疊圖排異演算法的常見迷思

疊圖時該用哪一種排異（rejection）演算法？網路上流傳一套「照張數選排異法」的經驗法則，很多教學也直接照抄。但這套規則其實有不少迷思，這篇文章談談我的看法。

常見的經驗法則

網路上流傳的「rules of thumb」大致如下：

• 如果你的張數少於 15～20 張，使用 median integration，不做 sigma clipping。
• 如果張數多於 15～20 張、少於 40～50 張，使用 average integration，搭配 outlier rejection，kappa 設 2.5、2 次迭代。
• 如果張數多於 40～50 張，使用 average integration，搭配 outlier rejection，kappa 設 3（或更大），只做 1 次迭代。

我的觀點

這套「按張數選排異法」的知識，其實已經有點過時，問題在於：

1. 先確認影像品質才是正解。品質沒把關好，選什麼排異法都是白搭。
2. 每個排異演算法都有自己的優缺點，只靠影像張數來判斷並不準確。
3. 按張數選排異法，那張數很少的要怎麼辦？ 這個框架本身就無法涵蓋所有情境。

幾點補充

• 上面那套規則，我「不建議」照單全收（原始出處為 APP 論壇的相關段落），其中不少參數設定其實是有問題的。
• Reject kappa 有分 high 與 low，沒有特殊需求時，我不會把兩者設成相同數值。
• 我自己沒有使用過中位數（median）疊圖，因為我的影像都已經事先檢查過品質了。

總結來說：與其糾結於「幾張該配哪個排異法」，不如先把影像品質的把關做好，並理解每種排異法背後的特性與適用情境，再依實際資料去調整。