Jen dva snímky: jak provést integraci pomocí PixelMath

Při integraci občas narazíte na nepříjemnou situaci: po ruce máte jen dva snímky. Proces ImageIntegration v programu PixInsight má přitom jeden práh – ochotně se spustí až od tří snímků výš. Znamená to tedy, že se dvěma snímky opravdu není možné nic zintegrovat? Ve skutečnosti to možné je: ImageIntegration můžeme obejít a vzít věc do vlastních rukou pomocí procesu PixelMath.

Řečeno na rovinu, „integrace“ je matematicky jen vážený průměr několika zarovnaných snímků, používaný ke zvýšení poměru signálu k šumu. ImageIntegration je tak silný právě proto, že vedle průměrování za vás navíc provádí normalizaci a odmítání pixelů; ale to odmítání se dá dělat až od tří snímků výš (aby šlo posoudit, který pixel je odlehlá hodnota, je potřeba rozhodnutí většiny). Když tedy zbydou jen dva snímky, spokojíme se s druhou nejlepší možností a pomocí procesu PixelMath ručně zvládneme jen to nejpodstatnější – „průměr po zarovnání“.

Nejjednodušší postup: sečíst a zprůměrovat

Spojit dva snímky v podstatě znamená sečíst je a vydělit dvěma. Vzorec, který zadáte v procesu PixelMath, je součet obou snímků vynásobený 0.5 (tedy ÷2).

Tím získáte jeden snímek, který je průměrem obou.

Chcete zadat různé váhy? Rozdělte koeficienty

Pokud nechcete jen prostý průměr, ale chcete, aby měl každý ze dvou snímků jinou váhu, stačí vzorec rozepsat a upravit koeficient před každým snímkem zvlášť.

Například:

0.8*image1 + 0.2*image2

Tím se váha obou snímků změní na 4:1. Jak koeficienty rozdělíte, závisí na vašem posouzení kvality obou snímků – jediné pravidlo je, že součet obou koeficientů se musí rovnat 1.

Připomínka jedné velmi důležité věci: než se do toho pustíte, nezapomeňte oba snímky nejdřív zarovnat. Pokud je sečtete bez zarovnání, hvězdy se zdvojí do přízračných obrazů a veškerá dosavadní práce přijde vniveč. Tento krok nelze vynechat bez ohledu na to, jaký vzorec použijete – PixelMath dělá jen aritmetiku pixel po pixelu a posun mezi oběma snímky za vás neopraví.

Pokročilé: nejdřív Normalization, pak průměr

Výše uvedený postup stačí na rychlou záchranu, ale pokud se oba snímky liší jasem pozadí nebo silou signálu, výsledek prostého sečtení a zprůměrování nebude ideální. Propracovanější postup spočívá v tom, že se na oba snímky nejdřív aplikuje Normalization a teprve pak se zprůměrují, ve dvou krocích:

1. Nejdřív proveďte Normalization – snímek, který chcete integrovat, normalizujte na měřítko referenčního snímku:

($T-median($T))*MAD(ReferenceImage)/MAD($T)+median(ReferenceImage)

2. Poté oba snímky zprůměrujte a integraci dokončete:

($T+ReferenceImage)/2

Ve vzorci je třeba vysvětlit dva symboly:

• ReferenceImage představuje ten lepší ze dvou snímků a slouží jako reference pro normalizaci.
• $T je ten druhý snímek.

Výhoda provedení Normalization předem je v tom, že oba snímky před sečtením postaví na stejný základ, čímž se zabrání tomu, aby rozdíl v pozadí nebo signálu jednoho z nich znečistil konečný výsledek. Dva snímky sice nejsou mnoho, ale pokud je metoda správná, dá se z nich stejně dobře zintegrovat čistý výsledek.