[发明专利]基于注意力机制的地震数据去噪方法

说明书

本发明提出一种基于注意力机制的地震数据去噪方法，包括如下步骤：通过卷积神经网络对含有噪声的地震数据进行处理以提取初次特征信号，对初次特征信号在通道域上进行评分并赋予通道权重，对初次特征信号在空间域上进行评分并赋予空间权重，将通道权重与初次特征信号相乘以得到通道特征信号，将空间权重与初次特征信号相乘以得到空间特征信号，将空间特征信号和通道特征信号经过Concat运算组合并将运算组合结果再次卷积处理，以生成最终的输出特征信号。该基于注意力机制的地震数据去噪方法，通过通道权重和空间权重的设置，实现对不同通道的不同关注，和对不同空间的不通关注，有效的对噪声进行合理的取舍，从而实现合理的去噪并保留准确的地震信号。

技术领域

本发明涉及地震噪声压制技术领域，尤其涉及一种基于注意力机制的地震数据去噪方法。

背景技术

地震勘探是当前全球油气勘探的主要技术，其通过人工激发并记录地震波，利用计算机对所采集的地震记录进行加工、改造，以获取地下介质的构造分布信息。野外采集的地震记录中存在大量噪声，噪声导致地震记录分辨率降低，也使后续数据处理无法实现保真。因此，必须采取有效的处理手段减弱地震记录中的噪声，恢复出有效地震信号。当前传统的地震数据去噪方法需要手动设置一些阈值参数，但由于地震噪声是未知的，所以去噪效果取决于研究人员的经验；另一方面，地震噪声是随很多因素的改变而多变的，即使手动设置的参数适合某些地震数据的去噪处理，也会不适用于另外一些地震数据的去噪，即传统去噪方法缺乏根据地震数据的特征而改变的灵活性。

近年来，深度学习技术广泛应用于计算机视觉领域，它通过提取数据的深层特征来实现目标检测、分类、去噪等处理任务，无需手动调节阈值等参数。深度学习技术具有完全自动化、处理速度快、准确度高的优点。

U-Net是目前深度学习领域重要的网络模型之一，它最早被应用于医学图像的语义分割。U-net网络是一种基于编码器-解码器架构的深度学习神经网络，其编码器网络是一个交替的卷积神经网络，包含卷积、池化、非线性激活等层，各卷积层的输出是具有不同感受野的特征，解码器网络通过反池化与卷积将特征图恢复为最终的结果。编码器网络的底层往往包含精确的局部细节信息，顶层包含对小的变化保持不变的全局抽象信息。为了充分利用各层级的信息，U-net网络使用“跳过连接”，即直接将编码器层连接到与其相对应的解码器层。常规U-net的网络结构如图1所示。其中左边虚线框内的部分是编码器，右边点虚线框内的部分是解码器，从左至右的箭头表示将编码器卷积层输出的特征直接复制并裁剪到解码器相应的卷积层，此过程被称为“跳过连接”。

常规U-net网络在“跳过连接”环节，将编码器各个通道的特征以完全相同的权重复制到解码器中，即神经网络对于图像的全部特征是等价处理的，没有对特征的重要性进行区分，这种处理方式不利于网络对整幅图像的理解，从而不利于有效地对图像进行处理。

发明内容

本发明针对现有技术存的问题，提出一种可以有效提取地震信号，压制地震噪声的基于注意力机制的地震数据去噪方法。

为了达到上述目的，本发明采用的技术方案为：

一种基于注意力机制的地震数据去噪方法，包括如下步骤：通过卷积神经网络对含有噪声的地震数据进行处理以提取初次特征信号，对初次特征信号在通道域上进行评分并赋予通道权重，对初次特征信号在空间域上进行评分并赋予空间权重，将通道权重与初次特征信号相乘以得到通道特征信号，将空间权重与初次特征信号相乘以得到空间特征信号，将空间特征信号和通道特征信号经过Concat运算组合并将运算组合结果再次卷积处理，以生成最终的输出特征信号。

作为本发明的进一步优化，还包括如下步骤：对初次特征信号按照通道进行全局平均池化或最大池化，从而将卷积层输出的H*W*C维的初次特征信号压缩为1*1*C维的初次通道特征向量，通过卷积将初次通道特征向量降维，通过ReLu函数激活，再通过卷积将降维后的初次通道特征向量升维，通过Sigmoid函数激活，并将Sigmoid函数输出的通道权重与初次特征信号相乘，从而得到通道特征信号。