置。

表1网络训练参数

(1)为了验证不同膨胀因子设置方式的去噪能力，对不同的膨胀卷积网 络模型进行了实验证明。

如图2所示，本发明将不带有特征增强技术的网络与普通卷积网络和膨 胀因子为2的膨胀卷积网络进行比较。

在三个不同的网络中，除第一层和最后一层外，2-12层的滤波器尺寸设 置为3×3×128×128。第一层和最后一层的过滤器尺寸分别设置为3×3×1×128 和3×3×128×1。对于13层的卷积网络，图2中模型的感受野(感受野为45) 是传统卷积网络(感受野为27)的1.6倍，小于膨胀因子为2的膨胀卷积网 络(感受野为53)。

在本实施例中，通过普通卷积网络、膨胀因子为2的膨胀卷积网络和不 带有特征增强的去噪网络(FEDnet without feat enh)处理了一个信噪比为 -6.8420db的受沙漠噪声污染的合成地震记录进行对比实验。两个广泛使用的 指标被用来定量评价去噪质量：信噪比(SNR)和均方误差(MSE)。从表2 中可以看出，当网络的扩张因子为2时，由于感受野更大，所以信噪比高于 普通的卷积网络，这证实了感受野的重要性。并且，虽然“FEDnetwithout feat enh”的感受野不是最大的，但是SNR是最高的，其中“FEDnet without featenh”表示图2的结构，这说明在膨胀卷积网络中，网格伪影是不可忽视的。 因此，提出本发明所述的特征增强去噪网络。

表2不同网络结构的SNR和MSE对比结果

(2)对比不同连接方式的性能，以说明本发明所述方法的优越性。

本发明比较了三种不同连接方式的网络，并比较了SNR和MSE的结果。 跳跃连接有助于训练和帮助网络承载更多细节信息。图3所示为对称跳接方 式，在RED和DSNet等许多网络结构中被广泛使用。第一层和最后一层的 滤波器尺寸分别设置为3×3×1×128和3×3×128×1。对于其余层，滤波器尺寸 设置为3×3×128×128。图4使用级联操作来连接输入的原始记录(全局特征) 和第十二层的特征信息映射(局部特征)，以增强浅层的影响，在图4中，仅 使用一个扩展层，因此，最后一层的滤波器尺寸设置为3×3×2×1。前12层的 滤波器参数与图3相同。然而，单一的特征增强路径并不能充分发挥网络的 影响。因此，如图1所示，本发明采用新的特征增强网络结构来挖掘更多的 特征用于去噪任务。对沙漠地震资料进行去噪处理时，不仅选取了原始输入 的强噪声信息，而且还选择了多个网络层的特征信息与深层的特征信息进行 互补。在本实施例中处理了与前一节相同的记录，对比实验结果如表3所示， 这证明了FEDnet达到了优越的性能。具体地说，表3中的“Sym SkipConnect” 和“Single Feat Enh”分别表示图3和图4的模型。

表3多种网络结构的SNR和MSE对比结果

(3)模拟记录处理结果

为了验证本发明所述的特征增强去噪网络的去噪能力，本实施例中构造 了一个模拟记录来进行仿真实验。如图5所示，地震事件由Ricker波产生， 其采样频率为500hz，本实施例中设置了不同的主频以接近真实带噪地震信号， 记录大小为200×1400；图6为沙漠噪音，根据方程y＝x+v，我们最终得到 图7所示的含噪记录，如图8所示，为FEDnet的去噪结果，说明FEDnet能 够完全抑制噪声，有效地恢复含噪记录中的有效信号，图9是通过从输入记 录中减去去噪结果得到的合成记录的残差结果，结果表明，FEDnet去噪后没 有信号能量损失。如图10-14所示，本发明绘制了频域波数谱(FK谱)。如 图12所示，很明显，有效信号几乎淹没在强低频噪声中。从图13可以看出， 去噪结果中几乎没有沙漠噪声残留。

如图15-17所示，为了证明本发明所述的特征增强去噪网络在去噪性能 上的优势，在本实施例中将FEDnet与带通滤波器和DnCNN进行了比较。 DnCNN算法的滤波器尺寸设置为与图2中的网络相同，用以处理模拟记录和 实际记录：第一层和最后一层的滤波器尺寸分别设置为3×3×1×128和 3×3×128×1，其余各层的滤波器尺寸设为3×3×128×128。三种方法的去噪结果 如图15-17所示，三种方法的单道对比结果如图18-20所示，带通滤波效果很 差，留下大量噪声，有效信号仍淹没在噪声中。如图16所示，DnCNN的去 噪效果似乎还不错，但图19中的单道结果表明DnCNN不能完全抑制沙漠噪 声。相反，图20中的单道结果表明FEDnet可以完全恢复有效信号而无噪声 残留。

定量分析可以更客观地评价去噪结果的质量。用上述三种方法处理了4 个不同噪声级的合成地震记录。对比结果如表4所示。FEDnet展示了最佳性 能。

表4不同方法的SNR和MSE结果对比

(4)实际记录处理结果

进一步将FEDnet应用于沙漠地震实际记录，以检验本发明所述的特征增 强去噪网络的去噪性能。实际地震记录如图21所示，记录包含140道和每道 包含1101个采样点。记采样频率为500赫兹。同样地，我们还将带通滤波器 和DnCNN应用于该记录。图22-图24给出了三种方法的去噪效果。

观察原始记录，图21中的地震事件被噪声淹没。特别是框1和框2标记 的地震有效信号几乎无法识别，框3地震事件受面波影响严重，连续性差。 带通滤波器的去噪效果很差：虽然抑制了一些噪声，但记录中仍存在大量噪 声，地震事件仍然难以识别。经DnCNN处理后，框1和框3的地震反射波 连续性良好。但是框2地震反射波的恢复还不够好。另外，框4中的噪声没 有被完全抑制。相比之下，FEDnet在噪声抑制和信号恢复方面优于上述方法。特别是，在FEDnet处理后，框2中的地震有效信号恢复更好，整体去噪记录 看起来比DnCNN更干净。

同时，如图25-图27所示，比较了三种方法的残差图。发现DnCNN和 本发明所述的特征增强去噪网络的残差图比带通滤波器颜色更深，这意味着 DnCNN和本发明的方法能够更彻底地抑制沙漠噪声。

对于低频沙漠噪声的抑制，传统滤波算法或传统CNN的处理结果往往存 在信号恢复不完全、噪声残留严重等问题。本发明针对地震资料的去噪问题， 提出了一种新的去噪CNN——FEDnet。它具有以下特点：

(a)FEDnet不仅采用了膨胀卷积，而且充分利用了不同层特征信息的 协同作用，在去噪性能和去噪效率之间进行了权衡。特别是通过对不同连接 方式的比较，本发明所述的特征增强去噪网络达到了最佳的去噪性能。

(b)无需调试参数，噪声抑制可自动智能完成。对于不同的噪声级记录， 只需要训练一个模型来完成去噪任务，并获得比传统去噪器更好的性能。

(c)实验表明，FEDnet对低信噪比地震资料具有良好的沙漠噪声抑制 能力和有效的信号恢复能力。本发明中高质量、丰富的训练集对网络的去噪 性能也起着重要作用。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方 式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领 域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范 围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实 施例。