本站提供正體中文版。切換到正體中文本站提供简体中文版。切换到简体中文This site is available in English.View in Englishこのサイトには日本語版があります。日本語で表示이 사이트는 한국어로도 제공됩니다.한국어로 보기Diese Website ist auch auf Deutsch verfügbar.Auf Deutsch ansehenQuesto sito è disponibile anche in italiano.Visualizza in italianoCe site est également disponible en français.Afficher en françaisEste site também está disponível em português.Ver em portuguêsDeze website is ook beschikbaar in het Nederlands.In het Nederlands bekijkenЭтот сайт также доступен на русском языке.Смотреть на русскомयह वेबसाइट हिन्दी में भी उपलब्ध है।हिन्दी में देखेंهذا الموقع متاح أيضًا باللغة العربية.عرض بالعربيةSitus ini juga tersedia dalam bahasa Indonesia.Lihat dalam bahasa IndonesiaBu site Türkçe olarak da mevcut.Türkçe görüntüleTa strona jest dostępna także po polsku.Wyświetl po polskuTrang web này cũng có phiên bản tiếng Việt.Xem bằng tiếng Việtاین وب‌سایت به فارسی هم در دسترس است.مشاهده به فارسی

NSG (Normalize Scale Gradient): usos y ventajas

Preprocesado y apilado2022.02Notas tempranas

Este artículo está recopilado a partir de notas tomadas en 2022, cuando se publicó NSG 2.0; el desarrollo posterior de la herramienta y las plataformas compatibles han cambiado desde entonces, así que tenlo en cuenta al leer.

NSG (Normalize Scale Gradient) es una herramienta muy práctica dentro del flujo de integración de PixInsight. Este artículo explica brevemente su propósito y sus ventajas, para que quienes aún no lo conocen entiendan el papel que desempeña en el flujo de trabajo general.

Ilustración de la interfaz del script NSG y del efecto de la normalización antes y después

Precio y versiones

NSG 2.0 en sí es gratuito, siempre que simplemente lo uses. Sin embargo, uno de sus módulos, NSGXnml, es de pago si quieres usarlo junto con drizzle integration: el precio es de 27 dólares estadounidenses.

Para qué sirve NSG

  1. Úsalo después del registro de estrellas, pero antes de la integración.
  2. Para cada canal debes elegir la mejor imagen y designarla como imagen de referencia.
  3. Evalúa las imágenes de cada canal, las normaliza tomando como base la imagen de referencia y les asigna pesos, y al mismo tiempo remodela el gradiente de luz de cada imagen para que sea coherente con el de la imagen de referencia.

Algo que vale la pena mencionar aquí es cómo se evalúa la ponderación: la integración tradicional pondera por defecto según el noise, pero fiarse solo del noise lleva con facilidad a errores de juicio; NSG, en cambio, adopta un método de evaluación más fiable.

Las ventajas de usar NSG

  1. Las buenas imágenes obtienen mayor peso: durante la integración se toman más píxeles de las buenas imágenes, mientras que las malas reciben menor peso y contribuyen menos.
  2. Los gradientes de luz se vuelven coherentes: como el gradiente de luz de cada imagen se ha remodelado para que sea igual, luego resulta más fácil eliminar los gradientes de luz no deseados cuando después usas DBE.