Hogyan működik a stackelés (és miért nem mindig jobb a több felvétel)

Kérdezd meg, miért stackeljük az asztrofotókat, és többnyire azt a választ kapod, hogy „a zaj csökkentése miatt”. Ez igaz, de nem sokat segít. Nem árulja el, hány felvételre van szükséged, miért néz ki a 200 felvételes stacked rosszabbul, mint valaki másnak a 60 felvételes stackje, és miért nem változtat néha semmit egy újabb óra.

Maga az érvelés rövid, és ha egyszer a fejedben van, a legtöbb stackelési döntés következik belőle.

A jel összeadódik. A zaj nem.

Irányítsd a távcsövedet egy ködre, és készíts egy expozíciót. Minden pixel valamennyi fotont kap. Ez a szám nem állandó: a fotonok véletlenszerűen érkeznek, és a darabszám expozícióról expozícióra nagyjából a saját négyzetgyökével ingadozik. Gyűjts össze 100 fotont, és a felvételek közti ingadozás körülbelül 10. Gyűjts össze 10 000-et, és körülbelül 100.

Most stackelj N felvételt. A jel, vagyis az objektumtól érkező valódi fotonszám, lineárisan adódik össze: N-szer annyi lesz. A zaj véletlenszerű, és részben kioltja magát, így csak N négyzetgyökeként nő.

A jel-zaj viszony tehát √N szerint javul.

Ez az egy összefüggés megmagyarázza annak a nagy részét, amit tapasztalsz:

• 4 felvétel kétszer olyan jó, mint 1.
• 16 felvétel kétszer olyan jó, mint 4.
• 64 felvétel kétszer olyan jó, mint 16.

A minőség minden egyes megduplázása négyszer annyi felvételbe kerül. Ezért drámai a különbség 10 és 40 felvétel között, és ezért láthatatlan 200 és 260 között. Ha a második csalódást okoz, nem csináltál semmit rosszul. 30%-kal több felvételt adtál hozzá 14% javulásért, a 14% pedig az alatt van, amit a szem megbízhatóan észrevesz.

Ahhoz, hogy egy 200 felvételes stackhez képest látható legyen a javulás, nagyjából 800 felvétel kell.

És ezért a kiolvasási zaj dönti el a részexpozíciók hosszát

Egy másik zajforrás nem így viselkedik. Ahányszor a szenzort kiolvassák, az elektronika hozzáad egy fix büntetést. Ez nem függ az expozíció hosszától: egy 5 másodperces és egy 500 másodperces felvétel is egyszer fizeti meg.

Egy adott összesített integrációs idő tehát olyan arányban hordoz kiolvasási zajt, ahány felvételre felosztottad. Kilencven perc 540 darab tízmásodperces részexpozícióként 540-szer fizeti meg a büntetést. Ugyanaz a kilencven perc 18 darab ötperces részexpozícióként 18-szor.

Ez a teljes érv a hosszabb részexpozíciók mellett. Ezért húz el egy vezetett összeállítás egy okostávcsőtől halvány objektumokon azonos össz-integrációs idő mellett. A vezetett szett nem gyűjt több fényt. Harmincszor ritkábban olvassa ki a szenzort.

Az ellenerő az, hogy a hosszú részexpozíciókhoz jó követés kell, és egy csíkos csillagokkal teli 300 másodperces felvétel semmit nem ér. A helyes expozíciós idő a leghosszabb, amit a mechanikád megbízhatóan hoz, ez pedig mechanikai kérdés, nem feldolgozási.

A stackek többnyire az illesztésen buknak el

A √N-es érvelés feltételezi, hogy minden felvétel ugyanazt a jelet adja ugyanahhoz a pixelhez. Ehhez az kell, hogy a felvételek illeszkedjenek egymásra, és a legtöbb kiábrándító stack itt bukik el.

A felvételek elmozdulnak az expozíciók között: a mechanika kúszása, a horizont közeli refrakció, a hajlás, és minden altazimutális mechanikán (ide tartozik az összes okostávcső) a mezőelfordulás. Egy óra alatt az elején és a végén készült felvételek több tíz fokkal is elfordulhatnak egymáshoz képest.

Egy csak eltolást kezelő illesztés ezzel nem boldogul, és csendben hasal el. Nincs hibaüzenet, csak egy stack, amin minden kicsit elkenődött. Úgy néz ki, mint a rossz fókusz vagy a rossz seeing, és az emberek egy egész szezont töltenek el a rossz probléma kergetésével.

A rendes regisztráció magukból a csillagokból indul ki. Építs háromszögeket az egyes felvételek legfényesebb csillagaiból, és írd le őket az oldalak arányaival, amelyek túlélik az eltolást, az elfordulást és a méretezést. Az egymásnak megfeleltethető háromszögek szavaznak arról, melyik csillag melyiknek felel meg, egy kiugró értékeket tűrő illesztés kidobja az elütő szavazatokat, egy finomító menet pedig szubpixeles pontosságra viszi az eredményt.

Ez az utolsó lépés számít. Egy végig megmaradó fél pixeles hiba a stackeden annyi részletet visz el, amennyit egy kicsivel rosszabb seeing vinne el.

Kizárás: az a rész, ami eltávolítja azt, amit az átlagolás nem tud

Az átlagolás elbánik a véletlenszerű zajjal. Azzal nem bánik el, ami nem véletlenszerű: műholdak, repülők, kozmikus sugarak, egy autó fényszórója, ami végigpásztázza a mezőt.

Átlagolj 100 felvételt, amelyek közül az egyiken műholdnyom van, és a nyom 1%-os erősséggel ott is marad. Halvány, de sötét ég előtt látható, és túléli a nyújtást.

A kizárás úgy szedi ki, hogy pixelenként végignéz a stacken, és eldobja azokat az értékeket, amelyek nem oda valók. A módszerek abban térnek el, mit jelent a „nem oda való”, és a köztük való választás nem önkényes.

A szigma szerinti levágás pixelenként veszi az átlagot és a szórást, és eldobja a küszöbön túli értékeket. Jól működik, és jó okkal ez az alapértelmezés, de feltételezi, hogy minden felvétel ugyanabból az eloszlásból származik.

A winsorizált szigmalevágás a kiugró értékeket a fő tömeg felé húzza ahelyett, hogy eltávolítaná őket. Sekély stackeken biztonságosabb, ahol nyolc mintából szórást becsülni, majd értékeket eldobálni hajlamos valódi jelet kidobni.

A lineáris illesztésű levágás más kérdést tesz fel. Sorba rendezi az egyes pixelek értékeit a stacken végig, és egyenest illeszt rájuk. Egy egyenletes szórást, amilyet az éjszaka során változó átlátszóság okoz, ez a modell elvár, tehát semmibe nem kerül, miközben egy műholdnyom továbbra is egyetlen, az egyenestől messze eső érték.

Ez a különbség többet jelent, mint amilyennek hangzik. Amikor magas felhőzet érkezik, vagy az objektumod a fényszennyezési kupola felé süllyed, a felvételek valóban különböznek. A szórás valódi adat, nem zaj. A szigmalevágás a tartomány két szélén lévő felvételeket kiugrónak látja, és elkezdi eldobálni őket, pedig a sötét szélen lévők rendszerint az éjszaka legtisztább felvételei. A legjobb adataidat veszíted el egy olyan módszer miatt, amely hibásnak feltételezte őket.

Azt kell figyelned, mennyit kúszik a felvételenkénti égszint. Ha stabil, a szigmalevágás a jó választás. Ha néhány százaléknál többet mozog, jobban jársz egy lineáris illesztéssel. Az Akastroid megméri a kúszást, és nagyjából 8% fölött automatikusan vált.

A sekély stackek más bánásmódot kívánnak

Nyolc felvételből nem tudsz eloszlást becsülni. Bármelyik kizárási módszer túl kevés mintából dolgozik, az agresszív levágás pedig valódi jelet szed ki, miközben azt állítja, hogy kiugró értékeket távolít el.

Nagyjából nyolc felvétel alatt sima átlagolás vagy medián a biztonságosabb választás. Nyolc és tizenöt között a winsorizálás. Efölött már biztonságossá válik a valódi levágás.

Ezt a hibát könnyű nem észrevenni. Az agresszív kizárás egy sekély stacken olyan képet ad, amely tisztának látszik, és csendben hiányoznak belőle a halvány részletek. Nem tűnik elrontottnak, csak kicsit üresnek, és semmi nincs a képernyőn, ami megmondaná, miért.

Amikor a több felvétel már nem segít

Három eset van, amikor a következő óra semmit nem hoz.

Kiolvasási zaj. Nagyon rövid részexpozícióknál a zajküszöböt a kiolvasás szabja meg, nem az égbolt fotonjai. A stackelés továbbra is segít, de egy fix költséggel harcolsz, amelyet a több felvétel nem tüntet el. A hosszabb részexpozíciók igen.

Égháttér, halvány objektumon. Világos ég alatt a háttér uralkodik, és az objektumod halvány külső részei talán sosem emelkednek ki fölüle. A jel-zaj viszony továbbra is √N szerint javul, de az éppen hogy kimutatható √N-szerese is éppen hogy kimutatható marad. Ezen a sötétebb ég vagy a keskenysávú szűrők segítenek. A több idő nem.

Illesztés. Ha a regisztráció fél pixeles hibákat hagy maga után, a további felvételekkel csak több kicsit rosszul illesztett adatot adsz hozzá. A stack simább lesz, élesebb nem. Ezt ellenőrizd, mielőtt az égre fognád.

Egy használható válasz

• Részexpozíció hossza: a leghosszabb, amit a mechanikád megbízhatóan követ. Ez határozza meg a kiolvasási zajt, a kiolvasási zaj pedig halvány objektumoknál a döntő.
• Felvételszám: négyes szorzókban gondolkodj. Látható javuláshoz tervezz négyszerezéssel.
• Regisztráció: altazimutális mechanikán kezelnie kell az elfordulást.
• Kizárás: igazítsd a stacked mélységéhez és az éjszaka nyugalmához.
• Ismerd a korlátodat: kiolvasási zaj, égháttér vagy illesztés. A több felvétel csak az első kettőn segít, azon is csak lassan.

Ehhez nem kell a √N-en túli matematika, de megmagyarázza, miért lett olyan egy stack, amivel elégedetlen vagy, és ez rendszerint hasznosabb, mint még egy csúszka.