Näin pinoaminen oikeasti toimii (ja miksi useammat kuvat eivät aina ole parempi)

Kysy, miksi astrokuvia pinotaan, ja sinulle vastataan yleensä ”kohinan vähentämiseksi”. Se on totta, mutta siitä ei ole paljon apua. Se ei kerro, montako kuvaa tarvitset, miksi sinun 200 kuvan pinosi näyttää huonommalta kuin jonkun toisen 60 kuvan pino, tai miksi yksi lisätunti ei joskus muuta mitään.

Varsinainen päättely on lyhyt, ja kun se on hallussa, useimmat pinoamispäätökset seuraavat siitä.

Signaali summautuu. Kohina ei.

Suuntaa kaukoputkesi sumuun ja ota valotus. Jokainen pikseli vastaanottaa jonkin määrän fotoneja. Tuo määrä ei ole kiinteä: fotonit saapuvat satunnaisesti, ja lukumäärä vaihtelee valotuksesta toiseen suunnilleen oman neliöjuurensa verran. Kerää 100 fotonia, ja vaihtelu kuvasta toiseen on noin 10. Kerää 10 000, ja se on noin 100.

Pinoa nyt N kuvaa. Signaali eli todellinen fotonimäärä kohteesta summautuu lineaarisesti: N-kertaiseksi. Kohina on satunnaista ja kumoutuu osittain, joten se kasvaa vain N:n neliöjuuren mukaan.

Signaali-kohinasuhde siis paranee kertoimella √N.

Tuo yksi riippuvuus selittää suurimman osan siitä, mitä näet:

• 4 kuvaa on kaksi kertaa niin hyvä kuin 1.
• 16 kuvaa on kaksi kertaa niin hyvä kuin 4.
• 64 kuvaa on kaksi kertaa niin hyvä kuin 16.

Jokainen laadun kaksinkertaistuminen maksaa nelinkertaisen määrän kuvia. Siksi ero 10:n ja 40 kuvan välillä on dramaattinen ja ero 200:n ja 260 kuvan välillä näkymätön. Jos jälkimmäinen tuottaa pettymyksen, et ole tehnyt mitään väärin. Lisäsit 30 % kuvia saadaksesi 14 %:n parannuksen, ja 14 % jää sen alle, minkä silmä luotettavasti huomaa.

Näkyvään parannukseen 200 kuvan pinosta tarvitset noin 800 kuvaa.

Ja juuri siksi lukukohina ratkaisee osaruutusi pituuden

Toinen kohinalähde ei käyttäydy näin. Joka kerta kun kenno luetaan, elektroniikka lisää kiinteän sakon. Se ei riipu valotusajasta; 5 sekunnin kuva ja 500 sekunnin kuva maksavat sen kumpikin kerran.

Tietty kokonaisvalotusaika kantaa siis lukukohinaa sen suhteessa, moneenko kuvaan sen pilkot. Yhdeksänkymmentä minuuttia 540:nä kymmenen sekunnin osaruutuna maksaa sakon 540 kertaa. Samat yhdeksänkymmentä minuuttia 18:na viiden minuutin osaruutuna maksaa sen 18 kertaa.

Siinä on koko perustelu pidemmille yksittäisvalotuksille. Siksi myös guidattu kokoonpano karkaa älykaukoputkelta heikoissa kohteissa samalla kokonaisajalla. Guidattu laitteisto ei kerää enempää valoa. Se lukee kennon kolmekymmentä kertaa harvemmin.

Vastapaine on se, että pitkät osaruudut vaativat hyvän seurannan, ja venyneillä tähdillä varustettu 300 sekunnin kuva on arvoton. Oikea osaruudun pituus on pisin, jonka jalustasi luotettavasti tuottaa, ja se on mekaaninen kysymys eikä käsittelykysymys.

Kohdistus on se kohta, jossa pinot oikeasti menetetään

√N-päättely olettaa, että jokainen kuva tuo saman signaalin samaan pikseliin. Se vaatii, että kuvat ovat kohdakkain, ja juuri tässä useimmat pettymystä tuottavat pinot epäonnistuvat.

Kuvat liikkuvat valotusten välillä: jalustan ryömintä, taittuminen lähellä horisonttia, taipuminen ja jokaisella altatsimutaalijalustalla (joihin kuuluvat kaikki älykaukoputket) kenttäpyörintä. Tunnin aikana rupeaman alussa ja lopussa otetut kuvat voivat olla kymmeniä asteita toisiinsa nähden kiertyneitä.

Kohdistus, joka hoitaa vain siirtymän, ei pärjää, ja se pettää hiljaa. Virheilmoitusta ei tule, vain pino, jossa kaikki on hieman puuroutunutta. Se näyttää huonolta tarkennukselta tai huonolta seeingiltä, ja ihmiset käyttävät kokonaisen kauden väärän ongelman jahtaamiseen.

Kunnollinen rekisteröinti lähtee tähdistä itsestään. Rakenna jokaisen kuvan kirkkaimmista tähdistä kolmioita ja kuvaa ne sivujen suhteilla, jotka säilyvät siirtymässä, kierrossa ja skaalauksessa. Täsmäävät kolmiot äänestävät siitä, mikä tähti vastaa mitäkin, poikkeamia sietävä sovitus heittää pois erimieliset äänet, ja tarkennusvaihe vie tuloksen alipikselin tarkkuuteen.

Tuo viimeinen vaihe on tärkeä. Johdonmukainen puolen pikselin virhe läpi pinon maksaa sinulle saman verran yksityiskohtia kuin hieman huonompi seeing.

Hylkäys: se osa, joka poistaa sen mihin keskiarvoistus ei pysty

Keskiarvoistus hoitaa satunnaisen kohinan. Se ei hoida asioita, jotka eivät ole satunnaisia: satelliitteja, lentokoneita, kosmisia säteitä tai auton ajovaloja, jotka pyyhkäisevät kuva-alan yli.

Keskiarvoista 100 kuvaa, joista yhdessä on satelliitin jälki, ja jälki on yhä siellä 1 %:n voimakkuudella. Se on heikko mutta näkyvä tummaa taivasta vasten, ja se selviää venytyksestä.

Hylkäys poistaa sen katsomalla pinon läpi jokaisessa pikselissä ja heittämällä pois arvot, jotka eivät kuulu joukkoon. Menetelmät eroavat siinä, mitä ”ei kuulu joukkoon” tarkoittaa, eikä valinta niiden välillä ole mielivaltainen.

Sigma clipping ottaa jokaisessa pikselissä keskiarvon ja keskihajonnan ja pudottaa kynnyksen ylittävät arvot. Se toimii hyvin ja on oletusvalinta hyvästä syystä, mutta se olettaa, että jokainen kuva on poimittu samasta jakaumasta.

Winsoroitu sigma clipping vetää poikkeavat arvot kohti pääjoukkoa sen sijaan että poistaisi ne. Se on turvallisempi matalissa pinoissa, joissa keskihajonnan arviointi kahdeksasta otoksesta ja arvojen heittäminen pois hävittää helposti oikeaa signaalia.

Lineaarisovitukseen perustuva leikkaus kysyy eri kysymyksen. Se järjestää kunkin pikselin arvot läpi pinon ja sovittaa niiden läpi suoran. Tasainen hajonta, jota syntyy kun läpinäkyvyys muuttuu yön mittaan, on tuolle mallille odotettua eikä maksa mitään, kun taas satelliitin jälki on yhä yksi arvo kaukana suorasta.

Tuo ero merkitsee enemmän kuin miltä kuulostaa. Kun ylhäälle ajautuu pilviä tai kohde vajoaa kohti valokupua, kuvat todella eroavat toisistaan. Hajonta on oikeaa dataa, ei kohinaa. Sigma clipping näkee vaihteluvälin päissä olevat kuvat poikkeavina ja alkaa heittää niitä pois, ja ne tummassa päässä ovat yleensä illan kirkkaimmat kuvat. Menetät parhaan datasi menetelmälle, joka oletti sen olevan virheellistä.

Kannattaa seurata sitä, kuinka paljon kuvakohtainen taivaan taso ryömii. Jos se on vakaa, sigma clipping on oikea valinta. Jos se liikkuu enemmän kuin muutaman prosentin, lineaarisovitus toimii paremmin. Akastroid mittaa ryöminnän ja vaihtaa automaattisesti, kun se ylittää noin 8 %.

Matalat pinot vaativat eri käsittelyn

Kahdeksalla kuvalla et voi arvioida jakaumaa. Mikä tahansa hylkäysmenetelmä toimii liian harvasta otoksesta, ja aggressiivinen leikkaus poistaa oikeaa signaalia väittäessään poistavansa poikkeavia arvoja.

Alle noin kahdeksan kuvan pinossa tavallinen keskiarvo tai mediaani on yleensä turvallisempi valinta. Kahdeksan ja viidentoista välillä winsorointi. Sen yli oikea leikkaus muuttuu turvalliseksi.

Tämä virhe jää helposti huomaamatta. Aggressiivinen hylkäys matalassa pinossa tuottaa kuvan, joka näyttää puhtaalta ja josta puuttuu hiljaisesti heikkoja yksityiskohtia. Se ei näytä rikkinäiseltä, vain hieman tyhjältä, eikä mikään ruudulla kerro miksi.

Milloin useammat kuvat lakkaavat auttamasta

On kolme tapausta, joissa seuraava tunti ei tuo sinulle mitään.

Lukukohina. Hyvin lyhyillä osaruuduilla kohinalattian asettaa kennon luku eivätkä taivaan fotonit. Pinoaminen auttaa yhä, mutta taistelet kiinteää kustannusta vastaan, jota useammat kuvat eivät poista. Pidemmät osaruudut poistaisivat.

Taivas heikossa kohteessa. Kirkkaan taivaan alla tausta hallitsee, eivätkä kohteesi heikot ulko-osat välttämättä koskaan nouse sen yli. Signaali-kohinasuhde paranee yhä kuten √N, mutta √N kertaa juuri ja juuri havaittava on yhä juuri ja juuri havaittava. Tummempi taivas tai kapeakaistasuotimet muuttavat tämän. Lisäaika ei muuta.

Kohdistus. Jos rekisteröinti jättää puolen pikselin virheitä, lisäkuvat tuovat vain lisää hieman väärin kohdistunutta dataa. Pinosta tulee tasaisempi eikä yhtään terävämpi. Tarkista tämä ennen kuin syytät taivasta.

Toimiva vastaus

• Osaruudun pituus: pisin, jota jalustasi luotettavasti seuraa. Se määrää lukukohinan, ja lukukohina hallitsee heikkoja kohteita.
• Kuvien määrä: ajattele nelinkertaistuksina. Näkyvää parannusta varten suunnittele nelinkertaistavasi määrän.
• Rekisteröinti: sen on hoidettava kierto jokaisella altatsimutaalijalustalla.
• Hylkäys: sovita se pinosi syvyyteen ja yösi vakauteen.
• Tunne rajoituksesi: lukukohina, taivaan kirkkaus vai kohdistus. Kuvien lisääminen auttaa vain kahteen ensimmäiseen, ja hitaasti.

Mikään tästä ei vaadi matematiikkaa √N:ää pidemmälle, mutta se selittää, miksi pino, johon olet tyytymätön, tuli sellaiseksi kuin tuli, ja se on yleensä hyödyllisempää kuin yksi liukusäädin lisää.