Application of deep learning methods to image processing and enhancement: A case study on seismic data

Abstract

The aim of this study was to evaluate the effectiveness of a modified encoder-decoder neural network architecture for denoising and image enhancement using synthetic and real data. The research methodology was based on a computational experiment and included training the model on synthetic images, quantitatively comparing the obtained results with the f-x deconvolution method and an alternative convolutional denoising model, and testing the robustness on real data with the presence of various noise characteristics. It was found that the applied denoising technique was characterised not only by reducing the noise component but also by preserving spatially significant image characteristics, including sharpness of edges, local transitions, morphology, and the relative positions of structural elements without signs of excessive smearing. A final comparison of the methods on synthetic test images showed that the average signal-to-noise ratio, peak signal-to-noise ratio, and multiscale structural similarity index for the proposed approach were 45.9 dB, 29.7 dB, and 0.99, respectively. For the f-x deconvolution method, the corresponding values were 31.5 dB, 23.9 dB, and 0.94, while for the alternative convolutional noise reduction model, the values were 20.9 dB, 18.4 dB, and 0.86. When applied to real data, the same enhancement behaviour was preserved, including the removal of pronounced noise contamination and derivation of a relatively clean signal without signal distortion. Depending on the input features, the method was accompanied by a decrease in intense noise masking, a reduction in residual noise, while maintaining a distinguishable signal structure, and reconstruction under conditions of a more complex spatial organisation of interference. Spectral analysis revealed a reduction in noise energy without disrupting the spectral configuration in the informative frequency range. The practical significance lies in the potential application of the proposed approach as a computational method for processing noisy images in systems designed for noise reduction and restoration of various data structures.

Метою цього дослідження була оцінка ефективності модифікованої архітектури нейронної мережі кодер-декодер для шумозаглушення та покращення зображень з використанням синтетичних та реальних даних. Методологія дослідження базувалася на обчислювальному експерименті та включала навчання моделі на синтетичних зображеннях, кількісне порівняння отриманих результатів за допомогою методу f-x деконволюції та альтернативної моделі згорткового шумозаглушення, а також перевірку стійкості на реальних даних з наявністю різних шумових характеристик. Було виявлено, що застосований метод шумозаглушення характеризувався не тільки зменшенням шумової складової, але й збереженням просторово значущих характеристик зображення, включаючи різкість країв, локальні переходи, морфологію та відносне положення структурних елементів без ознак надмірного розмиття. Остаточне порівняння методів на синтетичних тестових зображеннях показало, що середнє співвідношення сигнал/шум, пікове співвідношення сигнал/шум та багатомасштабний індекс структурної подібності для запропонованого підходу становили 45,9 дБ, 29,7 дБ та 0,99 відповідно. Для методу f-x деконволюції відповідні значення становили 31,5 дБ, 23,9 дБ та 0,94, тоді як для альтернативної моделі згорткового шумозаглушення значення становили 20,9 дБ, 18,4 дБ та 0,86. При застосуванні до реальних даних зберігалася та сама поведінка покращення, включаючи видалення вираженого шумового забруднення та отримання відносно чистого сигналу без спотворень. Залежно від вхідних характеристик, метод супроводжувався зменшенням інтенсивного маскування шуму, зменшенням залишкового шуму зі збереженням чіткої структури сигналу та реконструкцією в умовах більш складної просторової організації перешкод. Спектральний аналіз виявив зменшення енергії шуму без порушення спектральної конфігурації в інформативному діапазоні частот. Практичне значення полягає в потенційному застосуванні запропонованого підходу як обчислювального методу обробки шумних зображень у системах, призначених для шумозаглушення та відновлення різних структур даних