叠加的归一化与权重：NSG 与参考图像
叠加不是把每张图像等量相加就好。每张图像的质量、梯度、背景亮度都不一样，叠之前得先做两件事：把各张图像的梯度校正到同一基准（归一化），以及给每张图像适当的权重。这篇谈 NSG 脚本，以及参考图像（reference image）该怎么挑。
NSG：归一化与权重一起搞定
Normalize Scale Gradient（NSG）是一个用于叠加前的脚本：它给每张图像适当的权重，并以参考图像为基准，校正其他图像的梯度，再进入下一阶段的叠加进程。除了归一化，也可以利用它给出的权重，适当删除评价较低的图像。
我自己的使用感受是：有了 NSG 之后，Subframe Selector 与 Local Normalization 几乎可以收起来了——好像真的没用过几次。当然这是个人的处理习惯，工具怎么搭配还是看各自的流程。
参考图像：两个阶段挑法不同
用 NSG（或任何对齐、归一化流程）时，有个容易忽略但很关键的细节：星点对齐和归一化，这两个阶段挑参考图像的原则是相反的。
- Star Alignment 的参考图像：挑质量“中等”的照片。这样不论质量较佳或较差的图像都能顺利对齐到它。
- Normalization 的参考图像：挑质量“最佳”的照片。因为要以最好的那张为基准去校正其他图像的梯度。
一个要“中庸”、一个要“最好”，别搞混了。
一个排查案例：NSG 之后还是有问题
归一化不是万灵丹，做了 NSG 图像还是可能有毛病。分享一个在国外社团看到的例子：有人做完 NSG 之后又做了 ABE，结果图像看起来还是有问题。
可能的原因有几种：
- 图像右边有较强的光污染，加上云层。
- ABE 的测量点可能放得不对，而 ABE 又无法手动调整测量点——这种情况应该改用 DBE 手动放置测量点。
- 平场可能有问题，需要把校正算法改成除法，必要时甚至得重拍平场。
这个案例的重点是：归一化与背景去除工具（NSG、ABE、DBE）能修的是梯度与背景，但如果问题根源在光污染云层或平场本身，就得回头从源头处理，而不是一味在后段加工具。