一种地震资料线性面波噪声压制方法、装置、设备及介质

技术领域

本发明涉及地震资料优化技术领域，尤其涉及一种地震资料线性面波噪声压制方法、装置、电子设备及计算机可读存储介质。

背景技术

地震资料噪声压制是地震资料处理过程中的关键处理流程。地震资料面波通常具有低频、低度和高振幅等特征，严重影响了地震资料信噪比和成像质量。

常用的面波噪声压制方法基于面波和有效波在变换域中的差异，如FK域、小波域或曲波域。现有技术中存在利用以下方法实现噪声压制：

1、使用一维预测误差滤波器在频率域根据波形倾角来实现面波和有效信号的分离；

2、在带通滤波器后使用局部正交化算法提升了信噪分离效果；

3、使用局部时频变换(LTFT)实现了信号和面波之间较好的分离。

但是，上述方法往往会蕴含了对噪音和信号的假设，当假设和实际情况较为吻合时，去噪效果比较显著，当二者存在明显差异时，去噪效果会较差；此外上述方法会较为依赖于滤波器的设计，然而，由于滤波参数设计的复杂性，进而导致去噪的效果难以保证。

目前，基于传统算法的面波噪声压制技术已经发展了多种算法，并在一定程度上都在实际生产中得到了应用。但传统方法的主要受限于人工强干预，并且去噪过程中需要大量的人工调参，在很大程度上影响了去噪效率。

综上所述，现有技术中存在地震资料噪声压制过程中人工干预较多，且去噪效率低的问题。

发明内容

针对上述问题，本发明的实施例提供了一种地震资料线性面波噪声压制方法、装置、电子设备及计算机可读存储介质。

第一方面，本发明实施例提供了一种地震资料线性面波噪声压制方法，包括：

获取实际地震资料，根据所述实际地震资料进行信噪比评估，得到训练地震资料；

根据所述训练地震资料制备初始样本集，并对所述初始样本集中的样本数据进行数据增强，得到标准样本集；

构建二维卷积层，根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，根据所述归一化层及所述激活层生成多尺度扩张卷积模块，并根据所述特征提取模块、所述多尺度扩张卷积模块以及所述输出模块构建初始去噪模型；

将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，根据所述训练去噪结果及所述标准样本集进行损失值计算，得到训练损失值，利用所述训练损失值优化所述初始去噪模型，得到标准去噪模型；

获取待去噪地震资料，利用所述标准去噪模型对所述待去噪模型进行卷积计算，得到去噪地震资料。

根据本发明的实施例，所述根据所述实际地震资料进行信噪比评估，得到训练地震资料，包括：

对所述实际地震资料进行行列像素噪声标准差计算，得到行噪声标准差以及列噪声标准差；

根据所述行噪声标准差以及所述列噪声标准差计算行等效噪声标准差以及列等效噪声标准差；

从所述行等效噪声标准差以及所述列等效噪声标准差选取参考噪声标准差，根据所述参考噪声标准差计算所述实际地震资料的信噪比；

根据所述信噪比的大小对所述实际地震资料进行筛选，得到训练地震资料。

根据本发明的实施例，所述根据所述行噪声标准差以及所述列噪声标准差计算行等效噪声标准差以及列等效噪声标准差，包括：

利用下式计算行等效噪声标准差以及列等效噪声标准差：

其中，

根据本发明的实施例，所述对所述初始样本集中的样本数据进行数据增强，得到标准样本集，包括：

对所述样本数据进行分块剪裁，得到剪裁数据；

对所述剪裁数据进行重采样，得到采样数据；

汇总所述采样数据，得到标准样本集。

根据本发明的实施例，所述根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，包括：

依次叠加所述二维卷积层、所述归一化层以及所述激活层，得到特征提取模块；

依次叠加所述归一化层、所述激活层、所述二维卷积层以及通道数为1的二维卷积层，得到输出模块。

根据本发明的实施例，所述根据所述归一化层及所述激活层生成多尺度扩张卷积模块，包括：

根据预设扩张卷积网络块的宽度及深度确定扩张率，根据所述扩张率以及预设的卷积核生成扩张卷积层；

利用下式确定扩展率：

dilationrate＝mod((i-1)*2+j,10)

其中，dilation rate为扩展率；i为扩张卷积网络块的深度，1≤i≤8；j为扩张卷积网络块的宽度，0≤j≤2；mod为取余算子；

根据所述归一化层、所述激活层以及所述扩张卷积层生成扩张卷积数据块；

根据所述深度以及所述扩张卷积数据块生成多尺度扩张卷积模块。

根据本发明的实施例，所述将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，包括：

利用所述初始去噪模型中的特征提取模块对所述标准样本集中的样本进行特征提取，得到地震资料图像特征；

利用所述初始去噪模型中的多尺度扩张卷积模块对所述地震资料图像特征进行多尺度卷积，得到多尺度特征向量；

利用所述初始去噪模型中的输出模块对所述多尺度特征向量进行归一化计算，得到训练去噪结果。

第二方面，本发明实施例提供了一种地震资料线性面波噪声压制装置，其特征在于，包括：

训练地震资料生成模块，用于获取实际地震资料，根据所述实际地震资料进行信噪比评估，得到训练地震资料；

标准样本集生成模块，用于根据所述训练地震资料制备初始样本集，并对所述初始样本集中的样本数据进行数据增强，得到标准样本集；

初始去噪模型生成模块，用于构建二维卷积层，根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，根据所述归一化层及所述激活层生成多尺度扩张卷积模块，并根据所述特征提取模块、所述多尺度扩张卷积模块以及所述输出模块构建初始去噪模型；

标准去噪模型生成模块，用于将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，根据所述训练去噪结果及所述标准样本集进行损失值计算，得到训练损失值，利用所述训练损失值优化所述初始去噪模型，得到标准去噪模型；

标准去噪模块，用于获取待去噪地震资料，利用所述标准去噪模型对所述待去噪模型进行卷积计算，得到去噪地震资料。

第三方面，本发明实施例提供了一种电子设备，其包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如前第一方面所述的一种地震资料线性面波噪声压制方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如前第一方面所述的一种地震资料线性面波噪声压制方法。

与现有技术相比，本发明的上述技术方案具有如下有益效果：

本发明的实施例通过对实际地震资料进行信噪比评估，提高了数据的质量；通过进行数据增强处理，提升样本多样性，增强了网络泛化能力；通过建立特征提取模型，增强网络的非线性特性并进一步加快收敛；通过建立多尺度扩张卷积模型，在减少网络深度的同时可以大幅度提升网络感知野，增强了网络对不同尺度数据的识别能力，更大程度得实现噪声识别从而实现面波噪声压制的智能化处理；通过对初始去噪模型进行损失值计算以及优化处理，保证去噪前后的时空域数据能量和振幅相对关系保持不变，提高去噪后地震资料数据的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1显示了本发明实施例一的地震资料线性面波噪声压制方法的工作流程图；

图2显示了本发明实施例一的待去噪地震资料的图像；

图3显示了本发明实施例一的去噪地震资料的图像；

图4显示了本发明实施例一的待去噪地震资料相对于去噪地震资料所去除的噪音的图像；

图5显示了本发明实施例三的地震资料线性面波噪声压制装置的功能模块图；

图6显示了本发明实施例四的实现所述地震资料线性面波噪声压制方法的电子设备的组成结构示意图。

具体实施方式

下面结合附图所示的实施例对本公开作进一步说明。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

本发明提出了一种地震资料线性面波噪声压制方法，基于自适应多尺度扩张卷积网络，结合多个卷积模块，搭建去噪模型，该模型能够在减少网络深度的同时大幅度提升网络感知野，增强了网络对不同尺度数据的识别能力，更大程度得实现噪声识别从而实现面波噪声压制的智能化处理；根据去噪模型对构造的多样性样本集进行去噪训练，并根据训练结果进行损失计算以及模型优化，提升模型去噪效果以及去噪能力，实现对待去噪地址资料的线性面波去噪。

实施例一

如图1所示，本发明提出了一种地震资料线性面波噪声压制方法，包括以下步骤：

S1、获取实际地震资料，根据所述实际地震资料进行信噪比评估，得到训练地震资料。

本发明实施例中，所述实际地震资料可以为叠前地震资料，表示为包含低频、低度和高振幅等特征的面波图像。

本发明实施例中，通过对实际地震资料进行信噪比评估，可以从中筛选出高质量的地震资料。

本发明实施例中，所述根据所述实际地震资料进行信噪比评估，得到训练地震资料，包括：

对所述实际地震资料进行行列像素噪声标准差计算，得到行噪声标准差以及列噪声标准差；

根据所述行噪声标准差以及所述列噪声标准差计算行等效噪声标准差以及列等效噪声标准差；

从所述行等效噪声标准差以及所述列等效噪声标准差选取参考噪声标准差，根据所述参考噪声标准差计算所述实际地震资料的信噪比；

根据所述信噪比的大小对所述实际地震资料进行筛选，得到训练地震资料。

本发明实施例中，可以选取行等效噪声标准差以及列等效噪声标准差中的较大值作为参考噪声标准差。

本发明实施例中，所述实际地震资料对应的行噪声标准差矩阵以及所述实际地震资料对应的列噪声标准差矩阵如下式所示：

其中，σ

详细地，本发明实施例中，利用下式计算行等效噪声标准差以及列等效噪声标准差：

其中，

本发明实施例中，图像信噪比反应图像中有效信息与无效信息的比值，因此，信噪比越高说明对应的地震资料的质量越高，反之，则表示对应的地震资料的质量越低。

S2、根据所述训练地震资料制备初始样本集，并对所述初始样本集中的样本数据进行数据增强，得到标准样本集。

本发明实施例中，所述初始样本集中包含多个地震资料原始图像以及去噪后的地震资料去噪图像；本发明实施例可以通过TFRecord的方式对数据样本进行制备。

本发明实施例中，所述对所述初始样本集中的样本数据进行数据增强，得到标准样本集，包括：

对所述样本数据进行分块剪裁，得到剪裁数据；

对所述剪裁数据进行重采样，得到采样数据；

汇总所述采样数据，得到标准样本集。

本发明实施例中，可以按照128*512的大小对样本数据进行分块剪裁，控制需要进行去噪的数据大小，提高数据去噪的效果；通过对剪裁数据进行重采样，可以提升样本多样性，增强后续去噪网络的泛化能力。

S3、构建二维卷积层，根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，根据所述归一化层及所述激活层生成多尺度扩张卷积模块，并根据所述特征提取模块、所述多尺度扩张卷积模块以及所述输出模块构建初始去噪模型。

本发明实施例中，所述二维卷积层可以由一个通道数为16、卷积核为1x1的卷积层构成。

本发明实施例中，所述根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，包括：

依次叠加所述二维卷积层、所述归一化层以及所述激活层，得到特征提取模块；

依次叠加所述归一化层、所述激活层、所述二维卷积层以及通道数为1的二维卷积层，得到输出模块。

本发明实施例中，所述通道数为1的二维卷积层中卷积核也可以为1x1。

本发明实施例中，所述根据所述归一化层及所述激活层生成多尺度扩张卷积模块，包括：

根据预设扩张卷积网络块的宽度及深度确定扩张率，根据所述扩张率以及预设的卷积核生成扩张卷积层；

根据所述归一化层、所述激活层以及所述扩张卷积层生成扩张卷积数据块；

根据所述深度以及所述扩张卷积数据块生成多尺度扩张卷积模块。

进一步地，本发明实施例中，可以利用下式确定扩展率：

dilationrate＝mod((i-1)*2+j,10)

其中，dilationrate为扩展率；i为扩张卷积网络块的深度，1≤i≤8；j为扩张卷积网络块的宽度，0≤j≤2；mod为取余算子。

本发明实施例中，所述宽度可以设置为2，所述扩张卷积层中卷积核的大小可以设置为3x3，所述深度可以设置为8。

本发明实施例中，依次以特征提取模块、多尺度扩张卷积模块以及输出模块为模型架构，构建初始去噪模型，该模型的网络层结构依次可以为：一个通道数为16、卷积核为1x1的二维卷积层、一个归一化(BatchNormalize)层、一个激活层(激活函数为Relu)、深度为8的扩张卷积数据块(数据块结构为：一个归一化(BatchNormalize)层、一个激活层(激活函数为Relu)、两个宽度为2的扩张卷积层，其中，扩张卷积层的卷积核大小为3x3)、一个归一化(BatchNormalize)层、一个激活层(激活函数为Relu)、一个通道数为16、卷积核为1x1的二维卷积层、一个通道数为1、卷积核为1x1的二维卷积层。

S4、将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，根据所述训练去噪结果及所述标准样本集进行损失值计算，得到训练损失值，利用所述训练损失值优化所述初始去噪模型，得到标准去噪模型。

本发明实施例中，所述将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，包括：

利用所述初始去噪模型中的特征提取模块对所述标准样本集中的样本进行特征提取，得到地震资料图像特征；

利用所述初始去噪模型中的多尺度扩张卷积模块对所述地震资料图像特征进行多尺度卷积，得到多尺度特征向量；

利用所述初始去噪模型中的输出模块对所述多尺度特征向量进行归一化计算，得到训练去噪结果。

本发明实施例中，可以通过所述特征提取模块中的二维卷积层可以对样本实现初步特征提取，再通过所述特征提取模块后续的归一化层以及激活层加快特征收敛，实现对样本的特征提取；所述多尺度扩张卷积模块通过一定深度的扩张卷积块，基于扩张卷积块中基于扩展率形成的多尺度扩张算子在减少网络深度的同时大幅度提升了网络感知野，增强了网络对不同尺度数据的识别能力，更大程度得实现了噪声识别；通过所述输出模块将特征提取以及多尺度扩张后的样本所对应的时空域数据能量和振幅相对关系保持不变。

本发明实施例中，可以采用L2范数(最小平方误差，LSE)损失函数对训练去噪结果与标准样本集中的地震资料去噪图像进行损失值计算，根据损失值计算结果采用Adam优化器对所述初始去噪模型进行迭代更新。

S5、获取待去噪地震资料，利用所述标准去噪模型对所述待去噪模型进行卷积计算，得到去噪地震资料。

本发明实施例中，利用所述标准去噪模型对所述待去噪模型进行卷积计算，得到去噪地震资料与上述步骤S4中将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果的过程相似，在此不过多赘述。

本发明实施例中，对于图2所示的待去噪地震资料(资料采集时间：0～5000s)，利用所述标准去噪模型进行卷积计算，可以得到图3所示的去噪地震资料(资料采集时间：0～5000s)，所述去噪地震资料与所述待去噪地震资料去除了单炮中的散射面波噪声，图3中的去噪地震资料相对图2中的待去噪地震资料所去除的噪声如图4(资料采集时间：0～5000s)所示。本发明实施例可以有效压制单炮中的散射面波噪声，去除的噪声中不含有效波，实现了去除噪声过程的保真性。

本发明的实施例通过对实际地震资料进行信噪比评估，提高了数据的质量；通过进行数据增强处理，提升样本多样性，增强了网络泛化能力；通过建立特征提取模型，增强网络的非线性特性并进一步加快收敛；通过建立多尺度扩张卷积模型，在减少网络深度的同时可以大幅度提升网络感知野，增强了网络对不同尺度数据的识别能力，更大程度得实现噪声识别从而实现面波噪声压制的智能化处理；通过对初始去噪模型进行损失值计算以及优化处理，保证去噪前后的时空域数据能量和振幅相对关系保持不变，提高去噪后地震资料数据的稳定性。

实施例二

为了更加清楚地了解本发明，下面通过一个第二实施例进一步解释本发明实施例在对所述初始样本集中的样本数据进行数据增强的情况。

本发明实施例中，所述对所述初始样本集中的样本数据进行数据增强，得到标准样本集，包括：

对所述样本数据进行Gabor滤波变换，得到多方向多尺度的深度图像；

获取多方向多尺度的深度图像中的待修复区域，根据所述待修复区域与所述深度图像的边缘位置确定目标掩膜生成方式，并基于目标掩膜生成方式确定多方向多尺度的深度图像中待修复区域的掩膜；

将待修复区域的掩膜结合快速行进算法对多方向多尺度的深度图像的待修复区域进行空洞填补，得到修复后的深度图像；

对所述修复后的深度图像进行中值滤波，得到图像增强处理后的深度图像，根据所述深度图像及所述样本数据构成标准样本集。

本发明实施例中，对待修复区域进行空洞填补后，进行图像增强的方法还可以包括对空洞修复后的深度图像依次进行直方图均衡化、双边滤波器滤波、Sobel算子提取边界、基于分水岭算法的分割、分割块平均值填充和像素量化处理。

实施例三

如图5所示，本实施例还提供一种地震资料线性面波噪声压制装置的功能模块图。

本实施例所述的地震资料线性面波噪声压制装置100可以安装于电子设备中。根据实现的功能，所述地震资料线性面波噪声压制装置100可以包括训练地震资料生成模块101、标准样本集生成模块102、初始去噪模型生成模块103、标准去噪模型生成模块104及标准去噪模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述训练地震资料生成模块101，用于获取实际地震资料，根据所述实际地震资料进行信噪比评估，得到训练地震资料；

所述标准样本集生成模块102，用于根据所述训练地震资料制备初始样本集，并对所述初始样本集中的样本数据进行数据增强，得到标准样本集；

所述初始去噪模型生成模块103，用于构建二维卷积层，根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，根据所述归一化层及所述激活层生成多尺度扩张卷积模块，并根据所述特征提取模块、所述多尺度扩张卷积模块以及所述输出模块构建初始去噪模型；

所述标准去噪模型生成模块104，用于将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，根据所述训练去噪结果及所述标准样本集进行损失值计算，得到训练损失值，利用所述训练损失值优化所述初始去噪模型，得到标准去噪模型；

所述标准去噪模块105，用于获取待去噪地震资料，利用所述标准去噪模型对所述待去噪模型进行卷积计算，得到去噪地震资料。

实施例四

如图6所示，本实施例还提供一种计算机电子设备，所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如地震资料线性面波噪声压制程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行地震资料线性面波噪声压制程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如地震资料线性面波噪声压制程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备中的所述存储器11存储的地震资料线性面波噪声压制程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取实际地震资料，根据所述实际地震资料进行信噪比评估，得到训练地震资料；

根据所述训练地震资料制备初始样本集，并对所述初始样本集中的样本数据进行数据增强，得到标准样本集；

构建二维卷积层，根据所述二维卷积层、预设的归一化层及预设的激活层分别生成特征提取模块以及输出模块，根据所述归一化层及所述激活层生成多尺度扩张卷积模块，并根据所述特征提取模块、所述多尺度扩张卷积模块以及所述输出模块构建初始去噪模型；

将所述标准样本集输入所述初始去噪模型中进行训练，得到训练去噪结果，根据所述训练去噪结果及所述标准样本集进行损失值计算，得到训练损失值，利用所述训练损失值优化所述初始去噪模型，得到标准去噪模型；

获取待去噪地震资料，利用所述标准去噪模型对所述待去噪模型进行卷积计算，得到去噪地震资料。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

实施例五

本实施例提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现如上文所述的地震资料线性面波噪声压制方法的步骤。

这些程序代码也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。

存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。存储介质的例子可以包括但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够除了在这里图示或描述的那些以外的顺序实施。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。