Mitos comuns sobre os algoritmos de rejeição de pixels na integração

Qual algoritmo de rejeição (rejection) você deve usar ao integrar? Circula pela internet uma regra prática do tipo “escolher o método de rejeição pelo número de quadros”, e muitos tutoriais a copiam tal e qual. Mas essa regra, na verdade, esconde não poucos mitos, e neste artigo compartilho o meu ponto de vista.

A regra prática comum

As “rules of thumb” que circulam pela internet são mais ou menos assim:

Se você tem menos de 15–20 quadros, use median integration e não faça sigma clipping.
Se você tem mais de 15–20 quadros e menos de 40–50, use average integration com outlier rejection, kappa definido em 2.5 e 2 iterações.
Se você tem mais de 40–50 quadros, use average integration com outlier rejection, kappa definido em 3 (ou mais) e apenas 1 iteração.

Meu ponto de vista

Esse conhecimento de “escolher o método de rejeição pelo número de quadros” já está, na verdade, um pouco defasado, e os problemas são:

Confirmar primeiro a qualidade das imagens é que é a verdadeira resposta. Se a qualidade não estiver sob controle, seja qual for o método de rejeição escolhido, não adianta nada.
Cada algoritmo de rejeição tem suas próprias vantagens e desvantagens, portanto julgar apenas pelo número de quadros não é preciso.
Se você escolhe o método de rejeição pelo número de quadros, o que faz quando há pouquíssimos quadros? O próprio esquema é incapaz de abranger todos os cenários.

Alguns complementos

Essas regras acima, eu “não recomendo” adotar em bloco (a fonte original é uma passagem pertinente do fórum do APP); não poucas de suas configurações de parâmetros são, na verdade, problemáticas.
O Reject kappa se divide em high e low; salvo necessidade especial, eu não defino os dois com o mesmo valor.
Eu mesmo nunca usei a integração por mediana (median), porque minhas imagens já foram todas verificadas quanto à qualidade de antemão.

Em resumo: em vez de se atormentar com “quantos quadros combinam com qual método de rejeição”, é melhor primeiro fazer bem o controle de qualidade das imagens, entender as características e os cenários de aplicação por trás de cada método de rejeição e, então, ajustar de acordo com os seus dados reais.