Tiga alat klasik yang sering dipakai untuk mengurangi noise: MureDenoise, MLT, TGVDenoise

Artikel ini dirangkum dari catatan tahun 2021; sebagian alat atau alurnya sudah diperbarui, jadi mohon diperhatikan saat membaca. Setelah itu muncul alat penurun noise berbasis AI (seperti NoiseXTerminator), sehingga dalam praktiknya alat-alat tradisional berikut kini lebih jarang dipakai sendirian; meski begitu, memahami pembagian tugas dan saat pemakaiannya tetap membantu Anda menguasai konsep dasar penurunan noise.

Di dalam PixInsight, Process atau Script penurun noise yang paling sering saya pakai ada tiga: MureDenoise, MLT, dan TGVDenoise. Masing-masing punya saat pakainya sendiri.

1. MureDenoise

Cocok untuk citra dari kamera monokrom. Waktu pemakaiannya adalah dalam keadaan linear setelah integrasi selesai.

Alat ini memerlukan dua flat dan dua bias (dark) untuk memperkirakan read noise, jadi frame kalibrasi tersebut harus disiapkan lebih dulu sebelum dipakai. Bagi teman-teman yang memakai kamera monokrom, saya menyarankan memasukkannya ke dalam alur penurunan noise yang rutin.

2. MLT

MLT (MultiscaleLinearTransform) adalah alat yang sangat serbaguna; untuk keperluan penurunan noise, saya biasanya memakainya begini:

• pada tahap linear, saya memakainya (layer 1) untuk menghilangkan noise warna;
• pada tahap nonlinear, dipadukan dengan mask (layers 1 & 2) untuk menghilangkan noise yang sangat halus.

Alat yang sama, bila dipadukan dengan pengaturan layer yang berbeda pada tahap yang berbeda, sanggup menghadapi noise pada skala yang berbeda pula.

3. TGVDenoise

Alat penurun noise yang sangat ampuh di dalam PixInsight, dapat dijalankan baik dalam keadaan linear maupun nonlinear.

Saat memakainya biasanya perlu dipadukan dengan mask, agar noise pada latar belakang dan pada objek utama sama-sama tertekan tanpa melukai detail yang seharusnya dipertahankan. Untuk mode penurunan noise-nya, saya biasanya menyarankan memakai mode Lab.

Sebelum penurunan noise berbasis AI meluas, ketiga alat ini nyaris menopang seluruh kebutuhan penurunan noise pada tahap linear. Sekalipun kini pekerjaan itu sebagian besar diserahkan kepada alat AI, memahami posisi masing-masing — khusus monokrom, noise warna multiskala, dan penurunan noise menyeluruh yang dipadukan dengan mask — tetap menjadi dasar untuk menilai “pada tahap mana dan pada skala mana kita harus turun tangan”.