一种基于深度卷积自编码器的鲁棒性去噪方法技术

本发明专利技术公开一种基于深度卷积自编码器的鲁棒性去噪方法，应用于地震图像去噪领域，针对现有技术存在的依赖于高质量、无噪声的地面真实地震数据，而在地震去噪任务中获取无噪声地震图像往往具有挑战性，甚至是不可行的问题；本发明专利技术改进RDCAE模型，利用鲁棒图像去噪的概念，用平滑的Welsch函数代替了经典DCAE中的均方误差(MSE)损失。在这方面，通过Welsch函数定义的抑制权值向下加权不稳定噪声。相比之下，通过将Welsch函数中的均方和总变差(TV)相结合来衰减随机噪声。随后，根据神经网络的BP算法推导RDCAE所需的训练过程。在合成的和真实的现场数据集上都进行了实现，实验结果表明了该方法的有效性。了该方法的有效性。了该方法的有效性。

【技术实现步骤摘要】
一种基于深度卷积自编码器的鲁棒性去噪方法


[0001]本专利技术属于图像处理领域，特别涉及一种地震图像去噪技术。

技术介绍

[0002]在地震现场采集过程中，不可避免地会引入噪声，从而严重损害采集到的地震图像的质量。从获取的地震图像中去除噪声是地震数据处理和各种地震解释任务中不可缺少的步骤。一般来说，这种噪声根据其可预测性分为相干噪声和非相干噪声两类。相干噪声通常在多个道集上具有一致的相位，如地滚和多次波，而非相干噪声在所有道集上是不同的，特别是包括高斯噪声和不规则噪声。
[0003]为了消除高斯随机噪声，在过去的几十年里，在图像处理和地震数据分析的交叉点上，人们一直在寻找一种高效的地震图像去噪算法。最近，在地震文献中记录了大量的去噪算法，大致分为三类:空间域滤波、稀疏表示(SR)和低秩近似(LRA)。对于空间域滤波，去噪结果由滤波系数与空间掩码邻域包含的相应图像像素的乘积之和给出。典型的滤波包括非局部均值滤波、中值滤波、形态滤波和非线性扩散滤波。SR是压缩感知领域的一种新兴技术，它可以在给定的稀疏变换中以尽可能少的系数表示无噪声地震数据，而高斯随机噪声则不能。有几种稀疏变换可用于图像变化，如wavelet，curvelet，shearlet变换，字典学习。在LRA中，地震图像去噪是通过对数据矩阵或张量的各种降秩方法来实现的，如矩阵LRA，基于Hankel矩阵的LRA逼近，张量奇异值分解(tSVD),和CANDECOMP/PARAFAC(CP)分解。
[0004]显然，基于高斯分布假设的经典去噪方法不能通过添加不稳定噪声来有效地去噪地震图像。所有这一切都是由于统计性质上的不稳定噪声在空间方向上更可能是非高斯的，在叠前地震道记录的脉冲信号中突然上升。这些突然的不稳定噪声脉冲来自于空气爆炸、电线和其他噪声、地震检波器耦合不良等等。补偿这类噪声的最好方法是使用鲁棒范数。使用鲁棒范数的两种方法:直接关注不稳定噪声，或通过损失函数间接关注。前者受到鲁棒主成分分析(robust principal component analysis,RPCA)的启发，从损坏的观测数据中恢复一个低秩的无噪声矩阵，而不稳定噪声项可以任意大，但假设是稀疏的(受鲁棒l1范数约束)。这些方法的例子包括经典的，非局部，l
p
和基于卷积神经网络(CNN)的RPCA。同时，基于无噪声数据服从低秩或变换域稀疏结构的假设，后一种方法是用鲁棒函数或范数替换数据保真项的对离群值敏感的l2范数，如Huber函数或Tukeys biweight函数。这个准则是在平滑处理小残差(即高斯随机噪声)和稳健处理大残差(即不规则噪声)之间插值的鲁棒误差度量。然而，这种方法的性能存在一定的局限性，因为它们隐含地依赖于低秩或稀疏性的手工假设，为提高去噪性能具有一定的局限性。
[0005]近年来，深度学习(DL)在地震图像去噪方面得到了蓬勃发展。与传统的去噪方法不同的是，DL方法总是试图直接建立一个从噪声地震图像到清晰图像的全面映射，不需要任何假设。目前，基于DL的去噪模型倾向于集中去噪高斯噪声，通常采用各种DL网络来最小化基于均方误差(MSE)的损失函数。这些网络包括CNN，3D去噪CNN(3D
‑
DnCNN)，生成对抗网络(GANs)，深度卷积自动编码器(DCAE)和3D DCAE。这种情况对于训练DL网络来处理非高斯
分布引起的不稳定噪声尤其麻烦，训练过程中不稳定噪声或地震图像的必须是地面真实数据。然而，尽管已经取得了优异的性能，但收集不稳定的噪声/干净的地震图像对并非易事。

技术实现思路

[0006]为解决上述技术问题，本专利技术用鲁棒且平滑的welsch函数取代深度AE中的MSE损失函数，得到了一个新的鲁棒版本的DCAE(本专利技术中记为RDCAE，robust deep convolutional autoencoder)，特别适合于地震的不稳定性噪声衰减。
[0007]本专利技术采用的技术方案为：一种基于深度卷积自编码器的鲁棒性去噪方法，采用鲁棒深度卷积自动编码器提取输入图像的特征向量，利用单层解码器将特征向量映射到去噪后的图像上；所述鲁棒深度卷积自动编码器的鲁棒重构损失函数采用welsch函数。
[0008]采用welsch函数，得到的鲁棒重构损失函数表达式为：
[0009][0010]其中，表示鲁棒重构损失函数，||
·
||
w
表示welsch鲁棒范数，表示输入的图像，D
θ
(
·
)表示编码网络，E
θ
(
·
)表示解码网络，θ为网络参数。
[0011]还包括加在鲁棒重构损失中加入TV正则项，表达式为：
[0012][0013]其中，表示加入TV正则项后的损失函数，表示TV正则项，λ是控制正则化强度的超参数。
[0014]通过反向传播方法训练鲁棒深度卷积自动编码器使得鲁棒重构损失函数最小化。
[0015]本专利技术的有益效果：本专利技术提出了一种基于RDCAE的地震图像去噪方法，以无监督的方式去除混合高斯噪声和不稳定噪声。在本专利技术的方法中，去噪问题被建模为一个基于Welsch损失函数的DCAE问题。更准确地说，在本专利技术设计的RDCAE网络中，不稳定的噪声通过Welsch函数学习的权值来降低权重，而随机噪声通过Welsch函数的均方和总变异的组合来衰减；然后，基于BP算法推导出训练方案，利用二维地震图像数据集对设计的RDCAE进行有效训练。在合成数据集和实际数据集上的实验表明，与某些SOTA方法相比，本专利技术所提出的去噪方法能有效去除混合高斯噪声和不稳定噪声。
附图说明
[0016]图1为本专利技术采用的Welsch损失函数与现有的l2损失函数，Huber损失函数和Tukey的biweight损失函数比较；
[0017]图2Welsch损失函数及其梯度对其形状参数的不同值；
[0018]其中，(a)为损失函数在不停形状参数下的形状，(b)为损失函数梯度在不同形状参数下的形状；
[0019]图3RDCAE模型示意图；
[0020]图4本专利技术提出的RDCAE网络以带噪声的地震图像为输入，直接输出去噪后的图像；
[0021]图5利用不同方法对合成数据进行去噪比较；
[0022]其中，(a)为采用DCAE对合成数据的去噪结果，(b)为采用DMSSA对合成数据的去噪
结果，(c)为采用IRSPF对合成数据的去噪结果，(d)为采用本专利技术的RDCAE对合成数据的去噪结果，(e)为采用DCAE去掉的噪声部分，(f)为采用DMSSA去掉的噪声部分，(g)为采用IRSPF去掉的噪声部分，(h)为采用本专利技术的RDCAE去掉的噪声部分，(i)为DCAE降噪后的结果和所去掉的噪声部分进行局部相似度比较结果，(j)为DMSSA降噪后的结果和所去掉的噪声部分进行局部相似度比较结果，(k)为IRSPF降噪后的结果和所去掉的噪声部分进行局部相似度比较结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积自编码器的鲁棒性去噪方法，其特征在于，采用鲁棒深度卷积自动编码器提取输入图像的特征向量，利用单层解码器将特征向量映射到去噪后的图像上；所述鲁棒深度卷积自动编码器的鲁棒重构损失函数采用welsch函数。2.根据权利要求1所述的一种基于深度卷积自编码器的鲁棒性去噪方法，其特征在于，采用welsch函数，得到的鲁棒重构损失函数表达式为：其中，表示鲁棒重构损失函数，||
·
||
w
表示welsch鲁棒范数，表示输入的图像，D
θ
(
·
)表示编码网络，E
θ
...

【专利技术属性】
技术研发人员：钱峰，岳跃华，于洪涛，郭威，李惠敏，胡光岷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：