Rejection bei der Integration: Algorithmuswahl und die Rejection Map lesen

Die „Rejection“ beim Integrieren ist der Vorgang, bei dem im Zuge des Übereinanderstapelns mehrerer Bilder automatisch die Ausreißer verworfen werden, die dort nicht hingehören – Satellitenspuren, weiße Flecken von kosmischer Strahlung, verbliebene Hot Pixels, die aufgeblähten Höfe um zu helle Sterne und so weiter. Den richtigen Rejection-Algorithmus zu wählen und die von ihm erzeugte Rejection Map lesen zu können, ist der Schlüssel zu einer sauberen Integration. Dieser Artikel legt die Logik hinter der Wahl eines Rejection-Algorithmus dar und zeigt genau, wie man jene zwei Rejection Maps liest, die so oft ignoriert werden.

Die Familie der Rejection-Algorithmen

PixInsight bietet beim Integrieren mehrere Rejection-Algorithmen an. Die offizielle Dokumentation listet auf, welcher Algorithmus zu welchem Szenario passt, und ist durchaus lesenswert (beachte, dass dieses Dokument schon vor einiger Zeit veröffentlicht wurde und den später hinzugekommenen GESD-Algorithmus nicht abdeckt).

Grob lassen sie sich in zwei Kategorien einteilen:

• Die Sigma-Familie: Ausreißer-Rejection auf Basis der Standardabweichung – zum Beispiel Sigma Clipping, das verbesserte Winsorized Sigma Clipping und Percentile Clipping. Ihr zugrunde liegendes Prinzip und ihre Mathematik gehören zum selben System.
• GESD Test: Beruht auf Grubbs’s test, seine Theorie und Mathematik unterscheiden sich völlig von den sigma-basierten Methoden. Es ist eine relativ späte Hinzufügung.

GESD vs. Sigma: Wer gewinnt bei wenigen Frames?

Ich habe den Vergleich tatsächlich angestellt. Einmal nahm ich einen Datensatz von nur 12 Frames und ließ GESD Test, Winsorized Sigma Clipping und das traditionelle Sigma Clipping nebeneinander laufen.

Zwölf Frames erfüllen eigentlich nicht die empfohlene Frame-Zahl für GESD oder Winsorized Sigma, doch in diesem konkreten Satz lieferte GESD Test das beste Ergebnis. Eine Einschränkung sei aber als Nachtrag ergänzt: Wenn es sich um Farbdaten und dazu um zu wenige Frames handelt, sind Winsorized Sigma oder Sigma nach wie vor die bessere Wahl. Es gibt also keinen Algorithmus, der „immer der beste“ ist – es kommt auf die Daten an.

GESD gegen schwache Satellitenspuren

GESD hat noch einen praktischen Vorteil. Als ich früher mit der Sigma-Familie integrierte, stieß ich oft auf schwächere Satellitenspuren, die sich einfach nicht entfernen ließen – selbst bei 17 Frames blieb nach der Integration noch ein Teil der Spur übrig, und diese Art schwacher Spur eignet sich nicht für manual selective rejection (das Schwarzübermalen).

Nach dem Wechsel zu GESD Test und einer passenden Anpassung der Parameter – samt Dilatation (Wachsenlassen) der schwachen Satellitenspur – gelang es mir, eine äußerst schwache Spur zu entfernen; und generell ist das Signal-Rausch-Verhältnis von GESD höher als beim traditionellen Sigma Clipping oder Winsorized Sigma Clipping. (Allerdings stößt man mit der Sigma-Familie in den meisten Fällen nicht auf ein solches, nicht entfernbares Problem – dies ist ein ziemlich extremer Einzelfall.)

Eine Spezialwaffe: Range Clipping

Neben der statistischen Ausreißer-Rejection gibt es noch ein „brachiales“, aber praktisches Mittel – Range Clipping.

Wenn du Frames mit schlechter Dark-Kalibrierung hast, die viele schwarze Punkte zeigen (etwa in 10 Frames vorhanden, in 5 nicht), tun sich die regulären Rejection-Algorithmen schwer, diese schwarzen Punkte über das Aufspüren von Ausreißern zu entfernen. In diesem Fall kannst du beim Integrieren Range Low Clipping verwenden, um jeden schwarzen Punkt unterhalb eines bestimmten Schwellenwerts gewaltsam zu entfernen. Es ist ein direktes Mittel gegen einen bestimmten Defekt und ergänzt die statistische Rejection.

Die Rejection Map lesen

Wenn du mit ImageIntegration oder WBPP integrierst, erhältst du neben dem fertigen Bild auch zwei Rejection Maps: eine für die Richtung hoher Helligkeit (rejection high) und eine für die Richtung niedriger Helligkeit (rejection low). Die meisten Leute ignorieren diese beiden einfach – was in Wahrheit sehr nützliche Diagnoseinformationen verschwendet.

In rejection low gibt es meist nicht viel zu sehen; interessant ist rejection high: Hier taucht all die Störung auf, die du lieber „nicht im fertigen Bild“ hättest – Satellitenspuren, die Höfe zu heller oder aufgeblähter Sterne, Spuren erdnaher Objekte, dazu Hot Pixels und weiße Flecken von kosmischer Strahlung (Hot Pixels räume ich meist schon vor der Integration mit Cosmetic Correction weg, deshalb sind es hier nicht viele).

Die praktischste Art, diese Map zu lesen, ist: Wenn ein Pixel, das du verworfen haben wolltest, in rejection high auftaucht, bedeutet das, dass es erfolgreich entfernt wurde; taucht es hier nicht auf, bleibt aber im integrierten Ergebnis zurück (zum Beispiel eine verbliebene Satellitenspur), dann bedeutet das, dass deine Rejection-Parameter nicht stark genug sind oder du den Algorithmus wechseln solltest.

Ein paar häufige Fragen nach dem Motto „Soll ich diesen Frame aussortieren?“

Hat man das obige Prinzip einmal verstanden, haben viele der Dinge, über die Anfänger grübeln, eine klare Antwort.

Ein Bild mit aufgeblähten Sternen – soll ich es aus der Integration nehmen? Sofern es nicht unscharf ist, lasse ich es meist an der Integration teilnehmen.

Sieh dir die Rejection-High-Map an, und du wirst feststellen, dass die überdimensionierten oder zu hellen Teile jener Sterne bereits durch die Rejection entfernt wurden und an der Integrationsrechnung nicht teilgenommen haben; Satellitenspuren und weiße Klumpen von kosmischer Strahlung landen ebenso in rejection high. Diese Art Arbeit überlässt du einfach der Software.

Eine helle Satellitenspur zieht quer durch das Ziel – soll ich diesen Frame manuell löschen? Die Antwort lautet ebenfalls nein.

So geht’s: Wenn du wenige Frames hast, nimm einen Algorithmus mit stärkerer Rejection-Kraft (zum Beispiel die Sigma-Clipping-Familie) und stelle den Parameter Sigma High etwas strenger ein (etwa unter 2,5). In einem Beispiel hatte ich nur 7 Frames, von denen einer eine Satellitenspur quer über das Ziel hatte; jeder Frame war für das Signal-Rausch-Verhältnis wichtig, also ließ ich mit den richtigen Parametern (nicht den Standardwerten der Software) den Integrationsprozess die Rejection automatisch erledigen, und die erfolgreich entfernte Spur taucht in rejection high auf. Verschwende kein einziges hart erkämpftes Pixel.

Die Defect-Column-Ausnahme: Rejection kann sie nicht retten

Zum Schluss noch eine Ausnahme, die die Rejection nicht retten kann – die Defect Column (defekte Spalte) eines CCD.

Die Defect Column ist zu dunkel und läuft über die gesamte Länge; sie zwanghaft per Rejection zu entfernen kostet zu viele gute Pixel und wirkt trotzdem schlecht. Der richtige Weg ist, zuerst eine Defect Map für die Kamera zu erstellen (am Beispiel meines „Latte“-16803-CCD gibt es eine offensichtliche Defect Column in der Bildmitte plus drei unauffälligere), sie mit dem DefectMap-Prozess zu laden und auf die Lights anzuwenden, um den Einfluss der Defect Column stark zu verringern, und dann die Integrations-Rejection den Rest mühelos aufräumen zu lassen. Mit anderen Worten: Die Rejection ist die Putzkolonne am Ende, keine allmächtige erste Verteidigungslinie – Defekte, die nach einem spezialisierten Werkzeug verlangen, brauchen eben doch zuerst das richtige Werkzeug.