Rejection integráláskor: algoritmusválasztás és a Rejection Map olvasása

Az integrálás során a „rejection” azt jelenti, hogy több felvétel egymásra illesztése közben automatikusan kiszűrjük azokat a kiugró értékeket, amelyeknek nem szabadna ott lenniük – műholdnyomok, kozmikus sugárzás okozta fehér foltok, megmaradt hot pixelek, a túl fényes csillagok felfújt udvara és hasonlók. A megfelelő rejection algoritmus kiválasztása, és annak megértése, hogyan kell olvasni az általa létrehozott Rejection Map térképet, a tiszta integráció kulcsa. Ez a cikk összefoglalja a rejection algoritmus kiválasztásának logikáját, valamint azt, hogyan kell pontosan olvasni azt a két, gyakran figyelmen kívül hagyott rejection térképet.

A rejection algoritmusok családja

A PixInsightban integráláskor több rejection algoritmus is rendelkezésre áll, és a hivatalos dokumentáció felsorolja, melyik algoritmus milyen helyzethez illik – érdemes elolvasni (bár figyelembe kell venni, hogy ez a dokumentum már jó ideje megjelent, és nem tér ki a később hozzáadott GESD algoritmusra).

Nagyjából két kategóriába sorolhatók:

• Sigma-család: a szórásra épülő kiugróérték-szűrés, például a Sigma Clipping, a továbbfejlesztett Winsorized Sigma Clipping, valamint a Percentile Clipping. Az alapelvük és a mögöttük álló matematika ugyanahhoz a rendszerhez tartozik.
• GESD Test: a Grubbs’s test eljáráson alapul, elmélete és matematikája teljesen eltér a sigma-alapú módszerekétől; viszonylag később hozzáadott algoritmus.

GESD vs. Sigma: ki nyer kevés felvétellel?

Ténylegesen összehasonlítottam őket. Egyszer egy mindössze 12 felvételből álló adatsoron egyszerre futtattam le a GESD Test, a Winsorized Sigma Clipping és a hagyományos Sigma Clipping algoritmusokat.

A 12 felvétel valójában nem éri el a GESD és a Winsorized Sigma ajánlott mennyiségét, ebben a konkrét sorozatban mégis a GESD Test hozta a legjobb eredményt. Egy utólagos megjegyzést azonban hozzá kell tennem: színes felvételeknél, ha ráadásul kevés is a kép, továbbra is a Winsorized Sigma vagy a Sigma a jobb választás. Vagyis nincs olyan algoritmus, amely „mindig a legjobb” lenne – minden az adatoktól függ.

A GESD a halvány műholdnyomok ellen

A GESD-nek van még egy gyakorlati előnye. Régebben, amikor a Sigma-családdal integráltam, gyakran előfordult, hogy a halványabb műholdnyomokat sehogy sem sikerült kiszűrni – még 17 felvétel esetén is megmaradt a nyom egy része az integrálás után, és az ilyen halvány nyom nem alkalmas manual selective rejectionnel (kézi lefeketítéssel) történő eltávolításra.

A GESD Test algoritmusra váltva, a paraméterek megfelelő beállítása mellett, a halvány műholdnyom kiterjesztése (dilatálása) után sikerült egy rendkívül halvány nyomot is eltávolítanom; és általánosságban a GESD jel-zaj viszonya (SNR) magasabb, mint a hagyományos Sigma Clipping vagy a Winsorized Sigma Clipping esetében. (A legtöbb esetben azonban a Sigma-családdal nem találkozunk ilyen, sehogy sem kiszűrhető problémával – ez egy meglehetősen szélsőséges eset.)

Különleges fegyver: Range Clipping

A statisztikai alapú kiugróérték-szűrés mellett létezik egy „nyers erőn” alapuló, mégis hasznos eszköz is – a Range Clipping.

Ha olyan felvételeink vannak, amelyeken a rossz dark kalibráció miatt sok fekete pont jelenik meg (mondjuk 10 képen ott van, 5-ön nincs), a szokásos rejection algoritmusoknak nehéz dolguk van azzal, hogy kiugróérték-válogatással szűrjék ki ezeket a fekete pontokat. Ilyenkor integráláskor bevethető a Range Low Clipping, amely erőszakkal eltávolít minden fekete pontot egy adott küszöb alatt. Ez egy konkrét hibára célzó, közvetlen eszköz, amely kiegészíti a statisztikai alapú rejectiont.

A Rejection Map olvasása

Amikor az ImageIntegration folyamattal vagy a WBPP-vel befejezzük az integrálást, a kész kép mellett két rejection térkép is keletkezik: az egyik a magas fényesség irányára (rejection high), a másik az alacsony fényesség irányára (rejection low) vonatkozik. A legtöbben egyszerűen figyelmen kívül hagyják ezt a két térképet – pedig ezzel valójában nagyon hasznos diagnosztikai információt pazarolnak el.

A rejection low-ban általában nincs sok néznivaló, a lényeg a rejection high: itt jelenik meg minden olyan zavaró elem, amit nem szeretnénk „viszontlátni a kész képen” – műholdnyomok, a túl fényes vagy felfújt csillagok udvara, földközeli objektumok nyomai, valamint hot pixelek és a kozmikus sugárzás okozta fehér foltok (a hot pixeleket általában már az integrálás előtt eltüntetem a Cosmetic Correction folyamattal, így itt nincs belőlük sok).

Ennek a térképnek a leghasznosabb olvasási módja: ha egy olyan pixel, amelyet ki akartunk zárni, megjelenik a rejection high-on, az azt jelenti, hogy sikeresen eltávolítottuk; ha viszont nem jelenik meg itt, mégis ott marad a kész, integrált képen (például egy megmaradt műholdnyom), az azt jelenti, hogy a rejection paraméterek nem elég erősek, vagy algoritmust kell váltani.

Néhány gyakori kérdés: „kihagyjam-e ezt a felvételt?”

Ha megértjük a fenti elvet, sok kezdőt gyötrő kérdésre egyértelmű válasz adódik.

A felfújt csillagú felvételt ki kell-e hagyni az integrálásból? Hacsak nem rossz fókuszról van szó, általában hagyom részt venni az integrálásban.

Ha megnézzük a rejection high-t, látszik, hogy a csillagok túlméretezett vagy túl fényes részei már kikerültek a rejection során, és nem vettek részt az integrálás számításában; a műholdnyomok és a kozmikus sugárzás okozta fehér foltok szintén a rejection high-ba esnek. Ezt a fajta munkát nyugodtan bízzuk a szoftverre.

Ha egy fényes műholdnyom keresztülhalad a célobjektumon, kézzel törölni kell-e azt a felvételt? A válasz itt is: nem.

A megoldás: ha kevés a felvétel, válasszunk erősebb rejection képességű algoritmust (például a Sigma Clipping családot), és állítsuk a Sigma High paramétert egy kicsit szigorúbbra (mondjuk 2,5 alá). Volt egy eset, amikor mindössze 7 felvétel állt rendelkezésre, és az egyiken egy műholdnyom keresztülvágott a célobjektumon; minden egyes felvétel számított a jel-zaj viszony szempontjából, ezért a megfelelő paraméterek beállításával (nem a szoftver alapértelmezett értékeivel) hagytuk, hogy az integrálás folyamata automatikusan elvégezze a rejectiont, és a sikeresen kiszűrt nyom megjelent a rejection high-on. Egyetlen keservesen megszerzett pixelt se pazaroljunk el.

Kivétel a hibás oszlop: a rejection nem menti meg

Végül még egy kivétel, amit a rejection nem tud megmenteni – a CCD hibás oszlopa (defect column).

A hibás oszlop túl sötét, és emellett végigfut a teljes képen; ha erőnek erejével a rejectionnel próbáljuk eltávolítani, túl sok jó pixelt kell feláldozni, az eredmény mégsem lesz jó. A helyes megoldás az, hogy először készítsünk egy Defect Map fájlt a kamerához (a „Latte” 16803-as CCD-jét véve példának: egy jól látható hibás oszlop fut a kép közepén, plusz három kevésbé feltűnő hibás oszlop). Ezt a DefectMap folyamattal betöltve és a light képekre alkalmazva jelentősen csökkenthető a hibás oszlop hatása, a maradékot pedig már könnyedén elintézi az integrálás rejectionje. Vagyis a rejection a végén dolgozó takarító, nem pedig egy mindenható első védelmi vonal – az olyan hibákat, amelyekhez célszerszám kell, előbb bizony a megfelelő eszközzel kell kezelni.