1.一种融合噪声估计模块和通道注意力机制的自监督地震去噪方法,其特征在于,包括以下步骤:步骤1:构建地震数据集,包括对真实含噪地震数据和合成加噪地震数据进行切片处理,得到多个含噪数据块;
步骤2:构建自监督去噪网络,包括:
噪声预测模块,由多个1×1卷积层和ReLU激活函数构成,用于输出与输入数据尺寸相同的噪声水平预测图,所述噪声水平预测图表征每个像素的噪声协方差矩阵;
自监盲点网络,包含集成通道注意力机制的双分支结构:第一分支采用带有中心掩码卷积的膨胀卷积模块,简称DC模块,用于提取局部特征;
第二分支采用结合通道注意力机制的膨胀Transformer块,简称DTB模块,所述DTB模块通过通道注意力机制实现全局特征建模,且其前馈层包含深度可分离卷积;
步骤3包括:
步骤3.1:对输入的真实含噪地震数据执行步长因子s=2的像素随机下采样PD处理,将输入数据拆分为2×2的子块并按马赛克排列,生成四个子块数据以打破噪声空间相关性;
步骤3.2:将PD处理后的子块数据输入噪声预测模块,获得每个像素的1×1噪声协方差矩阵,扩展该矩阵维度以匹配输入数据尺寸;
步骤3.3:将扩展后的噪声协方差矩阵与PD处理后的子块数据共同馈入自监督盲点网络BSN;
步骤3.4:基于贝叶斯公式计算网络预测误差,所述公式为:符号说明:
:噪声图像输入,需去噪的目标;
:对所有训练数据取平均;
:网络预测的干净信号,对应 D-BSN 输出;
:预测信号的协方差矩阵;
:噪声预测模块输出的噪声协方差矩阵;
:矩阵的迹操作,约束 的幅值;
步骤3.5:通过反向传播算法优化噪声预测模块及BSN网络参数,获得训练完成的去噪模型权重并保存,最后得到训练好的模型;
步骤4:将待去噪地震数据输入训练后的模型进行去噪处理,并通过逆PD操作恢复最终去噪结果。
2.根据权利要求1所述的方法,其特征在于,步骤2包括以下步骤:步骤2.1:构建噪声预测模块,包含依次连接的五个1x1卷积层,其中前四层后部署ReLU非线性激活函数,第五层输出与输入含噪数据同尺寸的噪声协方差矩阵;
步骤2.2:构建自监督盲点网络BSN的双分支架构,其中,第一分支包括上下路径:
上路径:包括3×3中心掩码卷积层及串联的9个DC模块,这里的DC模块采用步长2的膨胀卷积并包含并行上/中/下路径,每一路径由1×1卷积层与3×3膨胀卷积层组合实现局部特征提取;
下路径:包含一个含有5×5中心掩码卷积层和9个具有S=3的膨胀卷积层的DC模块,这里的DC模块采用步长3的膨胀卷积并包含并行上/中/下路径,每一路径由1×1卷积层与3×3膨胀卷积层组合实现局部特征提取;
第二分支包括5×5中心掩码卷积层及串联的9个DTB模块,所述DTB模块通过通道注意力机制生成通道交互的全局特征图,并采用深度可分离卷积与前馈网络增强长程依赖性,其中所述通道注意力机制通过计算查询矩阵Q、键矩阵K和值矩阵V的点乘操作实现;将所述第一分支与第二分支的输出去除盲点信息后进行特征拼接,通过1×1卷积层融合多尺度特征;同时将噪声预测模块的输出与融合后的特征进行贝叶斯预测,形成最终的BSN输出结果。
3.根据权利要求2所述的方法,其特征在于,所述步骤4包括如下步骤:步骤4.1:加载训练完成的去噪模型权重,并将待处理含噪地震数据输入模型;
步骤4.2:对输入的含噪数据执行步长因子s=2的像素随机下采样PD处理,形成四个离散的子块数据,并将其馈入所述去噪模型;
步骤4.3:通过所述去噪模型的噪声预测模块与自监督盲点网络BSN输出处理后的去噪子块数据,随后将各子块按原始PD处理时的马赛克排列方式进行逆PD操作,合并为完整尺寸的最终去噪地震数据。
4.一种融合噪声估计模块和通道注意力机制的自监督地震去噪系统,其特征在于,包括:地震数据集构建模块,包括对真实含噪地震数据和合成加噪地震数据进行切片处理,得到多个含噪数据块;
自监督去噪网络模块,包括:
噪声预测模块,由多个1×1卷积层和ReLU激活函数构成,用于输出与输入数据尺寸相同的噪声水平预测图,所述噪声水平预测图表征每个像素的噪声协方差矩阵;
自监盲点网络,包含集成通道注意力机制的双分支结构:第一分支采用带有中心掩码卷积的膨胀卷积模块,简称DC模块,用于提取局部特征;
第二分支采用结合通道注意力机制的膨胀Transformer块,简称DTB模块,所述DTB模块通过通道注意力机制实现全局特征建模,且其前馈层包含深度可分离卷积;
数据处理与训练单元的实现包括:
对输入的真实含噪地震数据执行步长因子s=2的像素随机下采样PD处理,将输入数据拆分为2×2的子块并按马赛克排列,生成四个子块数据以打破噪声空间相关性;
将PD处理后的子块数据输入噪声预测模块,获得每个像素的1×1噪声协方差矩阵,扩展该矩阵维度以匹配输入数据尺寸;
将扩展后的噪声协方差矩阵与PD处理后的子块数据共同馈入自监督盲点网络BSN;
基于贝叶斯公式计算网络预测误差,所述公式为:
符号说明:
:噪声图像输入,需去噪的目标;
:对所有训练数据取平均;
:网络预测的干净信号,对应 D-BSN 输出;
:预测信号的协方差矩阵;
:噪声预测模块输出的噪声协方差矩阵;
:矩阵的迹操作,约束 的幅值;
通过反向传播算法优化噪声预测模块及BSN网络参数,获得训练完成的去噪模型权重并保存,最后得到训练好的模型;
去噪处理与恢复单元,将待去噪地震数据输入训练后的模型进行去噪处理,并通过逆PD操作恢复最终去噪结果。
5.根据权利要求4所述的系统,其特征在于,自监督去噪网络模块的实现包括以下步骤:步骤2.1:构建噪声预测模块,包含依次连接的五个1x1卷积层,其中前四层后部署ReLU非线性激活函数,第五层输出与输入含噪数据同尺寸的噪声协方差矩阵;
步骤2.2:构建自监督盲点网络BSN的双分支架构,其中,第一分支包括上下路径:
上路径:包括3×3中心掩码卷积层及串联的9个DC模块,这里的DC模块采用步长2的膨胀卷积并包含并行上/中/下路径,每一路径由1×1卷积层与3×3膨胀卷积层组合实现局部特征提取;
下路径:包含一个含有5×5中心掩码卷积层和9个具有S=3的膨胀卷积层的DC模块,这里的DC模块采用步长3的膨胀卷积并包含并行上/中/下路径,每一路径由1×1卷积层与3×3膨胀卷积层组合实现局部特征提取;
第二分支包括5×5中心掩码卷积层及串联的9个DTB模块,所述DTB模块通过通道注意力机制生成通道交互的全局特征图,并采用深度可分离卷积与前馈网络增强长程依赖性,其中所述通道注意力机制通过计算查询矩阵Q、键矩阵K和值矩阵V的点乘操作实现;将所述第一分支与第二分支的输出去除盲点信息后进行特征拼接,通过1×1卷积层融合多尺度特征;同时将噪声预测模块的输出与融合后的特征进行贝叶斯预测,形成最终的BSN输出结果。
6.根据权利要求5所述的系统,其特征在于,去噪处理与恢复单元的实现包括如下步骤:步骤4.1:加载训练完成的去噪模型权重,并将待处理含噪地震数据输入模型;
步骤4.2:对输入的含噪数据执行步长因子s=2的像素随机下采样PD处理,形成四个离散的子块数据,并将其馈入所述去噪模型;
步骤4.3:通过所述去噪模型的噪声预测模块与自监督盲点网络BSN输出处理后的去噪子块数据,随后将各子块按原始PD处理时的马赛克排列方式进行逆PD操作,合并为完整尺寸的最终去噪地震数据。