Dekonvoluce: masky, PSF a oprava hvězd (pohled do historie)
Tento článek shrnuje poznámky k ruční dekonvoluci z let 2020 až 2022, z doby před příchodem nástroje BlurXTerminator. V dnešním programu PixInsight tento krok už většinou nahradily nástroje AI jako BXT – rychlejší a lepší, bez nutnosti ručně stavět hromadu masek. Přesto se vyplatí rozumět principům ruční dekonvoluce a problémům, s nimiž se vypořádává: ukáže vám, co za vás BXT řeší v zákulisí, a pomůže vám najít, kde je problém, když něco nejde podle plánu.
Co dekonvoluce dělá a proč se provádí v lineární fázi
Začnu jedním měřením. PixInsight má skript jménem FWHMEccentricity, kterým lze měřit a vykreslit rozdělení FWHM (plná šířka v polovině maxima) a Eccentricity (excentricita). Porovnal jsem hvězdy před dekonvolucí a po ní: po dekonvoluci se FWHM hvězd Moffat4 vždy zmenšila pod 2 a zlepšila se i Eccentricity.
Stručné vysvětlení, co tato dvě čísla znamenají:
- Čím menší FWHM, tím menší hvězdy vypadají;
- Čím menší Eccentricity, tím kulatější hvězdy vypadají.
Přesně proto se doporučuje provádět dekonvoluci v lineárním stavu – toto zpracování hvězdy věcně zmenší a zaoblí.
Doplním pár předpokladů pro provedení: u barevných snímků nejprve extrahujte kanál jasu a teprve pak pokračujte; snímek musí být v lineárním stavu. Pokud používáte monochromatickou kameru, v lineární fázi vždy dekonvoluji kanál jasu a rozdíl před a po je velmi zřetelný (obzvlášť jasně vynikne při zvětšení na 300 %). Snímky z barevné kamery se dají zpracovat stejně – opět stačí extrahovat kanál jasu.
Dřívější postup: PSF, Local Support, Object Mask – bez jediného z nich se neobejdete
Dřív jsem si vždy myslel, že dekonvoluce v programu PixInsight je otrava a hrozně složitá věc – musíte udělat PSF, k tomu Local Support a k tomu Object Mask. Až později jsem si uvědomil, že tyhle věci jsou vlastně dost základní; když je uděláte párkrát a chytnete grif, jde to ve skutečnosti docela rychle.
Skutečné úzké hrdlo netkví v těchto krocích samotných, ale v maskách. Při zpracování jednoho snímku uděláte v průměru minimálně pět až šest masek. Tehdejším největším úzkým hrdlem byl ve skutečnosti lidský mozek, ne počítač – počítač počítá rychle, je to člověk, kdo musí každou masku jednu po druhé posoudit a namalovat.
Dva nejčastější problémy ruční dekonvoluce
V éře ruční dekonvoluce se nejotravnější problémy soustředily většinou do oblastí jasných mlhovin:
- Slabé hvězdy uvnitř jasných mlhovin vždy skončí s černým kruhem kolem hvězdy;
- Jasné hvězdy uvnitř jasných mlhovin mají poškozený střed.
Oba tyto problémy v zásadě způsobuje špatně vytvořená maska dekonvoluce. Tehdy jsem zkoušel upravit Local Support, ale rozdíl byl malý; po úpravě masky se to zlepšilo jen mírně a zdálo se, že to nejde odstranit úplně. Typickými příklady tohoto typu jasných mlhovin jsou M42 a NGC 3372.
Cena za špatně vytvořenou masku: hard edge
Důležitost masky je nejlépe vidět na následujícím srovnání. Levý snímek je práce zpracovaná před dvěma lety, pravý je novější práce; obě byly pořízeny systémem CDK 17 palců nebo větším.
Levý snímek ukazuje přesně ten běžný problém, když maska velkých hvězd v dekonvoluci není dobře udělaná: jas velkých hvězd se smrští příliš a vznikne výrazná hrana (hard edge). Mimochodem, Topaz Denoise AI způsobuje stejný problém, když se použije bez jakékoli masky – proto ho nedoporučuji používat přímo bez masky.
Někdy je lepší, místo psaní hromady vysvětlení, věnovat ten čas tomu, abyste pořádně dotáhli hvězdy. Tahle věta sedí na éru ruční dekonvoluce obzvlášť přesně – její úspěch nebo neúspěch stojí téměř celý na té dřině s maskami.
Závěrem
Dnes BXT tohle všechno zjednodušil: nemusíte ručně dělat PSF, nemusíte malovat pět šest masek, a do velké míry se vyhnete i následkům špatně vytvořené masky, jako jsou černé kruhy a hard edge. Cíl, kterého chce dekonvoluce dosáhnout, se ale nikdy nezměnil – zmenšit a zaoblit hvězdy a vrátit detaily, které rozmazala atmosféra a optická soustava. Když pochopíte, s čím se ruční éra potýkala, jasněji uvidíte, jakou práci vám BXT vlastně ušetřil.