基于深度残差注意力机制的地震图像超分辨率重建方法

1.一种基于深度残差注意力机制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：构建用于模型训练的数据样本库；S2：构建基于残差注意力机制的超分辨率重建网络；S3：采用数据样本库和混合损失函数对超分辨率重建网络进行训练，获得用于实现地震图像超分辨率重建和去噪的网络模型，完成基于深度残差注意力机制的地震图像超分辨率重建；所述S1中包括以下分步骤：S1-1：建立初始反射率模型，为模拟真实地震波图像中的褶皱和断层构造，向初始反射率模型中添加褶皱结构和平面断层结构；S1-2：将添加褶皱结构和平面断层结构的反射率模型与雷克子波进行褶积运算，并突出高频信息，获得地震数据模型；S1-3：对地震数据模型进行二维剖面，获得作为训练输入的高分辨率图像；S1-4：基于高分辨率图像，构建高阶退化模型，获得不同降质因子的低分辨率图像，获得用于模型训练的数据样本库；所述S1-4中高阶退化模型进行两次遍历，每次遍历均依次进行模糊处理、噪声处理和下采样处理，所述模糊处理为：将模糊核以卷积形式对图像进行处理，公式为：U＝[i 1 ,j 1 ] T其中，k(·)为模糊核，i 1 和j 1 为滑动窗口范围，N为归一化常量，U为空间坐标，上标T为矩阵的转置，Σ为协方差矩阵，R为旋转矩阵，σ 1 和σ 2 为协方差矩阵特征值，θ为旋转度数；所述S2中超分辨率重建网络中生成器子网络RIR包括浅层特征提取模块、深度特征提取模块、上采样模块和重建层；所述浅层特征提取模块使用卷积层提取浅层特征F 0 ，公式为：F 0 ＝conv(I LR )其中，conv(·)为卷积操作，I LR 为输入；所述深度特征提取模块由多个残差组RG级联形成，整体再加上一个长跳跃连接LSC，所述残差组RG内部由多个残差通道注意力块RCAB级联形成，公式为：F DF ＝H RIR (F 0 )其中，H RIR (·)为深度特征提取的整个复合函数，F DF 为深度特征；F deep ＝F 0 +conv(F g )＝F 0 +conv g (H g (H g-1 (…(H 1 (F 0 ))…)))F g,b ＝H g,b (F g,b-1 )F g ＝F g-1 +conv g,b (F g,b )其中，F deep 为浅层和深层的特征融合，conv g (·)为最后一个RG后的卷积层，H g (·)为第g个RG的函数，H g-1 (·)为第g-1个RG的函数，H 1 (·)为第1个RG的函数，F g,b 为第b个RCAB在第g个RG中的输入和输出，H g,b (·)为F g,b 对应的函数，F g,b-1 为第b-1个RCAB在第g个RG中的输入和输出，F g 为第g个RG的输出，F g-1 为第g-1个RG的输出，conv g,b (·)为第g个RG中最后一个RCAB后的卷积层；所述上采样模块采用亚像素卷积ESPCN，输出采样后的特征F UP 为：F UP ＝H UP (F DF )其中，H UP (·)为上采样模块函数；所述重建层使用卷积层重建放大的特征，公式为：I SR ＝H REC (F UP )其中，I SR 为RCAB输出，H REC (·)为重建层的卷积算子。 2.根据权利要求1所述的基于深度残差注意力机制的地震图像超分辨率重建方法，其特征在于，所述S1中数据样本库包括低分辨率图像和高分辨率图像。 3.根据权利要求1所述的基于深度残差注意力机制的地震图像超分辨率重建方法，其特征在于，所述S1-1中褶皱结构通过二维正态分布函数进行模拟实现，公式为：其中，S 1 (·)为褶皱结构，a为沿着z方向进行垂向剪切的位置，N z 为采样点数目，N g 为构造褶皱结构的控制点数目，b k 为垂向褶皱结构的大小，c k 为在x方向上褶皱结构的位置，d k 为在y方向上褶皱结构的位置，σ k 为褶皱结构的半径，k为褶皱结构数目。 4.根据权利要求1所述的基于深度残差注意力机制的地震图像超分辨率重建方法，其特征在于，所述S3中混合损失函数L SR 包括像素级别损失L 1 、感知损失 和相对GAN损失 公式为：其中，η、λ和α为平衡不同损失函数的超参；其中，W和H为RCAB输出的大小，C为上采样倍数， 为高分辨率图像像素L 1 损失， 为重建图像像素L 1 损失；其中，W i,j 和H i,j 为特征提取网络中各个特征图的维度，φ i,j (·)为第i个最大池化层之前，第j个卷积层激活之后提取的特征图，I HR 为高分辨率图像， 为重建图像；其中， 为真实数据的取均值操作， 为对每个mini-batch的数据取平均，D Ra (·)为相对判别器预测的相对概率，x r 为真实图像，x f 为假图像。 5.根据权利要求4所述的基于深度残差注意力机制的地震图像超分辨率重建方法，其特征在于，所述相对GAN损失 通过相对判别器获取，所述相对判别器为：其中，sigmoid(·)为激活函数，C(·)为未转换的判别器输出。