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 Việtاین وب‌سایت به فارسی هم در دسترس است.مشاهده به فارسیЦей сайт також доступний українською.Переглянути українськоюEz az oldal magyarul is elérhető.Megtekintés magyarulAcest site este disponibil și în limba română.Vizualizare în românăเว็บไซต์นี้มีเวอร์ชันภาษาไทยดูเป็นภาษาไทย

Normalizace a vážení při integraci: NSG a referenční snímek

Předzpracování a skládání2021.06

Integrace neznamená jen sečíst všechny snímky ve stejné míře. Kvalita, gradient a jas pozadí se u každého snímku liší, takže před integrací je třeba nejdřív udělat dvě věci: opravit gradient jednotlivých snímků na stejný základ (normalizace) a přidělit každému snímku odpovídající váhu. Tento článek se věnuje skriptu NSG a tomu, jak vybrat referenční snímek (reference image).

NSG: normalizace a vážení vyřešené najednou

Normalize Scale Gradient (NSG) je skript používaný před integrací: přidělí každému snímku odpovídající váhu a s referenčním snímkem jako základem opraví gradienty ostatních snímků, než se přejde k dalšímu kroku, k samotné integraci. Kromě normalizace lze díky vahám, které vypočítá, také přiměřeně odstranit snímky s nižším hodnocením.

Skript Normalize Scale Gradient (NSG)

Můj vlastní dojem z používání je tento: od té doby, co mám NSG, mohu Subframe Selector a Local Normalization prakticky odložit – mám pocit, že jsem je pak použil opravdu jen párkrát. To je samozřejmě osobní zvyk při zpracování a jak nástroje kombinovat, záleží nakonec na vlastním postupu každého.

Referenční snímek: v obou fázích se vybírá jinak

Při použití NSG (nebo jakéhokoli postupu registrace či normalizace) je tu detail, který se snadno přehlédne, ale je velmi důležitý: v obou fázích, při registraci hvězd i při normalizaci, platí pro výběr referenčního snímku opačný princip.

  • Referenční snímek pro Star Alignment: vyberte fotografii „střední“ kvality. Díky tomu se k ní budou moci hladce zaregistrovat jak snímky lepší, tak horší kvality.
  • Referenční snímek pro Normalization: vyberte fotografii „nejlepší“ kvality. Protože právě ten nejlepší snímek má sloužit jako základ pro opravu gradientů ostatních snímků.

Jeden má být „střední“, druhý „nejlepší“ – nepleťte si je.

Případ z praxe: problém přetrvává i po NSG

Normalizace není všelék; i po provedení NSG může mít snímek stále nedostatky. Podělím se o příklad, který jsem viděl v zahraniční komunitě: někdo po dokončení NSG udělal ještě ABE a snímek přesto vypadal problematicky.

Případ, kdy měl snímek po NSG a následném ABE stále problémy

Možných příčin je několik:

  1. Pravá strana snímku má silnější světelné znečištění, k tomu navíc oblačnost.
  2. Vzorkovací body ABE mohly být umístěné špatně, a ABE navíc neumožňuje vzorkovací body ručně upravit – v tomto případě je vhodné přejít na DBE a umístit vzorkovací body ručně.
  3. Flat snímky mohou mít problém, kvůli čemuž je třeba změnit kalibrační algoritmus na dělení, a v případě potřeby dokonce flat snímky znovu vyfotit.

Hlavní ponaučení z tohoto případu je: to, co dokážou opravit nástroje pro normalizaci a odstranění pozadí (NSG, ABE, DBE), jsou gradient a pozadí, ale pokud kořen problému leží ve světelném znečištění, oblačnosti, nebo přímo ve flat snímcích samotných, je třeba vrátit se ke zdroji a řešit jej tam, místo aby se na konci procesu slepě přidávaly další nástroje.