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: 2025101771974
申请人: 成都理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
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。