Укладка

Последний шаг предварительной обработки в Siril — это укладка изображений. Укладка изображений — это метод, используемый в астрофотографии для повышения качества и детализации изображения путем объединения нескольких фотографий в одно составное изображение. Процесс включает в себя получение нескольких изображений одного и того же объекта, а затем выравнивание и усреднение кадров для снижения шума и увеличения соотношения сигнал/шум. Это приводит к получению конечного изображения с меньшим количеством шума, большей детализацией и большим динамическим диапазоном, чем при одиночной экспозиции.

Способы укладки

Сумма

Это самый простой алгоритм: каждый пиксель укладываемых кадров суммируется. Увеличение отношения сигнал/шум (SNR) пропорционально \(\sqrt{N}\), где \(N\) — количество изображений. Из-за отсутствия нормализации и отбраковки этот метод следует использовать только для планетарной обработки.

Для входных изображений с глубиной 8 или 16 бит на канал сумма вычисляется в виде 64-битного целого числа, затем нормализуется до максимального значения пикселя и сохраняется в виде 16-битного целого без знака или 32-битного изображения с плавающей запятой.

Этот метод укладки следует использовать для 8-битных входных изображений, поскольку он повышает динамику изображений при их укладке и делает различимыми детали. Суммирование такой последовательности с использованием методов среднего значения или медианы только уменьшило бы шум, но не улучшило динамику изображения, в результате чего глубина изображения все равно составила бы 8 бит.

Среднее с выбраковкой пикселей

Этот метод укладки вычисляет среднее значение пикселей в стеке после исключения отклоняющихся от нормы пикселей и дополнительной нормализации изображений относительно эталонного изображения. Что касается результирующего изображения, улучшение SNR пропорционально \(\sqrt{N}\). Существует несколько способов нормализации изображений и несколько способов обнаружения и замены или исключения отклоняющихся пикселей, описанных ниже.

Предупреждение

Некоторые операционные системы ограничивают количество одновременно открытых изображений, которые необходимы для укладки методами медианы или среднего значения. Для Windows это ограничение составляет 2048 изображений. Если у вас много изображений, вам следует использовать другой тип последовательностей, описанных здесь.

Stacking pixel rejection panel

Методы выбраковки пикселей

• Обрезка по процентилям: это одношаговый алгоритм выбраковки, идеально подходящий для небольших наборов данных (до 6 изображений).

• Обрезка по σ: итеративный алгоритм, который отбрасывает пиксели, отстоящие от медианы более чем на два заданных значения, указанных в единицах σ (Верхний порог, Нижний порог).

• Обрезка по MAD: итеративный алгоритм, работающий аналогично обрезке по σ, но использующий в качестве оценки медианное абсолютное отклонение (MAD). Он обычно используется для обработки зашумленных инфракрасных изображений.

• Медианная обрезка по :math:`sigma`: тот же алгоритм, что и Обрезка по \(\sigma\) за исключением того, что отброшенные пиксели заменяются медианным значением сложенного изображения.

• Винсоризованная обрезка по :math:`sigma`: очень похож на метод обрезки по \(\sigma\), за исключением того, что он должен быть более надежным для обнаружения выбросов, см. работу Хубера [Peter2009].

• GESDT [Rosner1983]: это обобщение теста Граббса (Grubbs Test), которое используется для обнаружения одного или нескольких выбросов в одномерном наборе данных, который приблизительно соответствует нормальному распределению. Данный алгоритм демонстрирует прекрасную производительность на больших наборах данных, имеющих более 50 изображений.

• Линейная обрезка [ConejeroPI]: подбирает наилучшую прямую линию (\(y=ax+b\)) пикселей уложенного изображения и отсекает выбросы. Этот алгоритм очень хорошо работает с большими стеками и изображениями, содержащими градиенты неба с различающимися пространственным распределением и ориентацией.

Note that for drizzled CFA images, you may find difficulty in achieving satisfactory rejection in the Red and Blue channels with some methods. In these cases the MAD Clipping method appears to be the most effective.

Карты выбраковки

Опция Создать карты выбраковки вычисляет и создает карты отклонения в ходе укладки. Это изображения, показывающие, сколько изображений было отклонено для каждого пикселя итогового изображения, деленное на количество сложенных изображений. Если отмечена опция Объединить L+H, Siril создает только одну карту выбраковки, которая будет суммой карт низов и верхов.

Пример карты выбраковки (L+H). Мы можем очень четко видеть удалённый след спутника.

Присвоение веса

Присвоение веса позволяет придать статистический вес каждому изображению. Таким образом, изображения, которые считаются лучшими, будут иметь больший вес, чем те, которые считаются худшими. Доступны четыре метода присвоения веса:

• Кол-во звёзд присваивает вес отдельным кадрам на основе количества звезд, вычисленного на этапе регистрации.

• Со взвешенной FWHM присваивает вес отдельным кадрам на основе wFWHM, вычисленной в ходе регистрации. Это FWHM, взвешенный по количеству звёзд на изображении. При одном и том же измерении FWHM изображение с большим количеством звёзд будет иметь лучшую wFWHM, чем изображение с меньшим количеством звёзд.

• Шум присваивает вес отдельным кадрам на основе значения шума фона.

• Кол-во изображений присваивает вес отдельным кадрам на основе их времени интеграции.

Сшивка изображений

Available since Siril 1.3, this submenu allows to perform a smoother stitching between images with little overlaps. It is the first step of mosaic stitching which we plan to expand further in next releases.

Stack stitching panel

• Borders feathering applies a feathering mask on each image during stacking. The smoothing is applied over X pixels distance, X between the value you set with this interface. The masks are cached in the ./cache subfolder.

Borders feathering applied to a 3x2 mosaic (negative). Images courtesy of G. Attard

• Normalization on overlaps will compute the normalization factors on the images overlaps instead of whole images. This is useful when images have little overlap and when the nature of the data in each tile is very different accross all images (some images with mostly nebulosity and others with mainly black sky). As it is longer to compute than regular normalization, you should try without ticking this option first. This feature is intended for stitching stacked mosaic tiles so it will throw a warning if you try to compute it for a long sequence (i.e. for subs acquired with a smart telescope in mosaic mode). It is only available if maximize framing is enabled.

Global vs overlap normalization on a 2x1 mosaic. Images courtesy of D. Huber

Теория

The normalization on overlaps has been derived from the algorithm for gain compensation from [Brown2007]. The full write-up of the modifications is described in the contributors documentation.

Медиана

Этот метод наиболее часто используется для укладки кадров темнового тока/плоского поля/смещения. Медианное значение пикселей в итоговом изображении вычисляется для каждого пикселя.

Увеличение SNR пропорционально \(0.8\sqrt{N}\) и, следовательно, хуже, чем при суммировании по среднему значению, которое обычно предпочтительнее.

Максимум

Этот алгоритм в основном используется для создания изображений звездных следов с длительной экспозицией. Пиксели изображения заменяются пикселями с теми же координатами, имеющими наибольшую интенсивность.

Минимум

Этот алгоритм в основном используется для кадрирования последовательности путем удаления черных границ. Пиксели изображения заменяются пикселями с теми же координатами, имеющими более низкую интенсивность.

Методы нормализации входных данных

При нормализации уровни каждого изображения будут сопоставлены с опорным изображением. Это особенно полезно для укладки методом Среднее с выбраковкой пикселей, поскольку, при наличии на изображениях видимых различий в уровнях, выбраковка пикселей не очень полезна. Эти различия могут быть вызваны легкой туманностью, градиентом освещенности, вызванным луной или городскими огнями, изменением температуры датчиков и так далее.

Это приводит к улучшению отношения сигнал/шум, и поэтому этот параметр используется по умолчанию при аддитивной нормализации.

Stacking input normalization panel

Если выбран один из этих 5 пунктов, то перед объединением всех входных изображений будет выполнен процесс нормализации.

• Нормализация выравнивает средний фон всех входных изображений, затем нормализация подвергается умножению или сложению. Имейте в виду, что оба процесса обычно приводят к схожим результатам, но мультипликативная нормализация предпочтительнее для изображения, которое будет использоваться для умножения или деления как плоское поле.

• Масштаб выравнивает дисперсию путем присвоения веса всем входным изображениям. Это позволяет улучшить соотношение сигнал/шум, и поэтому этот параметр используется по умолчанию при аддитивной нормализации.

Нормализация	Действие			Когда использовать
Нет	Нормализация не была применена.			кадры темнового тока/кадры шума считывания
Аддитивный	Средние фоновые значения будут выровнены с помощью применения аддитивных операций.
Мультипликативный	Для выравнивания средних фоновых значений будет использоваться деление.			кадры плоского поля
Аддитивный с масштабированием	В сочетании с аддитивным фоном, полученным аддитивным выравниванием, изображения будут масштабироваться для достижения выравнивания дисперсии.			отдельные субэкспозиции (light frames)
Мулитипликативный с масштабированием	В сочетании с фоном, выравненным путём деления, изображения будут масштабироваться для достижения выравнивания дисперсии.

Примечание

Мастер-кадры шума считывания и темновые мастер-кадры не должны подвергаться нормализации. Однако для кадров плоского поля обязательно надо использовать мультипликативную нормализацию.

Имейте в виду, что оба процесса обычно приводят к схожим результатам, но мультипликативная нормализация предпочтительнее для изображения, которое будет использоваться для умножения или деления в виде плоского поля.

Поскольку этап расчета нормализации обычно является длительным, так как требует определения всех статистических данных изображения, результаты сохраняются в файле seq. Таким образом, если пользователь захочет выполнить ещё одну укладку, изменив параметры выбраковки, то она будет выполнена быстрее. Опция Пересчитать позволяет принудительно выполнить перерасчет нормализации.

По умолчанию Siri использует IKSS функцию оценки местоположения и масштаба для вычисления нормализации. Для длинных последовательностей вычисление этих функций оценки может быть довольно трудоемким. В таких случаях вы можете выбрать более быстрые функции оценки (основанные на медиане и среднем абсолютном отклонении) с помощью опции :guilabel: "Быстрая нормализация". Хотя они менее устойчивы к выбросам на каждом изображении, они все же могут дать удовлетворительный результат по сравнению с полным отсутствием нормализации.

Выбраковка изображений

Также можно отбраковать некоторое количество изображений, чтобы выбрать только лучшие. Это может быть очень полезно для метода удачных экспозиций DSO (Lucky imaging), когда количество изображений в последовательности очень велико. Можно выбрать между % и k-\(\sigma\), чтобы либо сохранить заданный процент изображений, либо рассчитать допустимый порог, используя отсечение k-\(\sigma\).

Stacking image rejection panel

Доступно несколько критериев:

• все: при укладке используются все изображения последовательности.

• выбранные: используются только те изображения, которые отмечены выбранными в последовательности.

• FWHM: изображения с наилучшим вычисленным значением FWHM (только регистрация на основе звезд).

• со взвешенной FWHM: это усовершенствование простой FWHM. Оно позволяет исключить гораздо больше некачественных изображений, используя количество обнаруженных звезд по сравнению с эталонным изображением (только регистрация на основе звезд).

• с лучшей округлостью: изображения с наилучшей округлостью звезд (только регистрация на основе звезд).

• фон: изображения с самым низким значением фона (только регистрация на основе звёзд).

• кол-во звёзд: изображения с максимальным количеством обнаруженных звёзд (только регистрация на основе звёзд).

• с лучшим качеством: изображения с лучшим качеством (регистрация планет DFT или Kombat).

Результат укладки

• Если отмечена опция Нормализация вывода, то итоговое изображение будет нормировано к диапазону [0, 1], если вы работаете с данными в 32-битном формате, либо к диапазону [0, 65535] в остальных случаях.

  Предупреждение

  Не следует включать эту опцию при укладке мастер-кадров.

• Если включена опция Выравнивание RGB, то каналы в итоговом изображении будут выровнены (только для цветных изображений).

• If Maximize framing is checked, the output image will encompass all the images. Note this option is forced if the images have different sizes.

• If Interpolation upscaling x2 is ticked, the images will be upscaled during stacking. Note this option is not always available.

• Selecting Force 32b forces the stacked image to be saved as a float image irrespective of the bitdepth set in the Preferences.

• Результат суммирования сохраняется под именем, указанным в текстовом поле. Для создания имени файла можно использовать:ref:разбор пути <Pathparsing:Path parsing>. Если отмечена опция Перезаписать, это позволяет вновь созданному файлу перезаписать старый, если он существует. Если эта опция не установлена, но изображение с таким же именем уже существует, то новый файл не создается.

Литература

[Peter2009]

Peter J. Huber and E. Ronchetti (2009), Robust Statistics, 2nd 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.

[Brown2007]

Brown, M., & Lowe, D. G. (2007). Automatic panoramic image stitching using invariant features. International journal of computer vision, 74, 59-73.