Kako sestavljanje posnetkov v resnici deluje (in zakaj več posnetkov ni vedno bolje)

Če vprašaš, zakaj v astrofotografiji sestavljamo posnetke, boš običajno slišal: „da zmanjšamo šum.” To drži, a ne pomaga veliko. Ne pove ti, koliko posnetkov potrebuješ, zakaj tvoj stack 200 posnetkov izgleda slabše od stacka 60 posnetkov nekoga drugega ali zakaj dodatna ura včasih ne spremeni ničesar.

Pravi argument je kratek, in ko ga razumeš, iz njega sledi večina odločitev pri sestavljanju.

Signal se sešteva. Šum se ne.

Usmeri teleskop v meglico in naredi osvetlitev. Vsak piksel prejme neko število fotonov. To število ni stalno: prihod fotonov je naključen in se od osvetlitve do osvetlitve spreminja približno za svoj kvadratni koren. Če zbereš 100 fotonov, je razlika med posnetki okoli 10. Če jih zbereš 10.000, je okoli 100.

Zdaj sestavi N posnetkov. Signal, torej pravo število fotonov z objekta, se sešteva linearno: N-krat več. Šum je naključen in se delno izniči, zato raste le s kvadratnim korenom N.

Razmerje med signalom in šumom se torej izboljša za √N.

Ta ena zveza pojasni večino tega, kar vidiš:

• 4 posnetki so dvakrat boljši od 1.
• 16 posnetkov je dvakrat boljših od 4.
• 64 posnetkov je dvakrat boljših od 16.

Vsaka podvojitev kakovosti stane štirikrat več posnetkov. Zato je razlika med 10 in 40 posnetki dramatična, razlika med 200 in 260 pa nevidna. Če te druga razočara, nisi naredil nič narobe. Dodal si 30 % več posnetkov za 14 % izboljšave, 14 % pa je pod tem, kar oko zanesljivo opazi.

Za viden korak naprej od stacka 200 posnetkov jih potrebuješ okoli 800.

Zato bralni šum določa dolžino tvojih osvetlitev

Drug vir šuma se ne obnaša tako. Vsakič, ko se senzor odčita, elektronika doda fiksno kazen. Ta ni odvisna od dolžine osvetlitve; 5-sekundni in 500-sekundni posnetek jo plačata enkrat.

Dani skupni čas integracije torej nosi bralni šum sorazmerno s tem, na koliko posnetkov ga razdeliš. Devetdeset minut kot 540 desetsekundnih posnetkov plača kazen 540-krat. Istih devetdeset minut kot 18 petminutnih posnetkov jo plača 18-krat.

To je celoten argument za daljše posamezne osvetlitve. Je tudi razlog, zakaj se vodena postavitev na šibkih tarčah odlepi od pametnega teleskopa pri enakem skupnem času. Vodena oprema ne zbere več svetlobe. Senzor odčita tridesetkrat redkeje.

Nasprotni pritisk je, da dolge osvetlitve zahtevajo dobro sledenje, in 300-sekundni posnetek z razpotegnjenimi zvezdami ni vreden nič. Prava dolžina osvetlitve je najdaljša, ki jo tvoja montaža zanesljivo zmore, kar je mehansko vprašanje, ne procesno.

Poravnava je tisto, kjer se stacki v resnici izgubijo

Argument √N predpostavlja, da vsak posnetek prispeva isti signal v isti piksel. To zahteva, da so posnetki poravnani, in prav tu večina razočarajočih stackov odpove.

Posnetki se med osvetlitvami premikajo: lezenje montaže, refrakcija blizu obzorja, upogib in na vsaki azimutalni montaži (kar vključuje vse pametne teleskope) rotacija polja. V eni uri sta lahko posnetka z začetka in konca med seboj zasukana za več deset stopinj.

Poravnava, ki obvlada le premik, tega ne bo zmogla, in odpove tiho. Ni sporočila o napaki, le stack, kjer je vse rahlo razmazano. Izgleda kot slaba ostrina ali slab seeing, in ljudje celo sezono lovijo napačen problem.

Prava registracija dela s samimi zvezdami. Iz najsvetlejših zvezd na vsakem posnetku sestavi trikotnike in jih opiše z razmerji stranic, ki preživijo premik, rotacijo in spremembo merila. Ujemajoči se trikotniki glasujejo, katera zvezda ustreza kateri, fit, odporen na osamelce, zavrže glasove, ki se ne ujemajo, in izpopolnjevalni prehod pripelje rezultat do podpikselske natančnosti.

Ta zadnji korak je pomemben. Dosledna napaka pol piksla po celem stacku te stane enako podrobnosti, kot bi jo izgubil zaradi rahlo slabšega seeinga.

Zavračanje: del, ki odstrani to, česar povprečenje ne more

Povprečenje obvlada naključni šum. Ne obvlada pa stvari, ki niso naključne: satelitov, letal, kozmičnih žarkov, avtomobilskih žarometov, ki preletijo polje.

Povpreči 100 posnetkov, kjer ima eden satelitsko sled, in sled je še vedno tam z 1 % moči. To je šibko, a vidno na temnem nebu, in preživi raztegovanje.

Zavračanje jo odstrani tako, da pri vsakem pikslu pogleda čez cel stack in zavrže vrednosti, ki ne sodijo zraven. Metode se razlikujejo v tem, kaj „ne sodijo zraven” pomeni, in izbira med njimi ni poljubna.

Sigma clipping pri vsakem pikslu vzame povprečje in standardni odklon ter izloči vrednosti onkraj praga. Deluje dobro in je z razlogom privzeta metoda, vendar predpostavlja, da vsak posnetek vzorči isto porazdelitev.

Winsorizirani sigma clipping osamelce potegne proti večini, namesto da bi jih odstranil. Varnejši je pri plitvih stackih, kjer ocenjevanje standardnega odklona iz osmih vzorcev in nato zavračanje vrednosti rado zavrže pravi signal.

Linear-fit clipping postavi drugačno vprašanje. Vrednosti vsakega piksla čez stack uredi in skoznje prilagodi premico. Gladek razpon, takšen, kot ga povzroči prosojnost, ki se čez noč spreminja, ta model pričakuje in nič ne stane, satelitska sled pa je še vedno ena vrednost daleč od premice.

Ta razlika je pomembnejša, kot se sliši. Ko se privlečejo visoki oblaki ali se tarča spusti proti svetlobni kupoli, se posnetki zares razlikujejo. Razpon so pravi podatki, ne šum. Sigma clipping vidi posnetke na obeh koncih razpona kot osamelce in jih začne zavračati, tisti na temnem koncu pa so običajno najčistejši posnetki noči. Najboljše podatke izgubiš zaradi metode, ki je predpostavila, da so napačni.

Spremljaj, koliko tvoja raven neba lebdi od posnetka do posnetka. Če je stabilna, je sigma clipping pravi. Če se premakne za več kot nekaj odstotkov, bo linearni fit boljši. Akastroid to lezenje izmeri in nad približno 8 % samodejno preklopi.

Plitvi stacki potrebujejo drugačno obravnavo

Z osmimi posnetki porazdelitve ne moreš oceniti. Vsaka metoda zavračanja dela s premalo vzorci, in agresivno rezanje bo odstranilo pravi signal, medtem ko bo trdilo, da odstranjuje osamelce.

Pod približno osmimi posnetki je navadno povprečje ali mediana običajno varnejša izbira. Med osmimi in petnajstimi winsoriziranje. Nad tem postane pravo rezanje varno.

To napako je lahko spregledati. Agresivno zavračanje na plitvem stacku ustvari sliko, ki izgleda čisto in ji tiho manjkajo šibke podrobnosti. Ne izgleda pokvarjeno, le rahlo prazno, in na zaslonu ni ničesar, kar bi ti povedalo, zakaj.

Kdaj več posnetkov neha pomagati

Obstajajo trije primeri, ko ti naslednja ura ne prinese ničesar.

Bralni šum. Pri zelo kratkih osvetlitvah raven šuma določa odčitavanje, ne fotoni z neba. Sestavljanje še vedno pomaga, vendar se boriš proti fiksnemu strošku, ki ga več posnetkov ne odstrani. Daljše osvetlitve bi ga.

Nebo, pri šibki tarči. Pod svetlim nebom prevladuje ozadje in šibka zunanja območja tvoje tarče se morda nikoli ne dvignejo nad njega. Razmerje med signalom in šumom se še vedno izboljšuje kot √N, toda √N od komaj zaznavnega je še vedno komaj zaznavno. Temnejše nebo ali ozkopasovni filtri to spremenijo. Več časa ne.

Poravnava. Če registracija pušča napake pol piksla, dodajanje posnetkov dodaja več rahlo zamaknjenih podatkov. Stack postane bolj gladek in nič ostrejši. To preveri, preden okriviš nebo.

Delovni odgovor

• Dolžina osvetlitve: najdaljša, ki jo tvoja montaža zanesljivo sledi. To določa bralni šum, bralni šum pa prevladuje pri šibkih tarčah.
• Število posnetkov: razmišljaj v faktorjih štiri. Za vidno izboljšavo načrtuj početveritev.
• Registracija: na vsaki azimutalni montaži mora obvladati rotacijo.
• Zavračanje: prilagodi ga globini stacka in stabilnosti noči.
• Poznaj svojo mejo: bralni šum, svetlost neba ali poravnava. Dodajanje posnetkov pomaga le pri prvih dveh, in še to počasi.

Nič od tega ne zahteva matematike onkraj √N, pojasni pa, zakaj je stack, s katerim nisi zadovoljen, tak, kot je, in to je običajno bolj koristno kot še en drsnik.