SUPER-RESOLUTION FOR SEISMIC IMAGES: A DEEP LEARNING APPROACH. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF ADNAN_HAMIDA_MASTER_THESIS_FINAL.pdf Restricted to Repository staff only until 25 April 2023. Download (12MB)

Arabic Abstract

تواجه البيانات الزلزالية الحقلية تحدياً تقنياً من ناحية انخفاض الدقة ( ما يعرف بLow-resolution). وفي هذا الصدد فقد ساهمت الأبحاث خلال العقدين الماضيين في تطوير تقنيتين تساعد على الحصول على صور زلزالية ذات دقة عالية ( ما يعرف ب High-resolution). تعمل التقنية الأولى على زيادة عدد جهزة الاستشعار المستخدمة في عملية المسح، بينما تعمل التقنية الأخرى على استعمال أجهزة استشعار ذات القدرة على التقاط عرض نطاق واسع من الترددات. وفي الحقيقة فان كلى التقنيتين تتسبب في زيادة في التكلفة الاقتصادية كما أن كليهما يستلزمان إجراء حسابات مكثفة وبالتالي استخدام ذاكرة تخزين إضافية. وبناءً على ذلك فان تحسين دقة البيانات الزلزالية الحقلية القديمة تستلزم إجراء عمليات مسح جديدة في نفس المكان ولكن عمليات المسح الزلزالي تيستغرق وقتاً طويلاً للتنفيذ وتتطلب تكاليف مالية باهضة. في هذه الرسالة تم طرح حل آخر، وهو استخدام تقنية الدقة الفائقة ( ما يعرف ب Super- resolution) للصور. ينظر إلى الدقة الفائقة على أنها مشكلة تقليدية في مجال معالجة الصور، حيث تهدف تلك المشكلة للحصول على صور ذات دقة عالية من خلال معالجة صور منخفضة الدقة. في الواقع إن أداء خوارزميات الدقة الفائقة قد تم تحسينها مؤخراً، وذلك عن طريق الشبكات العصبية التلافيفية ( ما تعرف بConvolutional Neural Networks ) على وجه التحديد من نماذج التعلم العميق ( ما يعرف ب Deep learning). شمل هذا التحسن عدة أوجه ومنها رفع الجودة الموضوعية والجودة الشخصية للصور، ويتم ذلك في وقت قصير جداً مما يؤهل هذه النماذج من استخدامها بشكل فوري. توضح هذه الرسالة استخدام نموذج ذو كفاءة عالية مبني على الشبكات العصبية في تحقيق الدقة الفائقة بشكل فوري بجانب تطبيقاً عملياً له في تطوير الصور الزلزالية. سيسمى النموذج بالشبكة ذات الكفاءة العالية التي تستخدم معايرة ذاتية والانتباه لعناصر الصورة ( ما تعرف بEfficient Self-Calibrated Pixel-Attention Network). من خلال هذه المنهجية فقد تم تحقيق كفاءة عالية في النموذج من خلال استخدام الطبقات ذات الالتفاف المنفصل. كما تم حصر جميع العمليات على صور ذات أبعاد صغيرة. وللتحقق من فعالية النموذج المطروح في هذه الرسالة فقد تم مقارنة النموذج المطروح مع نماذج قريبة التعقيد على مجموعة من الصور الطبيعية، وأظهرت النتائج تحسناً ملحوظاً في كلى من التقيمات الموضوعية والشخصية للصور. أما في حال استخدام النموذج في الصورالزلزالية، فقد تم تبني إصدارين من النموذج المطروح. كلى الاصدارين أنتج صور ذات تشابه كبيرة بالصورة الأساسية، حتى في حالة رفع الدقة بثمانيةأضعاف والتي تعتبر حالة صعبة للغاية. لقد تم استخدام تصنيف السحنات الصخرية كمهمة محددة لتطبيق الدقة الفائقة للصور الزلزالية. كما تم استعمال تصنيف السحنات الصخرية كطريقة للتحقق من جودة الصور الزلزالية التي تم إعادة بناؤها عن طريق نموذج الدقة الفائقة المطروح. وفي هذا النطاق تم طرح دالة للتقييم نموذج الدقة الفائقة والتي تشمل معلومات عن السحنات الصخرية حين تدريب النموذج.

English Abstract

Seismic field data usually suffer from low-resolution (LR) image quality. To obtain high-resolution (HR) images, either higher density acquisitions are carried out, or advanced sensors are used in the field. Both of which introduce financial, computational, and memory costs. Moreover, to improve the resolution of already acquired seismic field data, another survey would be needed, and this is a time-consuming high-cost approach. In this thesis, we propose the use of image super-resolution (SR) to tackle the LR seismic data issue. Image SR is a classical image processing problem that aims in reconstructing an HR image from its corresponding LR image. Deep Learning has recently advanced the performance of SR image reconstruction in both objective and subjective image quality. More specifically, the recent developments in Convolutional Neural Networks (CNNs) lead to this significant advancement. In this work, an efficient CNN-based SR model is proposed, and it is suitable for two applications, real-time SR, and seismic image SR. The model is called Efficient Self-Calibrated Pixel-Attention Network (ESC-PAN). Model efficiency is achieved by incorporating depthwise separable convolution throughout the model, and by avoiding any operations on high-dimensional feature maps. The proposed model outperforms similar complexity models in both objective and subjective image quality assessment. For seismic image SR, two versions of ESC-PAN are adopted and produced results that are close to the ground truth, even on extremely difficult tasks such ×8 SR. Facies classification is used as a task-specific application for seismic image SR to further validate the quality of seismic image SR reconstruction. For this task-specific application, a novel loss function is proposed that incorporates facies class information when training the SR model.

Item Type:	Thesis (Masters)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Zummo, Salam A.
Committee Co-Advisor:	Alfarraj, Motaz
Committee Members:	Al-Shuhail, Abdullatif A. and Masood, Mudassir and Zerguine, Azzedine
Depositing User:	ADNAN HAMIDA (g201425140)
Date Deposited:	09 May 2022 06:45
Last Modified:	09 May 2022 06:45
URI:	http://eprints.kfupm.edu.sa/id/eprint/142092