Kako slaganje snimaka zapravo radi (i zašto više snimaka nije uvijek bolje)

Pitaj zašto se astrofotografije slažu i obično ćeš čuti „zbog smanjenja šuma”. To je točno i gotovo beskorisno, jer ti ne govori koliko snimaka trebaš, zašto tvoj stack od 200 snimaka izgleda lošije od tuđeg stacka od 60, ni zašto dodatni sat ekspozicije ponekad ne promijeni baš ništa.

Pravi argument je kratak i, kad ti jednom sjedne, većina odluka o slaganju odgovori sama na sebe.

Signal se zbraja. Šum se ne zbraja.

Uperi teleskop u maglicu i snimi ekspoziciju. Svaki piksel primi neki broj fotona s neba. Taj broj nije fiksan – fotoni stižu nasumično, pa količina varira od ekspozicije do ekspozicije otprilike za svoj vlastiti drugi korijen. Skupiš li 100 fotona, razlika među snimkama je oko 10. Skupiš li 10.000, razlika je oko 100.

Sada složi N snimaka. Signal – stvarni broj fotona s objekta – raste linearno: N puta više. Šum je nasumičan, dijelom se poništava i raste samo s drugim korijenom iz N.

Omjer signala i šuma se dakle popravlja za √N.

Taj jedan jedini odnos objašnjava većinu onoga što vidiš:

• 4 snimke su dvostruko bolje od 1.
• 16 snimaka je dvostruko bolje od 4.
• 64 snimke su dvostruko bolje od 16.

Svako udvostručenje kvalitete stoji četiri puta više snimaka. Zato je razlika između 10 i 40 snimaka dramatična, a razlika između 200 i 260 nevidljiva. Ne radiš ništa krivo kad te ovo drugo razočara – dodao si 30 % snimaka za 14 % poboljšanja, a 14 % je ispod granice koju oko pouzdano primjećuje.

Želiš li vidljiv iskorak u odnosu na stack od 200 snimaka, treba ti ih oko 800.

Zbog čega o duljini pojedinačne ekspozicije odlučuje šum očitavanja

Postoji drugi izvor šuma koji se ne ponaša ovako. Svaki put kad se senzor očita, elektronika doda fiksni namet. On ne ovisi o duljini ekspozicije – i snimka od 5 sekundi i snimka od 500 sekundi plate ga točno jednom.

Zadano ukupno vrijeme integracije zato nosi šum očitavanja razmjerno tome na koliko ga snimaka razdijeliš. Devedeset minuta kao 540 subova od deset sekundi plaća taj namet 540 puta. Istih devedeset minuta kao 18 subova od pet minuta plaća ga 18 puta.

To je cijeli argument za dulje pojedinačne ekspozicije i razlog zašto vođena postava odmiče pametnom teleskopu na slabim objektima čak i pri posve jednakom ukupnom vremenu. Nije stvar u tome da vođena postava skupi više svjetla. Senzor očitava trideset puta rjeđe.

Protuteža je da dugi subovi traže dobro vođenje, a razmazana snimka od 300 sekundi ne vrijedi ništa. Prava duljina suba je najdulja koju ti montaža pouzdano daje – a to je mehaničko pitanje, ne pitanje obrade.

Stackovi se zapravo gube na poravnanju

Argument s √N pretpostavlja da svaka snimka doprinosi jednakim signalom istom pikselu. Za to snimke moraju biti u registraciji, a upravo tu većina razočaravajućih stackova doista propadne.

Snimke se pomiču između ekspozicija. Drift montaže, refrakcija nisko nad obzorom, savijanje postave i – na svakoj azimutalnoj montaži, što uključuje svaki pametni teleskop – rotacija polja. Kroz sat vremena snimke s početka i s kraja mogu biti međusobno zarotirane za desetke stupnjeva.

Poravnanje koje zna samo za pomak s tim se ne može nositi. Gore je to kako zakaže: ne porukom o pogrešci, nego stackom u kojem je sve blago razmazano. Izgleda kao loš fokus ili loš seeing i ljudi onda cijelu sezonu jure krivi problem.

Prava registracija polazi od samih zvijezda. Iz najsjajnijih zvijezda u svakoj snimci grade se trokuti i opisuju omjerima stranica – veličinama koje prežive pomak, rotaciju i promjenu mjerila. Podudarni trokuti glasuju o tome koja zvijezda odgovara kojoj, robusna prilagodba izbaci glasove koji se ne slažu, a prolaz profinjenja dovede rezultat do podpikselne točnosti.

Taj posljednji dio je važan. Podpikselna točnost nije luksuz: sustavna pogreška od pola piksela kroz cijeli stack košta te točno onoliko detalja koliko bi izgubio na nešto lošijem seeingu.

Odbacivanje: dio koji uklanja ono što usrednjavanje ne može

Usrednjavanje rješava nasumičan šum. Ne rješava stvari koje nisu nasumične: satelite, zrakoplove, kozmičke zrake, svjetla auta koja prijeđu preko polja.

Usrednji 100 snimaka od kojih jedna ima trag satelita i trag je i dalje tu, na 1 % jačine – slab, ali vidljiv na tamnom nebu, i preživi rastezanje histograma.

Odbacivanje ga uklanja tako da za svaki piksel pogleda kroz cijeli stack i odbaci vrijednosti koje tamo ne spadaju. Metode se razlikuju po tome što znači „ne spada”, a izbor među njima nije proizvoljan:

Sigma clipping uzima srednju vrijednost i standardnu devijaciju u svakom pikselu i odbacuje vrijednosti izvan praga. Radi dobro i s razlogom je zadana opcija – ali pretpostavlja da svaka snimka uzorkuje istu razdiobu.

Winsorizirani sigma clipping ekstremne vrijednosti umjesto uklanjanja povlači prema glavnini razdiobe. Sigurniji je na plitkim stackovima, gdje procjena standardne devijacije iz osam uzoraka pa onda izbacivanje vrijednosti obično odbaci i stvarni signal.

Linear-fit clipping odgovara na drugo pitanje. Poreda vrijednosti svakog piksela kroz stack i kroz njih provuče pravac. Glatko rasipanje – onakvo kakvo nastaje promjenom prozirnosti neba tijekom noći – taj model očekuje i ono ga ne košta ništa, dok je trag satelita i dalje jedna vrijednost daleko od pravca.

Ta je razlika važnija nego što zvuči. Kad naiđe visoka naoblaka ili objekt padne prema svjetlosnoj kupoli grada, snimke se doista razlikuju. To rasipanje su stvarni podaci, ne šum. Sigma clipping vidi snimke na rubovima raspona kao ekstreme i počne ih odbacivati – a one na tamnom kraju obično su najčišće snimke cijele noći. Gubiš svoje najbolje podatke zbog metode koja je pretpostavila da su pogrešni.

Signal koji treba pratiti je koliko ti razina pozadinskog neba luta od snimke do snimke. Ako je stabilna, sigma clipping je ispravan izbor. Ako se miče za više od nekoliko posto, linearna prilagodba će te bolje poslužiti. Akastroid to izmjeri i iznad otprilike 8 % drifta prebaci automatski, a to je odluka za koju ne treba nikakvo znanje astronomije da bi bila točna – i priličan ga komad treba ako je donosiš ručno.

Plitki stackovi traže drugačiji pristup

Iz osam snimaka ne možeš procijeniti razdiobu. Bilo koja metoda odbacivanja radi s premalo uzoraka, a agresivan clipping uklonit će stvarni signal tvrdeći da uklanja ekstreme.

Ispod otprilike osam snimaka obično je pošten izbor obično usrednjavanje ili medijan. Između osam i petnaest, winsoriziranje. Iznad toga pravi clipping postaje siguran.

Način na koji se ovdje griješi podmukao je: agresivno odbacivanje na plitkom stacku daje snimku koja izgleda čisto, a tiho joj nedostaje slab detalj. Ne izgleda pokvareno. Izgleda tek malo prazno i na ekranu nema ničega što bi ti reklo zašto.

Kada više snimaka doista prestane pomagati

Tri slučaja u kojima ti sljedeći sat ne kupuje ništa:

Ograničen si šumom očitavanja. Kod vrlo kratkih subova donju granicu šuma određuje očitavanje, a ne fotoni s neba. Slaganje i dalje pomaže, ali se boriš s fiksnim troškom koji više snimaka ne uklanja. Dulji subovi bi ga uklonili.

Ograničen si nebom na slabom objektu. Pod sjajnim nebom pozadina dominira i slabi vanjski dijelovi objekta možda jednostavno nikad neće izroniti iznad nje. Omjer signala i šuma i dalje se popravlja s √N – ali √N od „jedva zamjetljivog” i dalje je jedva zamjetljivo. Ovo mijenja tamnije nebo ili uskopojasni filtri, a ne dodatno vrijeme.

Granica je tvoje poravnanje. Ako registracija ostavlja pogreške od pola piksela, dodavanje snimaka samo dodaje još malo neporavnatih podataka. Stack postaje glađi, a ne oštriji. Ovo se isplati provjeriti prije nego što okriviš nebo.

Odgovor s kojim se može raditi

• Duljina suba: najdulja koju tvoja montaža pouzdano vodi. Ona određuje šum očitavanja, a šum očitavanja određuje slabe objekte.
• Broj snimaka: razmišljaj u četverostrukostima. Želiš li vidljivo poboljšanje, planiraj učetverostručiti, a ne malo dodati.
• Registracija: mora znati rotaciju. Na azimutalnoj montaži o tome nema pregovora.
• Odbacivanje: uskladi ga s dubinom stacka i mirnoćom noći.
• Poznaj svoju granicu: šum očitavanja, sjaj neba ili poravnanje. Dodavanje snimaka pomaže samo prvim dvjema, i to sporo.

Ništa od ovoga ne traži matematiku dalje od √N. Ali objašnjava zašto je stack kojim nisi zadovoljan takav kakav jest – a to je obično korisnije znati nego imati još jedan klizač.