1.一种基于纹理约束的U‑net网络进行地震数据重建的方法,其特征在于,包括以下步骤:
步骤1:使用滑动窗口的方式,将某工区采集到的现场数据切分成N×N大小的子块作为训练数据集,通过人为随机缺失50%道获取输入的缺失数据Sinput,完整不缺的数据记Sgt为重建标签;
步骤2:选取3个聚类中心,利用K‑means算法对重建标签进行分割,获得重建标签Sgt的纹理Stexture;
步骤3:通过Sgt和Stexture训练U‑net网络作为纹理提取器,得到优化后的纹理提取器参数θG;
步骤3中所述优化的纹理提取器参数θG通过如下公式获得:其中,G为纹理提取器,Sgt为纹理提取器的输入数据,x∈Ω, 为二维数据每个像素点所对应的位置;函数l(x),x∈Ω,Ω→{1,2,...,K},l(x)表示每个位置数据点的真实类别,包括波峰、波谷和背景; 为纹理提取器的输出结果,表示x处数据点属于第k类的概率;
步骤4:使用U‑net网络作为重建网络与训练好的纹理提取器串联,利用重建网络对缺失数据进行重建,获得重建损失,并通过纹理提取器分别提取重建网络的输出结果和重建标签的纹理信息,获得纹理损失;
步骤5:通过所述重建损失和纹理损失优化重建网络后进行地震数据重建。
2.如权利要求1所述的基于纹理约束的U‑net网络进行地震数据重建的方法,其特征在于:步骤4中所述纹理损失为重建标签和重建网络的交叉熵损失函数。
3.如权利要求1所述的基于纹理约束的U‑net网络进行地震数据重建的方法,其特征在于:步骤4中,分别提取重建标签Sgt和重建网络的输出结果的纹理,从而得到所述纹理损失Lt,Lt满足如下公式:
其中,F为重建网络,θF为重建网络的网络参数,Sinput为对训练数据集随机缺失的地震数据,F(Sinput,θF)为重建网络的输出结果。
4.如权利要求3所述的基于纹理约束的U‑net网络进行地震数据重建的方法,其特征在于:步骤5中,优化重建网络的方式为:先通过下式计算最终损失L:
L(Sinput,Sgt,θF)=λLr(Sinput,θF)+Lt(Sinput,Sgt,θG,θF)其中,Lr为重建网络的损失函数,其为重建网络的输出与重建标签的均方误差,λ表示权重;
然后通过求解如下优化问题,优化网络参数
5.如权利要求3所述的基于纹理约束的U‑net网络进行地震数据重建的方法,其特征在于:步骤5中,获得优化网络参数θF后,在测试集上评估网络性能,以测试集上的平均信噪比S/R评价网络性能,公式如下:其中,Sgt为重建标签,Srecon为重建网络的输出结果,即Srecon=F(Sinput,θF)且以信噪比最高的模型为最终网络。
6.如权利要求1所述的基于纹理约束的U‑net网络进行地震数据重建的方法,其特征在(k)
于:步骤2中,聚类中心选择3个,每一个通道的分割结果P 见公式:其中,Ωk,k=1,2,3分别表示背景、波峰区域和波谷区域;
步骤3中 表示x处数据点属于第k类的概率,所述优化的纹理提取器参数θG使网络预测x处数据点属于真实类别l(x)的概率接近于1。
7.如权利要求3所述的基于纹理约束的U‑net网络进行地震数据重建的方法,其特征在于:对训练数据集随机缺失的地震数据 其中maskk为训练过程中第k次迭代的采样算子。