[发明专利]一种基于深度学习语义边界增强的盐体识别方法

说明书

本发明公开了一种基于深度学习语义边界增强的盐体识别方法，本发明除了关注语义图像的识别功能，同样也对语义边界的提取进行了训练，增强语义图像的识别效果。由于网络获得了边界提取的相关能力，模型输出的语义图像边界会因此变得更加清晰，增加准确率。而且语义边界识别的特征也会直接显示地输入到语义图像提取的过程之中，以对盐体识别结果进行直接的监督与加强。语义图像提取网络中的注意力模块scSE也让模型在训练过程中自行学习，获取每个特征的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征，显式地建模特征通道之间的相互依赖关系，也让模型更加稳定。本方法可以比较高效准确的对地质盐层图像进行分割。

技术领域

本发明属于计算机视觉技术领域以及地质勘测领域。其中主要涉及的知识包括一些图像增强、边界检测、图像语义分割方法、深度学习图像分割方法等。

背景技术

地震图像是指通过地震成像技术，观测地震波在不同岩层之下传播的速度，进而获得相对应的声波图。地震图像作为一种有组织的、可理解的数据显示，是获取和传递地球结构和材料特性信息的宝贵工具。通常在地下巨大的盐沉积物附近，往往会有大量石油或者天然气等重要资源。这些资源聚集的地区往往会在地表下面形成盐体。然而，盐体在地下通常以高温液态的形式存在，直接进行盲目的勘探不仅会造成资金、资源的浪费，还有可能对钻探人员的生命安全形成威胁。而地震图像因其本身的性质，可以把地下的一些盐层、岩层的特殊结构反应到图像中，对于盐体的检测具有重要意义。目前，对这些地震图像的识别与标注时要进行极其细致的分析，因此主要是通过经验丰富的专业人士手工进行标注。但是人工标注的结果很容易受到标注人情绪与疲劳程度等高度主观因素的影响，最终每个标注人的标注结果往往一定的偏差，不具有稳定性，同时也会浪费大量劳动力。

在计算机数字图像处理领域内，地震图像的盐体识别问题可以被归类为图像的语义分割问题，即对图像中的每一个像素确定为一种类别，将图像划分为不同的区域，因此该问题可以被视为一个逐像素的分类问题。在传统的图像语义分割方法中，使用的方法主要是根据图像纹理、颜色等特征，人工设计图像特征的提取内容，并使用支持向量机（SVM）、随机森林、AdaBoost等分类算法进行分类。由于语义分割问题具有一定复杂性，传统的人工特征提取方法效果并不理想。

近年来，随着计算机运算能力的不断提升以及机器学习相关算法的不断积累，深度学习这一领域日益火热。由于其极强的数据特征提取的强能力，深度学习相继在计算机视觉、语音识别、语义分析、序列预测等诸多重要领域内取得了突破性的进展。在计算机视觉领域，Krizhevsky等人在2012年提出了一个基于卷积神经网络（CNN）的模型AlexNet，并取得了该年度ImageNet分类比赛的冠军。AlexNet的成功使得研究者们纷纷尝试使用CNN解决计算机视觉问题。2015 年He等人提出了深度残差网络（ResNet），ResNet引进了跳跃式连接的结构，使得模块输入可以直接加到模块的输出上，网络深度也因此达到了前所未有的152 层，这种跳跃式连接的结构也基本成为今后CNN设计的基础单元。在语义分割领域，2014年，Long等人提出了全卷积神经网络（FCN），该网络可以直接进行逐像素的端到端图像语义分割，使得深度学习在语义分割领域内产生了突破性进展。随后的几年中，SegNet，DeepLab，以及针对医疗图像设计的语义分割网络U-Net等模型相继出现，这些方法使得深度学习在语义分割领域大放异彩。

目前，使用深度学习方法应用于盐体识别仍然存在一些问题。首先进行过良好数据标注的地震图像本身数据量就不够丰富，不利于网络的的训练。同时由于其成像原理，盐体区域与其他背景区域之间的差异较小，缺少较为清晰的语义边界，这会使得模型的分割结果在边界处不够准确。

发明内容