欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024117152081
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于Mamba的地震图像超分辨率重建方法,其特征在于,包括以下步骤:

S1、构建地震图像超分辨率重建模型训练、验证和预测所需数据集;

S2、构建基于Mamba的地震图像超分辨率重建网络的局部特征提取模块:所述局部特征提取模块通过级联卷积层,实现对局部地层特征信息的提取;

S3、构建基于Mamba的地震图像超分辨率重建网络的全局特征提取模块:所述全局特征提取模块由两个状态空间组和一个卷积层级联组成,状态空间组用于提取地震图像中的全局信息,卷积层用于进一步提取特征信息并调整通道数;每个状态空间组由四个多级状态空间块和一个卷积层级联组成,多级残差状态空间块用于捕获特征图中的长距离依赖关系,卷积层用于进一步提高全局特征表示;最后,通过跳跃连接操作来融合全局特征提取模块的输入与输出,实现对局部特征信息和全局特征信息的融合;

S4、构建基于Mamba的地震图像超分辨率重建网络的高质量地震图像重建模块:所述高质量地震图像重建模块由两个卷积层和一个像素重组层级联组成;第一个卷积层用于增强提取的全局和局部特征,第二个卷积层用于重建高质量的地震图像;像素重组层通过重新排列地震图像中的像素,从而提高地震图像的空间分辨率,实现对细节信息的保留;

S5、构建基于Mamba的地震图像超分辨率重建网络:所述基于Mamba的地震图像超分辨率重建网络由步骤S2所述局部特征提取模块、步骤S3所述全局特征提取模块和步骤S4所述高质量地震图像重建模块级联组成;输入地震图像首先由所述局部特征提取模块提取局部地层特征,再由所述全局特征提取模块获取全局地层特征,最后,由所述高质量地震图像重建模块重建高质量地震图像;

S6、构建损失函数,用于测试步骤S5所构建的基于Mamba的地震图像超分辨率重建性能;

S7、网络模型训练:初始化步骤S5组成的基于Mamba的地震图像超分辨率重建网络参数,确定学习率、优化函数和迭代数,根据步骤S5组成的基于Mamba的地震图像超分辨率重建网络输出的验证结果,优化步骤S6所构建的损失函数,最终获得最优的网络模型参数,训练结束;

S8、网络模型验证:对步骤S7训练完成后得到的基于Mamba的地震图像超分辨率重建网络模型进行验证,验证结果的评价指标满足设定的阈值,则将步骤S7训练后得到的基于Mamba的地震图像超分辨率重建网络模型作为最优的超分辨率重建模型;否则返回步骤S7,通过修改训练超参数重新训练网络模型;

S9、网络模型应用:将实际测区的低分辨率地震图像输入到S7步骤得到的最优的超分辨重建网络模型中,得到高分辨率地震图像。

2.根据权利要求1所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于,步骤S1,具体包括以下步骤:

S11、生成一维反射率模型,反射率值范围在[-1,1]之间;

S12、构建折叠结构和折叠,并通过垂直和面状剪切构建断层结构;

S13、用高频雷克子波卷积反射率模型,以获得高频地震剖面;然后,通过中心裁剪从高频地震剖面中提取多个二维高分辨率地震剖面作为高分辨率地震图像;

S14、用低频雷克子波卷积反射率模型,以获得低频地震剖面;然后,通过中心裁剪从低频地震剖面中提取多个二维低分辨率地震剖面;最后,在二维低分辨率地震剖面中添加频率范围为5到80Hz的随机彩色噪声;

S15、对带有随机彩色噪声的二维低频地震剖面执行两倍下采样操作,以降低其空间分辨率,并将下采样后的地震剖面用作低分辨率地震图像,完成地震图像生成的过程。

3.根据权利要求1所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于,步骤S2,具体为:用于地震图像超分辨率重建的Mamba网络的局部特征提取模块由级联的3×3和5×5卷积层组成,并使用LeakyReLU激活函数以增强网络模型的非线性;在此过程中,低分辨率地震图像首先输入局部特征提取模块,以提取浅层和局部特征;该模块的输出特征图宽度和高度保持不变,而通道数从1增加到64。

4.根据权利要求1所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于,步骤S3,具体为:用于地震图像超分辨率重建的Mamba网络的全局特征提取模块由两个状态空间组和一个卷积层组成,每个状态空间组由四个多级残差状态空间块和一个卷积层级联组成;全局特征提取模块的输入特征图和输出特征图通过残差连接进行融合;

所述多级残差状态空间块首先对局部特征提取模块的输出特征图应用层归一化;接下来,引入视觉状态空间模块以捕捉地震图像的长距离依赖关系;然后,对视觉状态空间模块的输出特征图进行层归一化,并与卷积层结合,以补偿局部特征信息;此外,构建了一种新型的通道注意力模块,以进一步提高特征提取能力,通过对重要特征分配更大的权重来增强特征表示,从而防止冗余特征的干扰;最后,引入多层残差连接能够有效促进特征信息之间的相互作用。

5.根据权利要求4所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于:所述视觉状态空间模块由两个主要分支组成;第一个分支包括一个线性层、深度可分离卷积层、SiLU激活函数、二维选择性扫描模块和层归一化;线性层用于将输入标准化特征的通道数扩展到λC(其中λ是通道扩展因子);深度可分离卷积层用于提取局部特征,同时保持计算效率;SiLU激活函数用于增强网络的非线性;二维选择性扫描模块用于通过离散状态空间方程建模长距离依赖关系;层归一化被应用于标准化特征,以稳定训练过程;第二个分支由线性层和SiLU激活函数组成,用于扩展通道并增强网络的非线性;第二个分支补充了第一个分支提取的特征,使网络能够更全面地学习输入特征的重要信息;最后,通过哈达玛积融合两个分支的输出特征,然后通过线性层将通道数调整回C。

6.根据权利要求4所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于:所述通道注意力模块由全局最大池化层、全局平均池化层、1×1卷积层和Sigmoid激活函数组成;首先,将输入特征图分别输入全局最大池化层和全局平均池化层;这两个池化层的输出特征图通过元素相加擦欧总进行融合,减少特征图的空间维度至1,同时保持通道数不变;接着,利用两个1×1卷积层对融合后的特征图进行进一步特征提取;随后,Sigmoid激活函数生成通道注意力权重;最后,将生成的通道注意力权重与通道注意力模块的输入特征图逐元素相乘,输出通道注意力特征图。

7.根据权利要求5所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于:所述二维选择性扫描模块首先将二维地震特征图展平为一维序列,并在四个方向进行扫描:从左上角到右下角,从右下角到左上角,从右上角到左下角,以及从左下角到右上角;随后,通过离散状态空间方程捕捉每个扫描序列中的长距离依赖关系;最后,通过对所有扫描序列的结果进行求和和重构,有效恢复原始的二维结构,从而实现二维地震特征图的精确重建。

8.根据权利要求1所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于,步骤S4,具体为:用于地震图像超分辨率重建的Mamba网络的高质量地震图像重建模块由两个卷积层和一个像素重组层级联组成;第一个卷积层用于进一步增强融合的全局和局部特征,第二个卷积层用于重建高分辨率地震图像;像素重组层通过重新排列地震图像中的像素,从而提高地震图像的空间分辨率,实现对细节地层特征信息的保留。

9.根据权利要求1所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于:步骤S6中,损失函数通过采用Charbonnier损失函数来代替Mamba的常规损失函数,其数学表达式为:其中,ISR代表重建的高分辨率地震图像,IHR代表训练集中的高分辨率地震图像。ε是为了保持数值稳定所设置的常数,ε设置为1×10-3。

10.根据权利要求1所述的一种基于Mamba的地震图像超分辨率重建方法,其特征在于,步骤S8中,网络模型验证具体包括以下步骤:S81、将验证集中配对的低分辨率-高分辨率地震图像输入到已训练的基于Mamba的地震图像超分辨率重建网络中进行验证;

S82、当验证结果的评价指标:结构相似度、峰值信噪比不满足设置的阈值时,则继续返回步骤S7,调整并优化网络模型参数后重新训练基于Mamba的地震图像超分辨率重建网络;

S83、当验证结果的评价指标:结构相似度、峰值信噪比满足设置的阈值时,则停止网络模型训练,然后,将已训练的基于Mamba的地震图像超分辨率重建网络应用到实际测区的地震图像。