基于自监督光流场估计网络的地震共成像点道集处理方法

技术领域

本申请涉及地球物理技术领域，特别涉及一种基于自监督光流场估计网络的地震共成像点道集处理方法。

背景技术

地震勘探是一种地球声学成像方法，通过设置不同的人工震源和检波器之间的距离(偏移距)，可以获得多个共偏移距道集，实现对同一地下2D(二维)截面的多次成像。地震数据叠加是提高地震剖面信噪比的常见手段，它将多次记录的地震信号进行叠加以消除随机噪声，加强有效信号。

由于地下介质的各向异性、偏移速度误差、海上地震拖缆漂移等因素的影响，位于相同位置的成像点在不同的共偏移距道集中存在水平和垂直方向上的位移，导致共成像点道集上的同相轴的错位。同相轴错位会引起振幅随偏移距变化的假象，并会导致非同相叠加，降低叠加剖面的成像质量。因此，校平同相轴、实现共成像点道集的增强，对于高精度地震成像与解释至关重要。

然而，现有的共成像点道集同相轴校正方法，只能从单一位移方向上进行校正或计算的光流场存在交叉，从而导致校正结果不准确。因此，亟需一种高准确性的共成像点道集同相轴校正方法。

发明内容

鉴于上述问题，本申请实施例提供了一种基于自监督光流场估计网络的地震共成像点道集处理方法，以便克服上述问题或者至少部分地解决上述问题。

本申请实施例的第一方面，公开了一种基于自监督光流场估计网络的地震共成像点道集处理方法，包括：

根据不同共偏移距道集之间的统计特征和互相关特性，对多个共偏移距道集进行加权融合，得到叠加剖面模板，所述多个共偏移距道集表征同一地下二维剖面的多次成像形成的三维地震体；

将所述叠加剖面模板和每个共偏移距道集输入光流场估计网络进行处理，得到每个共偏移距道集的光流场，所述光流场估计网络是以互相关损失、光流平滑约束损失和光流交叉损失为约束进行自监督训练得到的，所述光流场表征共偏移距道集的成像点和所述叠加剖面模板的成像点之间的水平位移和垂直位移；

根据每个所述共偏移距道集的光流场，对每个共偏移距道集的成像点进行校正，得到多个校正后的共偏移距道集；

对所述多个校正后的共偏移距道集对应的三维地震体进行抽取，得到同相轴对齐的多个共成像点道集。

可选地，所述自监督训练使用的损失函数通过互相关损失、光流平滑约束损失和光流交叉损失加权相加得到的；

其中，所述互相关损失用于约束：根据光流场校正后的共偏移距道集和叠加剖面模板参考模版之间的二维局部归一化互相关性；

所述光流平滑约束损失用于约束：光流场中相邻位置点之间光流的平滑性；

所述光流交叉损失用于约束：光流场中不同位置点的光流矢量不交叉。

可选地，根据不同共偏移距道集之间的统计特征和互相关特征，对多个共偏移距道集进行加权融合，得到叠加剖面模板，包括：

将所述多个共偏移距道集进行水平叠加，得到初始叠加剖面模板；

计算每个共偏移距道集与所述初始叠加剖面模板之间的自适应叠加权重值；

根据所述自适应叠加权重值，对所述多个共偏移距道集进行融合，得到自适应叠加剖面模板；

根据所述多个共偏移距道集的频谱，计算最高截止频率，并根据所述最高截止频率对所述自适应叠加剖面模板进行滤波，得到所述叠加剖面模板。

可选地，计算每个共偏移距道集与所述初始叠加剖面模板之间的自适应叠加权重值，包括：

计算每个共偏移距道集与所述初始叠加剖面模板之间的二维局部归一化互相关值；

根据所述二维局部归一化互相关值，得到每个共偏移距道集的自适应叠加初始权重值，所述自适应叠加初始权重值与所述二维局部归一化互相关值为正相关关系；

根据每个共偏移距道集中多次观测的信号向量，得到每个共偏移距道集各自的质量评估分数；

根据所述质量评估分数确定比重系数，并根据所述比重系数和所述自适应叠加初始权重值，得到所述自适应叠加权重值。

可选地，根据所述质量评估分数确定比重系数，包括：

在所述质量评估分数小于第一阈值的情况下，所述比重系数为0；

在所述质量评估分数大于第二阈值的情况下，所述比重系数为1，所述第一阈值小于所述第二阈值；

在所述质量评估分数大于等于所述第一阈值，且所述质量评估分数小于等于所述第二阈值的情况下，所述比重系数与所述质量评估分数为负相关关系。

可选地，将所述叠加剖面模板和每个共偏移距道集输入光流场估计网络进行处理，得到每个共偏移距道集的光流场，包括：

分别对所述叠加剖面模板和所述共偏移距道集进行特征提取，得到不同分辨率下的叠加剖面模板特征图和不同分辨率下的共偏移距道集特征图；

计算每个分辨率下的叠加剖面模板特征图和共偏移距道集特征图的相似性，得到每个分辨率下的特征相似度；

按照分辨率从低到高的顺序，依次根据所述特征相似度进行每个分辨率下的光流场预测和光流场融合，得到每个共偏移距道集的光流场。

可选地，所述不同分辨率包括第一分辨率和第二分辨率，所述第一分辨率是与所述叠加剖面模板相同的分辨率，所述第二分辨率等于0.5倍的第一分辨率；所述不同分辨率下的叠加剖面模板特征图包括：第一分辨率叠加剖面模板特征图和第二分辨率叠加剖面模板特征图，所述不同分辨率下的共偏移距道集特征图包括：第一分辨率共偏移距道集特征图和第二分辨率共偏移距道集特征图；

按照分辨率从低到高的顺序，依次根据所述特征相似度进行每个分辨率下的光流场预测和光流场融合，得到每个共偏移距道集的光流场，包括：

根据第二分辨率的特征相似度，得到第二初始光流场；

对所述第二初始光流场和所述第二分辨率叠加剖面模板特征图进行拼接和预测处理，得到第二光流场；

对所述第二光流场进行上采样处理，得到第一分辨率下的第二光流场；

根据第一分辨率的特征相似度，得到第一初始光流场；

计算所述第一分辨率的特征相似度在不同位置空间的最大互相关值；

对所述第一初始光流场、所述第一分辨率下的第二光流场、所述第一分辨率叠加剖面模板特征图、所述第一分辨率共偏移距道集特征图、所述最大互相关值进行拼接和预测处理，得到每个共偏移距道集的光流场。

可选地，所述共偏移距道集包括多个成像点；根据每个所述共偏移距道集的光流场，对每个共偏移距道集的成像点进行校正，得到多个校正后的共偏移距道集，包括：

从所述共偏移距道集的光流场中获取每个成像点的光流值，所述光流值包括水平位移和垂直位移；

根据所述光流值对每个共偏移距道集的多个成像点进行逐点校正，得到多个校正后的共偏移距道集。

本申请实施例的第二方面，公开了一种基于自监督光流场估计网络的地震共成像点道集处理装置，包括：

融合模块，用于根据不同共偏移距道集之间的统计特征和互相关特性，对多个共偏移距道集进行加权融合，得到叠加剖面模板，所述多个共偏移距道集表征同一地下二维剖面的多次成像形成的三维地震体；

预测模块，用于将所述叠加剖面模板和每个共偏移距道集输入光流场估计网络进行处理，得到每个共偏移距道集的光流场，所述光流场估计网络是以互相关损失、光流平滑约束损失和光流交叉损失为约束进行自监督训练得到的，所述光流场表征共偏移距道集的成像点和所述叠加剖面模板的成像点之间的水平位移和垂直位移；

校正模块，用于根据每个所述共偏移距道集的光流场，对每个共偏移距道集的成像点进行校正，得到多个校正后的共偏移距道集；

抽取模块，用于对所述多个校正后的共偏移距道集对应的三维地震体进行抽取，得到同相轴对齐的多个共成像点道集。

本申请实施例的第三方面，公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面所述的基于自监督光流场估计网络的地震共成像点道集处理方法的步骤。

本申请实施例包括以下优点：

在本申请实施例中，根据不同共偏移距道集之间的统计特征和互相关特性，对多个共偏移距道集进行加权融合，得到叠加剖面模板；并将叠加剖面模板和每个共偏移距道集输入光流场估计网络进行处理，得到每个共偏移距道集的光流场；根据每个共偏移距道集的光流场，对每个共偏移距道集的成像点进行校正，得到多个校正后的共偏移距道集；从而对多个校正后的共偏移距道集对应的三维地震体进行抽取，得到同相轴对齐的多个共成像点道集。

由于叠加剖面模板是考虑了不同共偏移距道集之间的统计特征和互相关特性得到的，所以叠加剖面模板是一个消除随机噪声且信号加强的参考模板，从而以叠加剖面模板为校正标准，能够准确地将多个共成像点道集的同相轴对齐(同相轴校正)。并且，光流场估计网络是互相关损失、光流平滑约束损失和光流交叉损失为约束进行自监督训练得到的，所以光流场估计网络输出的光流场中不存在交叉和光流不平滑的问题，且光流场包括水平和垂直两个方向上的位移，进一步提高了共成像点道集的同相轴校正的准确性。如此，实现了对共成像点道集同相轴的高准确性校正。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种基于自监督光流场估计网络的地震共成像点道集处理方法的步骤流程图；

图2是本申请实施例提供的一种同一地下二维剖面的多次成像形成的三维地震体的示意图；

图3是本申请实施例提供的一种共偏移距道集的成像点校正示意图；

图4是本申请实施例提供的一种三维地震体的共成像点道集的抽取示意图；

图5是本申请实施例提供的一种光流场估计网络的结构图；

图6是共偏移距道集光流场的预测结果对比图；

图7是共成像点道集的校正结果对比图；

图8是叠加剖面的校正结果对比图；

图9是本申请实施例提供的一种基于自监督光流场估计网络的地震共成像点道集处理装置的结构示意图；

图10是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种基于自监督光流场估计网络的地震共成像点道集处理方法，参照图1所示，图1是本申请实施例提供的一种基于自监督光流场估计网络的地震共成像点道集处理方法的步骤流程图。如图1所示，该方法可以包括步骤S110至步骤S140：

步骤S110：根据不同共偏移距道集之间的统计特征和互相关特性，对多个共偏移距道集进行加权融合，得到叠加剖面模板，所述多个共偏移距道集表征同一地下二维剖面的多次成像形成的三维地震体。

本申请实施例中，共偏移距道集(Common Offset Gathers，COG)是所有相同偏移距的地震道组成的道集，一个共偏移距道集是一个纵向为深度(时间)、横向为水平位置(成像点)的二维剖面图，在共偏移距道集中一个点表示实际的地理位置。多个共偏移距道集是指不同偏移距对应的多个不同共偏移距道集，多个共偏移距道集表征同一地下二维剖面的多次成像形成的三维地震体。示例地，图2是本申请实施例提供的一种同一地下二维剖面的多次成像形成的三维地震体的示意图。其中，图2中的左图为多个共偏移距道集按照偏移距方向叠加得到的三维地震体，图2中的右图为一个共偏移距道集。

相同位置的观测点在不同共偏移距道集中是对同一地下介质的多次观测，因此该观测点的有效信号彼此间是相关的，而干扰波则彼此不相关，基于这一性质，可以对有效信号和干扰波加以区分。从而根据不同共偏移距道集之间的统计特征和互相关特性(以增加有效信号的权重，减少干扰波的权重)，对多个共偏移距道集进行加权融合，有效增强叠加剖面同相轴的连续性和图片的分辨率，从而得到一个消除随机噪声且信号加强的叠加剖面模板，以作为后续共偏移距道集校正的参考。

步骤S120：将所述叠加剖面模板和每个共偏移距道集输入光流场估计网络进行处理，得到每个共偏移距道集的光流场，所述光流场估计网络是以互相关损失、光流平滑约束损失和光流交叉损失为约束进行自监督训练得到的，所述光流场表征共偏移距道集的成像点和所述叠加剖面模板的成像点之间的水平位移和垂直位移。

本申请实施例中，将叠加剖面模板为校正标准，而每个共偏移距道集的成像点与叠加剖面模板的成像点之间存位移(水平位移和垂直位移)，因而需要将每个共偏移距道集的成像点校正到与叠加剖面模板成像点相同的位置，以使所有共偏移距道集的成像点位置重合。利用光流场估计网络来预测出每个共偏移距道集的光流场，以便后续基于光流场对共偏移距道集的成像点进行校正。

其中，光流场估计网络使用自监督的训练方式，通过端到端的网络，无需构建带有标签的数据集，直接利用实际地震数据进行模型训练。并且，光流场估计网络以互相关损失、光流平滑约束损失和光流交叉损失为约束进行自监督训练得到的，所以光流场估计网络输出的光流场中不存在交叉和光流不平滑的问题，且光流场包括水平和垂直两个方向上的位移，从而根据光流场估计网络能够得到准确的光流场。

步骤S130：根据每个所述共偏移距道集的光流场，对每个共偏移距道集的成像点进行校正，得到多个校正后的共偏移距道集。

本申请实施例中，光流场表示共偏移距道集的成像点和叠加剖面模板的成像点之间的水平位移和垂直位移，对于每个共偏移距道集，通过各自的光流场对其进行校正，以将共偏移距道集的实际成像点位置校正到理想成像点位置，得到校正后的共偏移距道集。其中，理想成像点位置是指与叠加剖面模板成像点相同的位置。

如图3所示，所述共偏移距道集包括多个成像点，每个成像点都与理想成像点存在水平位移和垂直位移，需要对共偏移距道集中每个成像点进行校正，才能得到校正后的共偏移距道集。

具体地，根据每个所述共偏移距道集的光流场，对每个共偏移距道集的成像点进行校正，得到多个校正后的共偏移距道集，包括：从所述共偏移距道集的光流场中获取每个成像点的光流值，所述光流值包括水平位移和垂直位移；根据所述光流值对每个共偏移距道集的多个成像点进行逐点校正，得到多个校正后的共偏移距道集。

例如，根据光流场(u,v)，u表示水平位移，v表示垂直位移。对于成像点(r,s)，首先获取成像点(r,s)的光流值：水平位移u(r,s)和垂直位移v(r,s)，从而根据光流值将成像点(r,s)校正到理想成像点位置(r+u(r,s),s+v(r,s))，每个成像点都按照这样的方式进行逐点校正，得到校正后的共偏移距道集。

步骤S140：对所述多个校正后的共偏移距道集对应的三维地震体进行抽取，得到同相轴对齐的多个共成像点道集。

如图4所示，在不同的水平位置上，对多个校正后的共偏移距道集对应的三维地震体进行抽取，得到同相轴对齐的多个共成像点道集(Common Image Gathers，CIG)，其中，共成像点道集是一个纵向为深度、横向为偏移距的二维剖面图。多个校正后的共偏移距道集的成像点是重合的，不存在位置偏移，因此通过抽取得到的共成像点道集的同相轴是对齐的。可以通过共成像点道集的同相轴是否拉平来评估共成像点道集同相轴校正的准确性。

综上所述，在本申请实施例中，由于叠加剖面模板是考虑了不同共偏移距道集之间的统计特征和互相关特性得到的，所以叠加剖面模板是一个消除随机噪声且信号加强的参考模板，从而以叠加剖面模板为校正标准，能够准确地将多个共成像点道集的同相轴对齐(同相轴校正)。并且，光流场估计网络是互相关损失、光流平滑约束损失和光流交叉损失为约束进行自监督训练得到的，所以光流场估计网络输出的光流场中不存在交叉和光流不平滑的问题，且光流场包括水平和垂直两个方向上的位移，进一步提高了共成像点道集的同相轴校正的准确性。如此，实现了对共成像点道集同相轴的高准确性校正。

下面结合上述各实施步骤来详细说明本申请。

在一种可选的实施例中，根据不同共偏移距道集之间的统计特征和互相关特征，对多个共偏移距道集进行加权融合，得到叠加剖面模板，包括步骤A1至步骤A4：

步骤A1：将所述多个共偏移距道集进行水平叠加，得到初始叠加剖面模板。

本申请实施例中，在共偏移距道集中包括多个地震道，将多个共偏移距道集进行水平叠加是指：将每个共偏移距道集中的多个地震道进行相加后求平均值。因为共偏移距道集中的有效信号具有关联性，而干扰波彼此不相关，所以将多个共偏移距道集进行水平叠加，能够对有效信号进行加强，得到具有统计特性的初始叠加剖面模板。

示例地，若有N个共偏移距道集，每个共偏移距道集均含有W个地震道，每个地震道含有H个采样点，这N个共偏移距道集构成三维地震体G∈R

其中，(r,s)表示成像点。

步骤A2：计算每个共偏移距道集与所述初始叠加剖面模板之间的自适应叠加权重值。

本申请实施例中，自适应叠加权重值是综合考虑了每个共偏移距道集的信号质量，以及每个共偏移距道集与初始叠加剖面模板之间的互相关性确定的。

具体地，计算每个共偏移距道集与所述初始叠加剖面模板之间的自适应叠加权重值，包括步骤A21至步骤A24：

步骤A21：计算每个共偏移距道集与所述初始叠加剖面模板之间的二维局部归一化互相关值。

本申请实施例中，二维局部归一化互相关值能够反映共偏移距道集与初始叠加剖面模板之间的相似性。也就是说，二维局部归一化互相关值越大，共偏移距道集与初始叠加剖面模板越相似，二维局部归一化互相关值越小，共偏移距道集与初始叠加剖面模板越不相似。

示例地，对于两个二维剖面图

其中，

根据公式(2)计算每个共偏移距道集与初始叠加剖面模板之间的二维局部归一化互相关值

步骤A22：根据所述二维局部归一化互相关值，得到每个共偏移距道集的自适应叠加初始权重值，所述自适应叠加初始权重值与所述二维局部归一化互相关值为正相关关系。

本申请实施例中，二维局部归一化互相关值越大，共偏移距道集与初始叠加剖面模板越相似，此时应为该共偏移距道集赋予更大的权重；而二维局部归一化互相关值越小，共偏移距道集与初始叠加剖面模板越不相似，此时应为该共偏移距道集赋予更小的权重，所以自适应叠加初始权重值与二维局部归一化互相关值为正相关关系。

同时，为了避免自适应叠加初始权重值的跳跃和异常，对二维局部归一化互相关值进行加权均值滤波和均值滤波进行平滑处理，得到共偏移距道集的自适应叠加初始权重值。

示例地，第k个共偏移距道集G

其中，

步骤A23：根据每个共偏移距道集中多次观测的信号向量，得到每个共偏移距道集各自的质量评估分数。

本申请实施例中，共偏移距道集的信号质量会影响叠加剖面模板中的有效信号，因此需要对每个共偏移距道集的信号质量进行评估，以在自适应叠加初始权重值的基础上，进一步根据共偏移距道集的信号质量确定出自适应叠加权重值。

示例地，设g(r,s)∈R

其中，

步骤A24：根据所述质量评估分数确定比重系数，并根据所述比重系数和所述自适应叠加初始权重值，得到所述自适应叠加权重值。

其中，比重系数用于控制自适应叠加初始权重值的比重，在共偏移距道集的信号质量优良情况下，控制自适应叠加权重值(即互相关特性)占主导地位；在共偏移距道集的信号质量差的情况下，控制统计特性占主导地位，以压制噪声的影响；在共偏移距道集的信号质量在差和优良之间时，控制自适应叠加权重值对信号质量上升而增大。

示例地，自适应叠加权重值

其中，α∈R

具体地，根据所述质量评估分数确定比重系数，包括：

在所述质量评估分数小于第一阈值的情况下，所述比重系数为0；在所述质量评估分数大于第二阈值的情况下，所述比重系数为1，所述第一阈值小于所述第二阈值；在所述质量评估分数大于等于所述第一阈值，且所述质量评估分数小于等于所述第二阈值的情况下，所述比重系数与所述质量评估分数为负相关关系。

示例地，比重系数表示为：

其中，∈

步骤A3：根据所述自适应叠加权重值，对所述多个共偏移距道集进行融合，得到自适应叠加剖面模板。

由于自适应叠加权重值是综合考虑了每个共偏移距道集的信号质量，以及每个共偏移距道集与初始叠加剖面模板之间的互相关性确定的，所以自适应叠加剖面模板也是综合评估信号质量和不同共偏移道集相关性，保证共成像点道集的同相轴校正的准确性。

示例地，自适应叠加剖面模板T

步骤A4：根据所述多个共偏移距道集的频谱，计算最高截止频率，并根据所述最高截止频率对所述自适应叠加剖面模板进行滤波，得到所述叠加剖面模板。

本申请实施例中，由于自适应叠加剖面模板和每个共成像点道集的信号频率存在不同，为了能够准确的校正同相轴相位，计算出最高截止频率对自适应叠加剖面模板进行滤波。具体地，根据所述多个共偏移距道集的频谱，计算最高截止频率，包括：从多个共偏移距道集的频谱中确定出主频率，并将主频率的M倍频率作为最高截止频率。

在一种可选的实施例中，将所述叠加剖面模板和每个共偏移距道集输入光流场估计网络进行处理，得到每个共偏移距道集的光流场，包括步骤B1至步骤B3：

步骤B1：分别对所述叠加剖面模板和所述共偏移距道集进行特征提取，得到不同分辨率下的叠加剖面模板特征图和不同分辨率下的共偏移距道集特征图。

本申请实施例中，光流场估计网络基于权值共享的孪生特征提取网络，对叠加剖面模板和共偏移距道集的地震信号进行特征提取，得到不同分辨率下的叠加剖面模板特征图和不同分辨率下的共偏移距道集特征图。

其中，孪生特征提取网络由三个卷积模块构成，第一个卷积模块是一个卷积核大小为7×7的卷积层，该卷积层的步长为1，第二个卷积模块由两个卷积核大小为3×3、步长为1的残差连接子模块，第三个卷积模块由两个卷积核大小为3×3的残差连接子模块构成，其中第一个卷积层的步长为2，以实现特征的下采样。并且，孪生特征提取网络使用LeakyReLU作为激活函数。

可选地，所述不同分辨率包括第一分辨率和第二分辨率，所述第一分辨率是与所述叠加剖面模板相同的分辨率，所述第二分辨率等于0.5倍的第一分辨率；所述不同分辨率下的叠加剖面模板特征图包括：第一分辨率叠加剖面模板特征图和第二分辨率叠加剖面模板特征图，所述不同分辨率下的共偏移距道集特征图包括：第一分辨率共偏移距道集特征图和第二分辨率共偏移距道集特征图。

可以将第一分辨率叠加剖面模板特征图表示为

步骤B2：计算每个分辨率下的叠加剖面模板特征图和共偏移距道集特征图的相似性，得到每个分辨率下的特征相似度。

具体地，根据成像点的最大水平位移和最大垂直位移，确定出在水平方向上和垂直方向上的位移范围，即[-δ

并且，考虑到共偏移距道集与叠加剖面模板之间的能量差异可能对浅层特征的幅值分布产生影响，不同分辨率下的特征相似度采样不同相识度计算方式进行计算。

例如，对于第一分辨率和第二分辨率下的特征图，利用余弦相似度来衡量原始分辨率下特征向量间的相似度，使用四维(4D)相关体

其中，<,>代表向量的内积。

对于第二分辨率下的特征图，随着分辨率的降低，待搜索的位移范围也缩小至原来的1/2，则第二分辨率下的特征相似度S

步骤B3：按照分辨率从低到高的顺序，依次根据所述特征相似度进行每个分辨率下的光流场预测和光流场融合，得到每个共偏移距道集的光流场。

本申请实施例中，采用粗糙到精细化的策略，预测出不同分辨率下的光流场，通过不同分辨率下光流场之间的信息传播和融合来提升共偏移距道集的光流场的预测精度，从而实现对光流精细化，得到每个共偏移距道集的光流场。具体地，按照分辨率从低到高的顺序，从最低分辨率下的光流场开始预测，并将预测出的光流场用于下一级分辨下的光流场预测，通过逐级传递，直至完成最大分辨率下的光流场预测，最终得到共偏移距道集的光流场。

接下来，以分辨率包括第一分辨率和第二分辨率为例，对每个共偏移距道集的光流场预测方式进行详细说明。具体地，对按照分辨率从低到高的顺序，依次根据所述特征相似度进行每个分辨率下的光流场预测和光流场融合，得到每个共偏移距道集的光流场，包括步骤C1至步骤C6：

步骤C1：根据第二分辨率的特征相似度，得到第二初始光流场。

具体地，通过gaussian softmax模块从第二分辨率的特征相似度S

步骤C2：对所述第二初始光流场和所述第二分辨率叠加剖面模板特征图进行拼接和预测处理，得到第二光流场。

具体地，为了更好的表达叠加剖面模板的特征信息，将第二初始光流场

步骤C3：对所述第二光流场进行上采样处理，得到第一分辨率下的第二光流场。

具体地，使用双线性插值将第二光流场f

步骤C4：根据第一分辨率的特征相似度，得到第一初始光流场。

具体地，通过gaussian softmax模块从第一分辨率的特征相似度S

步骤C5：计算所述第一分辨率的特征相似度在不同位置空间的最大互相关值。

本申请实施例中，考虑到第一分辨率的特征相似度S

步骤C6：对所述第一初始光流场、所述第一分辨率下的第二光流场、所述第一分辨率叠加剖面模板特征图、所述第一分辨率共偏移距道集特征图、所述最大互相关值进行拼接和预测处理，得到每个共偏移距道集的光流场。

具体地，第一分辨率的特征增强所需的输入由五部分拼接而来

示例地，图5是本申请实施例提供的一种光流场估计网络的结构图，具体示意出了在包括第一分辨率和第二分辨率下特征提取、特征相似度计算和光流场预测及精细化的网络学习，得到共偏移距道集的光流场的过程。

在本申请实施例中，所述光流场估计网络自监督训练得到的，所述自监督训练使用的损失函数通过互相关损失、光流平滑约束损失和光流交叉损失加权相加得到的；其中，所述互相关损失用于约束：根据光流场校正后的共偏移距道集和叠加剖面模板参考模版之间的二维局部归一化互相关性；所述光流平滑约束损失用于约束：光流场中相邻位置点之间光流的平滑性；所述光流交叉损失用于约束：光流场中不同位置点的光流矢量不交叉。

示例地，自监督训练使用的损失函数表示为：

其中，λ

具体地，互相关损失是通过上述公式(2)计算得到，在训练过程中，当光流场估计网络输出预测的光流场，利用该光流场对共偏移距道集进行校正，再利用公式(2)计算校正后的共偏移距道集和叠加剖面模板参考模版之间的二维局部归一化互相关性值，以作为互相关损失。

在地震图像配准中，位移校正量应具有一定的局部连续性，所有在光流场估计网络的训练过程中引入了光流平滑约束损失对光流场进行约束，以避免邻近像素点的光流值相差过大。具体地，光流平滑约束损失表示为：

L

(11)

其中，x为光流场f＝(u,v)中的一个位置，N′(x)表示由位置点x相邻位置点组成的集合，s,r为坐标位置，表示N′(x)中的一点。

此外，为了对交叉的光流进行惩罚，抑制光流场f＝(u,v)交叉的光流交叉损失表示为：

其中，x表示当前位置，x

本申请实施例中，光流场估计网络是互相关损失、光流平滑约束损失和光流交叉损失为约束进行自监督训练得到的，所以光流场估计网络输出的光流场中不存在交叉和光流不平滑的问题，且光流场包括水平和垂直两个方向上的位移，进一步提高了共成像点道集的同相轴校正的准确性。如此，实现了对共成像点道集同相轴的高准确性校正。

进一步地，为了更好的说明本申请实施例提供的基于自监督光流场估计网络的地震共成像点道集处理方法的有效性与优越性，将该方法应用于实测的地震共成像点道集，以展示对地震共成像点道集的处理效果(即增强效果)。

具体地，数据准备和处理均在GPU环境下的pytorch框架中进行，机器所使用操作系统为Linux系统，机器配置为：GPU型号：GeForce RTX 3090；显存大小：24GB G6X。实验结果如图6、图7和图8所示。

图6是共偏移距道集光流场的预测结果对比图，具体包括将本实施例提供的方法直接应用在实测地震数据上的某一偏移距下的共偏移距道集的光流场估计结果。图6中的(a)和(b)分别为传统的互相关算法和本实施例提供的方法(即光流估计网络)在竖直方向的位移估计量；图6中的左下图和右下图分别为传统的互相关算法和本实施例提供的方法在水平方向的位移估计量。可以看到，本实施例提出的光流场估计网络可以实现更精细的位移量预测，且可以同时预测水平方向和竖直方向的位移量。

图7是共成像点道集的校正结果对比图，具体包括将本实施例提供的方法直接应用在实测地震数据上的共成像点道集的结果，对于传统的互相关算法(即互相关校正CIG)和本实施例提供的方法的结果(即flownet校正CIG)进行了对比。对共偏移距道集的进行逐点校正，通过抽取得到增强后的共成像点道集。局部放大结果显示，经过光流场估计网络校正后的地震数据的同相轴更平，证明了地震数据实现了更好的校正。

图8是叠加剖面的校正结果对比图。具体包括将本实施例提供的方法(即flownet叠加剖面)与传统光流场网络校正后的数据在叠加剖面(即自适应叠加剖面和互相关叠加剖面)上的对比。相比于仅使用自适应水平叠加，互相关校正叠加能够在一定程度上增强同相轴的连续性。而经过本实施例提供的方法的光流场估计网络校正叠加后，同相轴的连续性得到了明显的提高，这说明经本实施例提供的方法校正后，共成像点道集的同相轴的扰动减小，非同相叠加问题得以缓解，最终得到的同相叠加剖面的能量更加聚焦，清晰度也得到了进一步提高。

本申请实施例还提供了一种基于自监督光流场估计网络的地震共成像点道集处理装置，参照图9所示，图9是本申请实施例提供的一种基于自监督光流场估计网络的地震共成像点道集处理装置的结构示意图，包括：

融合模块910，用于根据不同共偏移距道集之间的统计特征和互相关特性，对多个共偏移距道集进行加权融合，得到叠加剖面模板，所述多个共偏移距道集表征同一地下二维剖面的多次成像形成的三维地震体；

预测模块920，用于将所述叠加剖面模板和每个共偏移距道集输入光流场估计网络进行处理，得到每个共偏移距道集的光流场，所述光流场估计网络是以互相关损失、光流平滑约束损失和光流交叉损失为约束进行自监督训练得到的，所述光流场表征共偏移距道集的成像点和所述叠加剖面模板的成像点之间的水平位移和垂直位移；

校正模块930，用于根据每个所述共偏移距道集的光流场，对每个共偏移距道集的成像点进行校正，得到多个校正后的共偏移距道集；

抽取模块940，用于对所述多个校正后的共偏移距道集对应的三维地震体进行抽取，得到同相轴对齐的多个共成像点道集。

在一种可选的实施例中，所述自监督训练使用的损失函数通过互相关损失、光流平滑约束损失和光流交叉损失加权相加得到的；

其中，所述互相关损失用于约束：根据光流场校正后的共偏移距道集和叠加剖面模板参考模版之间的二维局部归一化互相关性；

所述光流平滑约束损失用于约束：光流场中相邻位置点之间光流的平滑性；

所述光流交叉损失用于约束：光流场中不同位置点的光流矢量不交叉。

在一种可选的实施例中，所述融合模块包括：

水平叠加模块，用于将所述多个共偏移距道集进行水平叠加，得到初始叠加剖面模板；

权重计算模块，用于计算每个共偏移距道集与所述初始叠加剖面模板之间的自适应叠加权重值；

加权融合模块，用于根据所述自适应叠加权重值，对所述多个共偏移距道集进行融合，得到自适应叠加剖面模板；

模板滤波模块，用于根据所述多个共偏移距道集的频谱，计算最高截止频率，并根据所述最高截止频率对所述自适应叠加剖面模板进行滤波，得到所述叠加剖面模板。

在一种可选的实施例中，所述权重计算模块包括：

互相关模块，用于计算每个共偏移距道集与所述初始叠加剖面模板之间的二维局部归一化互相关值；

初始权重模块，用于根据所述二维局部归一化互相关值，得到每个共偏移距道集的自适应叠加初始权重值，所述自适应叠加初始权重值与所述二维局部归一化互相关值为正相关关系；

质量评估模块，用于根据每个共偏移距道集中多次观测的信号向量，得到每个共偏移距道集各自的质量评估分数；

比重确定模块，用于根据所述质量评估分数确定比重系数，并根据所述比重系数和所述自适应叠加初始权重值，得到所述自适应叠加权重值。

在一种可选的实施例中，所述比重确定模块包括：

第一确定子模块，用于在所述质量评估分数小于第一阈值的情况下，所述比重系数为0；

第二确定子模块，用于在所述质量评估分数大于第二阈值的情况下，所述比重系数为1，所述第一阈值小于所述第二阈值；

第三确定子模块，用于在所述质量评估分数大于等于所述第一阈值，且所述质量评估分数小于等于所述第二阈值的情况下，所述比重系数与所述质量评估分数为负相关关系。

在一种可选的实施例中，所述预测模块包括：

特征提取模块，用于分别对所述叠加剖面模板和所述共偏移距道集进行特征提取，得到不同分辨率下的叠加剖面模板特征图和不同分辨率下的共偏移距道集特征图；

相似计算模块，用于计算每个分辨率下的叠加剖面模板特征图和共偏移距道集特征图的相似性，得到每个分辨率下的特征相似度；

光流计算模块，用于按照分辨率从低到高的顺序，依次根据所述特征相似度进行每个分辨率下的光流场预测和光流场融合，得到每个共偏移距道集的光流场。

在一种可选的实施例中，所述不同分辨率包括第一分辨率和第二分辨率，所述第一分辨率是与所述叠加剖面模板相同的分辨率，所述第二分辨率等于0.5倍的第一分辨率；所述不同分辨率下的叠加剖面模板特征图包括：第一分辨率叠加剖面模板特征图和第二分辨率叠加剖面模板特征图，所述不同分辨率下的共偏移距道集特征图包括：第一分辨率共偏移距道集特征图和第二分辨率共偏移距道集特征图；

所述光流计算模块包括：

第一相似度模块，用于根据第二分辨率的特征相似度，得到第二初始光流场；

第一拼接预测模块，用于对所述第二初始光流场和所述第二分辨率叠加剖面模板特征图进行拼接和预测处理，得到第二光流场；

采样模块，用于对所述第二光流场进行上采样处理，得到第一分辨率下的第二光流场；

第二相似度模块，用于根据第一分辨率的特征相似度，得到第一初始光流场；

最大互相关模块，用于计算所述第一分辨率的特征相似度在不同位置空间的最大互相关值；

第二拼接预测模块，用于对所述第一初始光流场、所述第一分辨率下的第二光流场、所述第一分辨率叠加剖面模板特征图、所述第一分辨率共偏移距道集特征图、所述最大互相关值进行拼接和预测处理，得到每个共偏移距道集的光流场。

在一种可选的实施例中，所述共偏移距道集包括多个成像点，所述校正模块包括：

获取模块，用于从所述共偏移距道集的光流场中获取每个成像点的光流值，所述光流值包括水平位移和垂直位移；

逐点校正模块，用于根据所述光流值对每个共偏移距道集的多个成像点进行逐点校正，得到多个校正后的共偏移距道集。

本申请实施例还提供了一种电子设备，参照图10，图10是本申请实施例提供的一种电子设备的结构示意图。如图10所示，电子设备1000包括：存储器1010和处理器1020，存储器1010与处理器1020之间通过总线通信连接，存储器1010中存储有计算机程序，该计算机程序可在处理器1020上运行，进而实现本申请实施例所述的基于自监督光流场估计网络的地震共成像点道集处理方法的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本申请实施例是参照根据本申请实施例的方法、装置和电子设备的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端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终端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和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种基于自监督光流场估计网络的地震共成像点道集处理方法进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。