Ako skladanie naozaj funguje (a prečo viac snímok nie je vždy lepšie)

Opýtaj sa, prečo astrofotografie skladáme, a zvyčajne sa dozvieš „aby sa znížil šum“. To je pravda, ale veľmi to nepomôže. Nepovie ti to, koľko snímok potrebuješ, prečo tvoj stack z 200 snímok vyzerá horšie než cudzí stack zo 60, ani prečo ďalšia hodina niekedy nezmení nič.

Skutočný argument je krátky a väčšina rozhodnutí o skladaní z neho vyplýva.

Signál sa sčítava. Šum nie.

Namier ďalekohľad na hmlovinu a urob expozíciu. Každý pixel dostane nejaký počet fotónov. To číslo nie je pevné: príchod fotónov je náhodný a počet kolíše od expozície k expozícii zhruba o svoju druhú odmocninu. Nazbieraj 100 fotónov a rozptyl medzi snímkami je asi 10. Nazbieraj 10 000 a je asi 100.

Teraz zlož N snímok. Signál, teda skutočný počet fotónov z objektu, sa sčítava lineárne: N-násobok. Šum je náhodný a čiastočne sa vyruší, takže rastie len ako druhá odmocnina z N.

Pomer signálu k šumu sa teda zlepší o √N.

Tento jeden vzťah vysvetľuje väčšinu toho, čo vidíš:

• 4 snímky sú dvakrát lepšie než 1.
• 16 snímok je dvakrát lepších než 4.
• 64 snímok je dvakrát lepších než 16.

Každé zdvojnásobenie kvality stojí štvornásobok snímok. Preto je rozdiel medzi 10 a 40 snímkami dramatický a rozdiel medzi 200 a 260 neviditeľný. Ak ťa to druhé sklame, neurobil si nič zle. Pridal si o 30 % snímok viac za 14 % zlepšenia a 14 % je pod hranicou toho, čo oko spoľahlivo postrehne.

Na viditeľný krok vpred oproti stacku z 200 snímok potrebuješ okolo 800.

Preto o dĺžke subsnímky rozhoduje čítací šum

Druhý zdroj šumu sa takto nespráva. Pri každom vyčítaní senzora pridá elektronika pevnú daň. Nezávisí od dĺžky expozície; 5-sekundová aj 500-sekundová snímka ju zaplatia raz.

Daný celkový integračný čas teda nesie čítací šum úmerne tomu, na koľko snímok ho rozdelíš. Deväťdesiat minút ako 540 desaťsekundových subsnímok zaplatí daň 540-krát. Tých istých deväťdesiat minút ako 18 päťminútových subsnímok ju zaplatí 18-krát.

To je celý argument pre dlhšie subexpozície. Je to aj dôvod, prečo sa navádzaná zostava na slabých cieľoch odtrhne od inteligentného ďalekohľadu pri rovnakom celkovom čase. Navádzaná montáž nezbiera viac svetla. Číta senzor tridsaťkrát menej často.

Protitlakom je, že dlhé subsnímky potrebujú dobré sledovanie a 300-sekundová snímka s pretiahnutými hviezdami nemá žiadnu hodnotu. Správna dĺžka subsnímky je tá najdlhšia, akú tvoja montáž spoľahlivo zvládne, a to je skôr mechanická otázka než otázka spracovania.

Zarovnanie je miesto, kde sa stacky naozaj strácajú

Argument √N predpokladá, že každá snímka prispieva rovnakým signálom do rovnakého pixela. To vyžaduje, aby boli snímky zaregistrované, a práve tu väčšina sklamaných stackov zlyháva.

Snímky sa medzi expozíciami hýbu: drift montáže, refrakcia pri obzore, priehyb a na každej azimutálnej montáži (čo zahŕňa každý inteligentný ďalekohľad) rotácia poľa. Za hodinu môžu byť snímky zo začiatku a z konca voči sebe pootočené o desiatky stupňov.

Zarovnanie, ktoré zvládne len posun, si s tým neporadí a zlyhá potichu. Žiadna chybová hláška, len stack, v ktorom je všetko mierne rozmazané. Vyzerá to ako zlé zaostrenie alebo zlý seeing a ľudia strávia sezónu naháňaním nesprávneho problému.

Poriadna registrácia vychádza zo samotných hviezd. Z najjasnejších hviezd v každej snímke sa zostavia trojuholníky a opíšu sa pomermi strán, ktoré prežijú posun, otočenie aj zmenu mierky. Zhodné trojuholníky hlasujú o tom, ktorá hviezda zodpovedá ktorej, fit odolný voči odľahlým hodnotám zahodí hlasy, ktoré sa nezhodujú, a spresňujúci prechod dostane výsledok na subpixelovú presnosť.

Tento posledný krok je dôležitý. Stála chyba pol pixela v celom stacku ťa stojí rovnaké detaily, aké by si stratil pri o niečo horšom seeingu.

Rejekcia: časť, ktorá odstráni to, čo priemerovanie nedokáže

Priemerovanie si poradí s náhodným šumom. Neporadí si s vecami, ktoré náhodné nie sú: satelity, lietadlá, kozmické žiarenie, svetlá auta, ktoré prejdú cez pole.

Spriemeruj 100 snímok, z ktorých jedna má stopu satelitu, a stopa tam stále je s 1 % intenzity. Je slabá, ale na tmavej oblohe viditeľná a roztiahnutie histogramu prežije.

Rejekcia ju odstráni tak, že sa pozrie naprieč stackom na každý pixel a zahodí hodnoty, ktoré tam nepatria. Metódy sa líšia v tom, čo „nepatria“ znamená, a voľba medzi nimi nie je ľubovoľná.

Sigma clipping vezme na každom pixeli priemer a smerodajnú odchýlku a zahodí hodnoty za prahom. Funguje dobre a je predvolenou voľbou z dobrého dôvodu, ale predpokladá, že každá snímka vzorkuje rovnaké rozdelenie.

Winsorizovaný sigma clipping odľahlé hodnoty pritiahne k jadru namiesto toho, aby ich odstránil. Je bezpečnejší na plytkých stackoch, kde odhad smerodajnej odchýlky z ôsmich vzoriek a následné zahadzovanie hodnôt často zahodí skutočný signál.

Linear-fit clipping sa pýta inú otázku. Zoradí hodnoty každého pixela naprieč stackom a preloží nimi priamku. Plynulý rozptyl, aký vzniká zmenou priezračnosti počas noci, tento model očakáva a nestojí nič, zatiaľ čo stopa satelitu je stále jedna hodnota ďaleko od priamky.

Ten rozdiel je dôležitejší, než znie. Keď sa privalí vysoká oblačnosť alebo cieľ klesá k svetelnej kupole mesta, snímky sa skutočne líšia. Ten rozptyl sú skutočné dáta, nie šum. Sigma clipping vidí snímky na okrajoch rozsahu ako odľahlé hodnoty a začne ich zahadzovať, a tie na tmavom konci sú zvyčajne najčistejšie snímky celej noci. Prídeš o najlepšie dáta kvôli metóde, ktorá predpokladala, že sú chybné.

Sledovať treba, ako veľmi pláva úroveň oblohy v jednotlivých snímkach. Ak je stabilná, sigma clipping je správne. Ak sa hýbe o viac než pár percent, linear fit bude lepší. Akastroid tento drift meria a nad zhruba 8 % prepína automaticky.

Plytké stacky potrebujú iné zaobchádzanie

S ôsmimi snímkami rozdelenie neodhadneš. Každá metóda rejekcie pracuje s primálo vzorkami a agresívny clipping odstráni skutočný signál, pričom bude tvrdiť, že odstraňuje odľahlé hodnoty.

Pod zhruba ôsmimi snímkami je bezpečnejšou voľbou obyčajný priemer alebo medián. Medzi ôsmimi a pätnástimi winsorizácia. Nad tým sa skutočný clipping stáva bezpečným.

Toto zlyhanie sa ľahko prehliadne. Agresívna rejekcia na plytkom stacku dá fotku, ktorá vyzerá čisto a potichu jej chýbajú slabé detaily. Nevyzerá pokazená, len trochu prázdna, a nič na obrazovke ti nepovie prečo.

Kedy viac snímok prestane pomáhať

Sú tri prípady, keď ti ďalšia hodina neprinesie nič.

Čítací šum. Pri veľmi krátkych subsnímkach určuje šumové dno vyčítanie, nie fotóny z oblohy. Skladanie stále pomáha, ale bojuješ s pevným nákladom, ktorý ďalšie snímky neodstránia. Dlhšie subsnímky áno.

Obloha, na slabom cieli. Pod jasnou oblohou dominuje pozadie a slabé vonkajšie časti cieľa sa nad neho nikdy nemusia dostať. Pomer signálu k šumu sa stále zlepšuje ako √N, ale √N zo sotva zistiteľného je stále sotva zistiteľné. Tmavšia obloha alebo úzkopásmové filtre to zmenia. Viac času nie.

Zarovnanie. Ak registrácia necháva chyby pol pixela, pridávanie snímok pridáva ďalšie mierne zle zaregistrované dáta. Stack je hladší a ani o chlp ostrejší. Skontroluj to, skôr než začneš viniť oblohu.

Použiteľná odpoveď

• Dĺžka subsnímky: najdlhšia, akú tvoja montáž spoľahlivo sleduje. Tá určuje čítací šum a čítací šum dominuje slabým cieľom.
• Počet snímok: rozmýšľaj v násobkoch štyroch. Na viditeľné zlepšenie plánuj štvornásobok.
• Registrácia: na azimutálnej montáži musí zvládať rotáciu.
• Rejekcia: prispôsob ju hĺbke stacku a stálosti noci.
• Poznaj svoj limit: čítací šum, jas oblohy alebo zarovnanie. Pridávanie snímok pomáha len prvým dvom, a aj to len pomaly.

Nič z toho nepotrebuje matematiku nad rámec √N, ale vysvetľuje to, prečo stack, s ktorým nie si spokojný, dopadol tak, ako dopadol. To je zvyčajne užitočnejšie než ďalší posuvník.