Deconvolution: ماسک‌ها، PSF و ترمیم ستاره‌ها (نگاهی تاریخی)

این نوشته از یادداشت‌های مربوط به Deconvolution دستی گردآوری شده‌است؛ یادداشت‌هایی که میان سال‌های 2020 تا 2022، پیش از آنکه BlurXTerminator از راه برسد، برداشته شده‌اند. امروز در PixInsight این مرحله بیشتر جای خود را به ابزارهای هوش مصنوعی مانند BXT داده‌است — هم سریع‌تر و هم بهتر، بی‌آنکه لازم باشد انبوهی ماسک را دستی بسازید. با این حال، فهمیدن اصول Deconvolution دستی و مسائلی که با آن‌ها دست‌وپنجه نرم می‌کند هنوز هم بسیار ارزشمند است: به شما نشان می‌دهد BXT پشت پرده چه چیزی را برایتان حل می‌کند، و هنگام بروز مشکل کمک می‌کند بفهمید ایراد کجاست.

Deconvolution چه می‌کند و چرا آن را در مرحلهٔ خطی انجام می‌دهیم

نخست از یک اندازه‌گیری عملی بگویم. در PixInsight یک script به نام FWHMEccentricity وجود دارد که می‌تواند توزیع FWHM (پهنای کامل در نیمهٔ بیشینه) و Eccentricity (خروج از مرکز) را اندازه بگیرد و نمودارش را رسم کند. من ستاره‌ها را پیش و پس از Deconvolution مقایسه کردم: پس از Deconvolution، FWHM ستاره‌های Moffat4 همگی به کمتر از 2 کاهش یافت و Eccentricity هم بهتر شد.

معنای این دو عدد را به‌سادگی توضیح می‌دهم:

• هرچه FWHM کوچک‌تر شود، ستاره‌ها کوچک‌تر به نظر می‌رسند؛
• هرچه Eccentricity کوچک‌تر شود، ستاره‌ها گردتر به نظر می‌رسند.

دقیقاً به همین دلیل است که توصیه می‌شود Deconvolution را در حالت خطی انجام دهید — این پردازش به‌راستی ستاره‌ها را کوچک‌تر و گردتر می‌کند.

چند پیش‌شرط اجرا را هم اضافه می‌کنم: در تصاویر رنگی نخست کانال luminance (L) را استخراج کنید و سپس این کار را انجام دهید؛ تصویر باید حتماً در حالت خطی باشد. اگر از دوربین تک‌رنگ (mono) استفاده می‌کنید، من در مرحلهٔ خطی همیشه Deconvolution را روی کانال luminance انجام می‌دهم و تفاوت پیش و پس از آن کاملاً آشکار است (به‌ویژه وقتی تا 300% بزرگ‌نمایی کنید). تصاویر دوربین رنگی را هم می‌توان به همین شکل پردازش کرد؛ باز هم کافی است کانال luminance را استخراج کنید.

روش سال‌های دور: PSF، Local Support و Object Mask — هیچ‌کدام را نمی‌توان کنار گذاشت

پیش‌تر همیشه فکر می‌کردم Deconvolution در PixInsight کاری دردسرساز و پیچیده است — هم باید PSF ساخت، هم Local Support و هم Object Mask. بعدها فهمیدم که این‌ها در واقع همگی بسیار پایه‌ای‌اند؛ چند بار که انجامشان دهید و دستتان راه بیفتد، کار در عمل خیلی سریع پیش می‌رود.

گلوگاه واقعی نه خود این مرحله‌ها، بلکه ماسک‌ها است. برای پردازش یک تصویر، به‌طور میانگین دست‌کم پنج تا شش ماسک باید ساخته شود. بزرگ‌ترین گلوگاه پردازش در آن سال‌ها در واقع در مغز انسان بود نه در کامپیوتر — کامپیوتر تند می‌دود؛ این انسان است که باید یکی‌یکی داوری کند و یکی‌یکی بکشد.

دو دردسری که در Deconvolution دستی بیش از همه پیش می‌آید

در دورهٔ دستی، آزاردهنده‌ترین مشکلات Deconvolution بیشتر در نواحی سحابی‌های درخشان متمرکز بود:

1. ستاره‌های کم‌نور درون سحابی‌های درخشان، همیشه دور ستاره حلقه‌ای سیاه پدیدار می‌شود؛
2. ستاره‌های درخشان درون سحابی‌های درخشان، مرکزشان آسیب می‌بیند.

این دو مشکل اساساً هر دو از بد ساخته شدن ماسک Deconvolution ناشی می‌شوند. آن زمان تلاش کردم Local Support را تنظیم کنم، اما تفاوت چندانی نداشت؛ پس از تنظیم ماسک هم فقط اندکی بهتر شد و به نظر می‌رسید هرگز نمی‌توان آن را به‌کلی از میان برد. نمونه‌های کلاسیک این نوع سحابی‌های درخشان همان M42 و NGC 3372 هستند.

بهای ماسکی که خوب ساخته نشده: Hard Edge

اهمیت ماسک از مقایسهٔ زیر بیش از هر چیز روشن می‌شود. تصویر سمت چپ اثری است که دو سال پیش آن را پردازش کردم و تصویر سمت راست اثری تازه‌تر است؛ هر دو با سامانه‌ای از نوع CDK با قطر 17 اینچ یا بزرگ‌تر عکاسی شده‌اند.

تصویر سمت چپ دقیقاً همان مشکل رایجی را نشان می‌دهد که وقتی ماسک ستاره‌های بزرگ Deconvolution خوب ساخته نشده باشد پیش می‌آید: روشنایی ستاره‌های بزرگ بیش از اندازه جمع می‌شود و لبه‌ای آشکار (hard edge) پدید می‌آورد. در ضمن، Topaz Denoise AI هم اگر بدون هیچ ماسکی به کار رود همین مشکل را ایجاد می‌کند — به همین دلیل توصیه نمی‌کنم آن را بدون ماسک مستقیم استفاده کنید.

گاهی به‌جای نوشتن انبوهی توضیح، بهتر است همان وقت را صرف درست پرداختن به ستاره‌ها کرد. این جمله دربارهٔ دورهٔ Deconvolution دستی به‌ویژه صادق است — کامیابی یا ناکامی آن تقریباً تمام‌وکمال به کار پرزحمت ماسک‌سازی گره خورده‌است.

سخن پایانی

امروز BXT همهٔ این‌ها را ساده کرده‌است: نه لازم است PSF را دستی بسازید، نه پنج شش ماسک بکشید، و تا حد زیادی از عوارض ماسک بد ساخته‌شده مانند حلقه‌های سیاه و hard edge هم دور می‌مانید. اما هدفی که Deconvolution دنبال می‌کند هرگز عوض نشده‌است — کوچک‌تر و گردتر کردن ستاره‌ها و بازگرداندن جزئیاتی که جو زمین و سامانهٔ نوری محوشان کرده‌اند. وقتی بفهمید دورهٔ دستی با چه چیزی دست‌وپنجه نرم می‌کرد، روشن‌تر خواهید دید BXT دقیقاً چه زحمتی را از دوش شما برداشته‌است.