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 ansehenEste sitio web también está disponible en español.Ver en españolQuesto 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 Việt

pixel rejection در اینتگریشن: انتخاب الگوریتم و خواندن Rejection Map

پیش‌پردازش و انباشت2021.01

«pixel rejection» (حذف پیکسل‌های پرت) هنگام اینتگریشن (integration) یعنی اینکه در جریان انباشتن چند تصویر روی هم، آن مقدارهای پرتی که نباید آنجا باشند به‌طور خودکار کنار گذاشته شوند — ردهای ماهواره، لکه‌های سفید ناشی از پرتوهای کیهانی، پیکسل‌های داغ باقی‌مانده، حاشیهٔ ستارگان بیش از حد درخشان و مانند این‌ها. انتخاب الگوریتم درست rejection و درست خواندن Rejection Map حاصل از آن، کلید ساختن یک تصویر تمیز است. این نوشته منطق انتخاب الگوریتم rejection را مرتب می‌کند و نشان می‌دهد آن دو نقشهٔ rejection که اغلب نادیده گرفته می‌شوند دقیقاً چگونه باید خوانده شوند.

خانوادهٔ الگوریتم‌های rejection

PixInsight هنگام اینتگریشن چند الگوریتم rejection در اختیار شما می‌گذارد؛ مستندات رسمی فهرست کرده‌اند که هر الگوریتم برای چه موقعیتی مناسب است و خواندنشان بسیار ارزش دارد (توجه کنید که از انتشار این سند مدتی می‌گذرد و الگوریتم GESD را که بعدها افزوده شد پوشش نمی‌دهد).

الگوریتم‌های rejection فهرست‌شده در مستندات رسمی PixInsight Image Integration

به‌طور کلی می‌توان آن‌ها را به دو دسته تقسیم کرد:

  • خانوادهٔ Sigma: حذف مقدارهای پرت بر پایهٔ انحراف معیار، برای نمونه Sigma Clipping، نسخهٔ بهبودیافتهٔ Winsorized Sigma Clipping و همچنین Percentile Clipping. اصول و ریاضیات آن‌ها به یک دستگاه واحد تعلق دارد.
  • GESD Test: بر پایهٔ Grubbs’s test بنا شده‌است و نظریه و ریاضیاتش کاملاً با روش‌های sigma-based تفاوت دارد؛ الگوریتمی است که نسبتاً دیرتر افزوده شد.

GESD در برابر Sigma: وقتی تعداد فریم‌ها کم است کدام برنده می‌شود؟

من واقعاً این مقایسه را انجام داده‌ام. یک بار مجموعه‌داده‌ای با تنها 12 فریم برداشتم و هم‌زمان GESD Test و Winsorized Sigma Clipping و Sigma Clipping سنتی را روی آن اجرا کردم.

مقایسهٔ سه‌گانهٔ GESD و Winsorized Sigma و Sigma Clipping (دادهٔ 12 فریمی)

12 فریم در واقع تعداد فریم توصیه‌شده برای GESD یا Winsorized Sigma را برآورده نمی‌کند، اما در همین مجموعه نتیجهٔ GESD Test برعکس از همه بهتر بود. با این حال باید یک پی‌نوشت را هم اضافه کنم: اگر داده رنگی باشد و تعداد فریم‌ها هم کافی نباشد، باز هم Winsorized Sigma یا Sigma مناسب‌تر است. پس هیچ الگوریتمی «همیشه بهترین» نیست؛ همه‌چیز به داده بستگی دارد.

GESD در مصاف با ردهای کم‌نور ماهواره

GESD یک برتری عملی دیگر هم دارد. در گذشته که با خانوادهٔ sigma اینتگریشن می‌کردم، اغلب به ردهای نسبتاً کم‌نور ماهواره برمی‌خوردم که به هیچ روی حذف نمی‌شدند؛ حتی با 17 فریم هم پس از اینتگریشن بخشی از رد باقی می‌ماند، و از آن گذشته این نوع رد کم‌نور برای حذف با manual selective rejection (سیاه‌کردن دستی) مناسب نیست.

حذف موفق رد کم‌نور ماهواره پس از تنظیم پارامترهای GESD و گستراندن آن

پس از تغییر به GESD Test و تنظیم مناسب پارامترها و گستراندن (رشددادن) رد کم‌نور ماهواره، توانستم ردی بسیار کم‌نور را با موفقیت حذف کنم؛ و به‌طور کلی نسبت سیگنال به نویز در GESD از Sigma Clipping سنتی یا Winsorized Sigma Clipping بالاتر است. (البته در بیشتر موارد با خانوادهٔ sigma به چنین مشکلی که رد حذف نشود برنمی‌خورید؛ این یک مورد نسبتاً استثنایی است.)

سلاح ویژه: Range Clipping

جز حذف آماری مقدارهای پرت، یک ابزار «زورکی» اما کارآمد دیگر هم هست — Range Clipping.

استفاده از Low Range clipping برای حذف اجباری نقطه‌های سیاه ناشی از کالیبراسیون بد با فریم dark

اگر فریم‌هایی در اختیار دارید که کالیبراسیون dark آن‌ها خوب نبوده و نقطه‌های سیاه فراوانی نشان می‌دهند (مثلاً در 10 فریم هست و در 5 فریم نیست)، الگوریتم‌های rejection متعارف به‌سختی می‌توانند این نقطه‌های سیاه را با برگزیدن مقدارهای پرت پاک کنند. در چنین حالتی می‌توانید هنگام اینتگریشن از Range Low Clipping استفاده کنید تا همهٔ نقطه‌های سیاه زیر یک آستانهٔ مشخص به‌اجبار حذف شوند. این ابزاری مستقیم است که یک عیب معیّن را هدف می‌گیرد و مکمل rejection آماری است.

اثر Low Range clipping در حذف نقطه‌های سیاه

خواندن Rejection Map

وقتی با ImageIntegration یا WBPP اینتگریشن را تمام می‌کنید، جز تصویر نهایی دو نقشهٔ rejection هم تولید می‌شود: یکی برای جهت روشنایی بالا (rejection high) و دیگری برای جهت روشنایی پایین (rejection low). بیشتر مردم این دو را یکسره نادیده می‌گیرند — و این در واقع هدردادن اطلاعات تشخیصی بسیار سودمندی است.

ردهای ماهواره، حاشیهٔ ستارگان متورم و ردهای اجرام نزدیک به زمین که در نقشهٔ Rejection High پدیدار شده‌اند

معمولاً در rejection low چیز چندانی برای دیدن نیست و نکتهٔ اصلی rejection high است: اینجاست که انواع مزاحمت‌هایی که دوست دارید «در تصویر نهایی پیدایشان نشود» ظاهر می‌شوند — ردهای ماهواره، حاشیهٔ ستارگان بیش از حد درخشان یا متورم، ردهای اجرام نزدیک به زمین، و نیز پیکسل‌های داغ و لکه‌های سفید ناشی از پرتوهای کیهانی (پیکسل‌های داغ را معمولاً پیش از اینتگریشن با Cosmetic Correction پاک می‌کنم، بنابراین تعدادشان اینجا زیاد نیست).

کاربردی‌ترین شیوهٔ خواندن این نقشه چنین است: اگر پیکسلی که می‌خواستید حذف شود در rejection high پیدا شود، یعنی با موفقیت کنار گذاشته شده‌است؛ اما اگر اینجا نباشد و با این حال در تصویر اینتگریشن‌شدهٔ نهایی باقی مانده باشد (برای نمونه رد ماهوارهٔ باقی‌مانده)، یعنی پارامترهای rejection کافی نیست یا باید الگوریتم را عوض کنید.

چند پرسش رایج از نوع «این فریم را کنار بگذارم؟»

پس از درک اصول بالا، بسیاری از دودلی‌های تازه‌کارها پاسخ روشن پیدا می‌کند.

تصویری که ستارگانش متورم است، آیا باید کنار گذاشته شود و در اینتگریشن شرکت نکند؟ مگر آنکه خارج از فوکوس باشد، وگرنه معمولاً می‌گذارم در اینتگریشن شرکت کند.

نمایش حاشیهٔ ستارگان متورم/بیش از حد درخشان و ردهای ماهواره که در Rejection High کنار گذاشته شده‌اند

با بررسی rejection high می‌بینید که آن بخش‌های بیش از حد گسترده یا بیش از حد درخشان ستارگان پیشاپیش با rejection حذف شده‌اند و در محاسبات اینتگریشن شرکت نکرده‌اند؛ ردهای ماهواره‌های مصنوعی و توده‌های سفید ناشی از پرتوهای کیهانی نیز به همان شکل در rejection high می‌افتند. این‌گونه کارها را همان بهتر که به نرم‌افزار بسپارید.

رد ماهواره‌ای درخشان هدف را قطع کرده‌است؛ آیا باید آن فریم را دستی حذف کرد؟ پاسخ باز هم این است که لازم نیست.

در 7 فریم، یکی از آن‌ها رد ماهواره‌ای دارد که هدف را قطع کرده و با پارامتر سختگیرانهٔ Sigma High به‌طور خودکار حذف شده‌است

روش کار: اگر تعداد فریم‌ها کم است، از الگوریتمی با توان rejection بالاتر (برای نمونه خانوادهٔ Sigma Clipping) استفاده کنید و پارامتر Sigma High را کمی سختگیرانه‌تر تنظیم کنید (برای نمونه کمتر از 2.5). در یک نمونه تنها 7 فریم در کار بود که در یکی از آن‌ها رد ماهواره هدف را قطع کرده بود، و هر فریم برای نسبت سیگنال به نویز اهمیت داشت؛ بنابراین با تنظیم پارامترهای مناسب (نه مقادیر پیش‌فرض نرم‌افزار) گذاشتم فرایند اینتگریشن خودش rejection را کامل کند، و ردی که با موفقیت حذف شد در rejection high پدیدار شد. هیچ پیکسلی را که به‌سختی به دست آمده هدر ندهید.

استثنای ستون معیوب: rejection نجاتش نمی‌دهد

در پایان یک استثنا را هم اضافه می‌کنم که rejection از پس آن برنمی‌آید — ستون معیوب (defect column) حسگر CCD.

حذف ستون معیوب CCD با Defect Map و سپردن باقی‌مانده به rejection

ستون معیوب هم بسیار تاریک است و هم سرتاسر ستون را در بر می‌گیرد؛ اگر بخواهید به زور با rejection حذفش کنید، پیکسل‌های سالم زیادی را قربانی می‌کنید و نتیجه هم چندان خوب نیست. راه درست این است که نخست برای دوربین یک Defect Map بسازید (برای نمونه در CCD 16803 «Latte»، یک ستون معیوب آشکار درست وسط کادر هست و سه ستون معیوب کم‌پیدا هم به آن افزوده می‌شود)، سپس آن را با process DefectMap بارگذاری کنید و روی فریم‌های light اعمال کنید تا اثر ستون معیوب به‌شدت کاهش یابد، و باقی کار را به rejection هنگام اینتگریشن بسپارید تا به‌راحتی پاکش کند. به بیان دیگر، rejection همان رفتگری است که در پایان کار می‌رسد، نه خط دفاعی نخست و همه‌کاره — عیب‌هایی که باید با ابزار اختصاصی درمان شوند، باز هم نخست به ابزار درست نیاز دارند.