Stacking

Der letzte Schritt der Vorverarbeitung mit Siril ist das Stacken der Bilder. Stacking ist eine Technik, die in der Astrofotografie verwendet wird, um die Qualität und Detailgenauigkeit eines Bildes zu verbessern, indem mehrere Fotos zu einem einzigen zusammengesetzten Bild kombiniert werden. Bei diesem Verfahren werden mehrere Bilder desselben Objekts aufgenommen und anschließend ausgerichtet und gemittelt, um das Rauschen zu reduzieren und das Signal-Rausch-Verhältnis zu erhöhen. Das Ergebnis ist ein endgültiges Bild, das weniger Rauschen, mehr Details und einen größeren Dynamikbereich aufweist als eine Einzelbelichtung.

Stackingmethoden

Summenstacking

Dies ist der einfachste Algorithmus: Jedes Pixel im Stack wird summiert. Der Anstieg des Signal-Rausch-Verhältnisses (SNR) ist proportional zu \(\sqrt{N}`\), wobei \(N\) die Anzahl der Bilder ist. Aufgrund der fehlenden Normalisierung und Ausreißerbehandlung sollte diese Methode nur für die Verarbeitung von Planetenbildern verwendet werden.

Bei 8- oder 16-Bit-Eingabebildern pro Kanal wird die Summe in einer 64-Bit-Ganzzahl gebildet, bevor sie auf den maximalen Pixelwert normalisiert und als vorzeichenlose 16-Bit-Ganzzahl oder 32-Bit-Fließkommazahl gespeichert wird.

Diese Stackingmethode sollte für 8-Bit-Eingabebilder verwendet werden, da sie die Dynamik der Bilder während des Stackings erhöht und die Details erkennbar macht. Das Stacken mit einer Mittelwert- oder Median-Methode würde bei einer solchen Sequenz nur das Rauschen verringern, aber nicht die Dynamik des Bildes verbessern, das Ergebnis wäre immer noch 8 Bit tief.

Durchschnittswert-Stacking mit Ausschluss

Bei dieser Stapelmethode wird ein Mittelwert der Pixel in einem Stapel berechnet, nachdem abweichende Pixel ausgeschlossen wurden und eine optionale Normalisierung der Bilder gegenüber dem Referenzbild vorgenommen wurde. Wie beim Summenstacking ist die Verbesserung des SNR proportional zu \(\sqrt{N}\). Es gibt verschiedene Möglichkeiten, die Bilder zu normalisieren und abweichende Pixel zu erkennen und zu ersetzen bzw. auszuschließen, die im Folgenden erläutert werden.

Warnung

Einige Betriebssysteme begrenzen die Anzahl der Bilder, die gleichzeitig geöffnet werden können, was für Median- oder Mean-Stacking-Methoden erforderlich ist. Unter Windows liegt die Grenze bei 2048 Bildern. Wenn Sie sehr viele Bilder haben, sollten Sie eine andere Art von Sequenz verwenden, die hier beschrieben wird.

Pixelausschlussmethoden

Perzentil Clipping: Dies ist ein einstufiger Ablehnungsalgorithmus, der ideal für kleine Datensätze (bis zu 6 Bilder) ist.
Sigma Clipping: Hierbei handelt es sich um einen iterativen Algorithmus, der Pixel ausschließt, deren Abstand zum Median am weitesten von zwei vorgegebenen Werten in Sigma-Einheiten (\(\sigma\) low, \(\sigma\) high) entfernt ist.
MAD-Clipping: Hierbei handelt es sich um einen iterativen Algorithmus, der wie Sigma Clipping funktioniert, mit dem Unterschied, dass als Abschätzung die absolute Medianabweichung (MAD) verwendet wird. Dieser Algorithmus wird im Allgemeinen für die Verarbeitung verrauschter Infrarotbilder verwendet.
Median-Sigma-Clipping: Dies ist derselbe Algorithmus wie Sigma Clipping, mit dem Unterschied, dass die abgelehnten Pixel durch den Medianwert des Stacks ersetzt werden.
Winsorized Sigma Clipping: Diese Methode ist der Methode Sigma Clipping sehr ähnlich, nur dass sie robuster bei der Erkennung von Ausreißern sein soll, siehe Hubers Arbeit [Peter2009].
Generalisierter extrem studentisierter Abweichungstest (Generalized Extreme Studentized Deviate Test) [Rosner1983]: Hierbei handelt es sich um eine Verallgemeinerung des Grubbs-Tests, der dazu dient, einen oder mehrere Ausreißer in einem univarianten Datensatz zu erkennen, der einer annähernden Normalverteilung folgt. Dieser Algorithmus zeigt hervorragende Leistungen bei großen Datensätzen mit mehr als 50 Bildern.
Linear Fit Clipping [ConejeroPI]: Er passt die beste gerade Linie (\(y=ax+b\)) des Pixelstacks an und verwirft Ausreißer. Dieser Algorithmus funktioniert sehr gut bei großen Stapeln und Bildern, die Himmelsgradienten mit unterschiedlichen räumlichen Verteilungen und Ausrichtungen enthalten.

Pixelausschlusskarten

Die Option Ausschlusskarte (Rejection Map) erstellen berechnet und erstellt während des Stackings Rejection Maps. Dies sind Bilder, die zeigen, wie viele Bilder für jedes Pixel des Ergebnisbildes zurückgewiesen wurden, geteilt durch die Anzahl der gestapelten Bilder. Wenn L+H zusammenführen angekreuzt ist, erstellt Siril nur eine Rejection Map, die die Summe der Low und High Maps ist.

Bilder filtern/gewichten

Die Gewichtung ermöglicht es, jedem Bild ein statistisches Gewicht zuzuweisen. Auf diese Weise tragen die Bilder, die als die besten gelten, mehr bei als die, die als die schlechtesten gelten. Es gibt vier Methoden der Gewichtung:

Anzahl Sterne gewichtet einzelne Bilder auf der Basis der Anzahl berechneten Sterne während der Registrierung.
Gewichtetes FWHM gewichtet einzelne Frames basierend auf dem wFWHM-Wert, der während des Registrierungsschritts berechnet wurde. Dies ist ein FWHM, gewichtet mit der Anzahl der Sterne im Bild. Bei gleichem FWHM-Wert hat ein Bild mit mehr Sternen ein besseres wFWHM als ein Bild mit weniger Sternen.
Rauschen gewichtet die Bilder auf der Basis des Hintergrundrauschens.
Anzahl der Bilder gewichtet einzelne Bilder auf der Basis der Integrationszeit.

Median-Stacking

Diese Methode wird meist für Dark/Flat/Bias-Stacking verwendet. Der Medianwert der Pixel im Stapel wird für jedes Pixel berechnet.

Der Gewinn des Signal-Rauschverhältnisses ist proportional zu \(0.8\sqrt{N}\) und ist damit geringer als beim Durchschnitts-Stacking, welches generell zu bevorzugen ist.

Pixel Maximum Stacking

Dieser Algorithmus wird hauptsächlich für die Erstellung von Sternenspurenbildern (Star Trail Images) mit langer Belichtungszeit verwendet. Die Pixel des Bildes werden durch Pixel an denselben Koordinaten ersetzt, wenn die Intensität größer ist.

Pixel Minimum Stacking

Dieser Algorithmus wird hauptsächlich zum Beschneiden von Sequenzen verwendet, indem schwarze Ränder entfernt werden. Die Pixel des Bildes werden durch Pixel an denselben Koordinaten ersetzt, wenn die Intensität geringer ist.

Methoden zur Eingangsnormalisierung

Durch die Normalisierung werden die Helligkeitswerte der einzelnen Bilder an das Referenzbild angepasst. Dies ist besonders nützlich für das Durchschnittswert-Stacking mit Ausschluss, da die Ablehnung von Pixeln, wenn die Bilder Helligkeitsunterschiede aufweisen, nicht sehr sinnvoll ist. Diese Abweichungen können durch leichten Nebel/Wolken, durch den Mond oder die Lichter der Stadt verursachte Lichtgradienten, Temperaturschwankungen des Sensors usw. verursacht werden.

Dadurch wird das Signal-Rausch-Verhältnis tendenziell verbessert, weshalb diese Option bei der additiven Normalisierung standardmäßig verwendet wird.

Wenn einer dieser 5 Punkte ausgewählt wird, wird vor dem Stacking ein Normalisierungsprozess auf alle Eingabebilder angewendet.

Die Normalisierung entspricht dem mittleren Hintergrund aller Eingangsbilder und wird dann durch Multiplikation oder Addition verarbeitet. Beachten Sie, dass beide Verfahren im Allgemeinen zu ähnlichen Ergebnissen führen, aber die multiplikative Normalisierung wird für Bilder bevorzugt, die zur Multiplikation oder Division als Flatfield verwendet werden sollen.
Die Skalierung entspricht der Streuung durch Gewichtung aller Eingangsbilder. Dadurch wird das Signal-Rausch-Verhältnis tendenziell verbessert, weshalb diese Option standardmäßig mit der additiven Normalisierung verwendet wird.

Normalisierung	Operation	Anwendungsfall
Keine	Es wird keine Normalisierung angewendet.	Dark/Bias-Frames
Additiv	Mittelere Hintergrundwerte werden durch die Anwendung additiver Operationen angeglichen.
Multiplikativ	Eine Division wird benutzt um die mittleren Hintergrundwerte anzugleichen.	Flat-Frames
Additiv + Skalierung.	In Kombination mit dem additiven Hintergrund durch additives Matching werden die Bilder skaliert, um eine Dispersionsanpassung zu erreichen.	Light-Frames
Multiplikativ + Skalierung.	In Kombination mit der Hintergrundanpassung durch Division werden die Bilder skaliert, um eine Dispersionsanpassung zu erreichen.

Bemerkung

Die Bias- und Dark-Master sollten nicht mit Normalisierung verarbeitet werden. Bei Flat-Field-Bildern muss jedoch eine multiplikative Normalisierung durchgeführt werden.

Beachten Sie, dass beide Verfahren im Allgemeinen zu ähnlichen Ergebnissen führen, aber die multiplikative Normalisierung wird für Bilder bevorzugt, die zur Multiplikation oder Division als Flat verwendet werden sollen.

Da der Schritt der Normalisierungsberechnung in der Regel langwierig ist, da er die Ermittlung aller statistischen Daten des Bildes erfordert, werden die Ergebnisse in der Datei seq gespeichert. Auf diese Weise kann der Benutzer, wenn er ein weiteres Stacking durchführen möchte, indem er die Ablehnungsparameter ändert, die Berechnung schneller durchführen. Die Option Recompute erlaubt es, die Neuberechnung der Normalisierung zu erzwingen.

Standardmäßig verwendet Siril zur Berechnung der Normalisierung IKSS-Schätzer für Ort und Maßstab. Bei langen Sequenzen kann die Berechnung dieser Schätzer recht aufwendig sein. In solchen Fällen können Sie mit der Option Schnellere Normalisierung schnellere Schätzer (basierend auf dem Median und der absoluten Medianabweichung) wählen. Diese sind zwar weniger widerstandsfähig gegen Ausreißer in den einzelnen Bildern, können aber dennoch ein zufriedenstellendes Ergebnis liefern, wenn man sie mit einer Berechnung ohne Normalisierung vergleicht.

Bilder ausschließen

Es ist auch möglich, eine bestimmte Anzahl von Bildern auszuschließen, um nur die besten Bilder auszuwählen. Dies kann für Lucky-DSO-Techniken sehr nützlich sein, wenn die Anzahl der Bilder in einer Sequenz sehr hoch ist. Man kann zwischen % und k-\(\sigma\) wählen, um entweder einen bestimmten Prozentsatz der Bilder zu behalten oder den zulässigen Schwellenwert mit Hilfe von k-\(\sigma\) zu berechnen.

Es sind mehrere Kriterien verfügbar:

Alle: Alle Bilder der Sequenz werden im Stapel verwendet.
Ausgewählter Bereich: nur Bilder verwenden, die in der Sequenz nicht abgewählt wurden.
FWHM: Bilder mit der besten berechneten FWHM (nur sternbasierte Registrierung).
gewichtete FWHM: Dies ist eine Verbesserung der einfachen FWHM. Sie ermöglicht es, viel mehr fehlerhafte Bilder auszuschließen, indem sie die Anzahl der erkannten Sterne im Vergleich zum Referenzbild verwendet (Nur bei sternbasierter Registrierung).
Rundheit: Bilder mit der besten Sternrundheit (nur sternbasierte Registrierung).
Hintergrund: Bilder mit den niedrigsten Hintergrundwerten (nur sternbasierte Registrierung).
nb Sterne: Bilder mit der höchsten Anzahl von erkannten Sternen (nur sternbasierte Registrierung).
Qualität: Bilder mit der besten Qualität (planetarische DFT- oder Kombat-Registrierungen).

Stacking Ergebnis

Wenn Ausgabe Normalisierung angekreuzt ist, wird das endgültige Bild im Bereich [0, 1] normalisiert, wenn Sie im 32-Bit-Format arbeiten, oder sonst im Bereich [0, 65535].

Warnung

Diese Option sollte beim Master-Stacking nicht aktiviert werden.
Wenn RGB-Gewichtung aktiviert ist, werden die Kanäle im endgültigen Bild ausgeglichen (nur Farbbilder).
Das Stacking-Ergebnis wird unter dem im Textfeld angegebenen Namen gespeichert. Es ist möglich, Pfadparsing zu verwenden, um den Dateinamen zu erstellen. Ein Klick auf die Schaltfläche Überschreiben erlaubt es der neu erstellten Datei, die alte zu überschreiben, falls sie existiert. Wenn letzteres nicht angekreuzt ist, aber bereits ein Bild mit demselben Namen existiert, wird keine neue Datei erstellt.

Quellenverzeichnis

[Peter2009]

Peter J. Huber und E. Ronchetti (2009), Robust Statistics, 2te Ed., Wiley

[ConejeroPI]

Juan Conejero, ImageIntegration, Pixinsight Tutorial

[Rosner1983]

Rosner, B. (1983). Percentage points for a generalized ESD many-outlier procedure. Technometrics, 25(2), 165-172.