Hogyan működik valójában a stackelés (és miért nem mindig jobb a több felvétel)

Kérdezd meg, miért stackeljük az asztrofotókat, és többnyire azt a választ kapod, hogy „a zaj csökkentése miatt”. Ez igaz, és majdnem használhatatlan, mert nem árulja el, hány felvételre van szükséged, miért néz ki a 200 felvételes stacked rosszabbul, mint valaki másnak a 60 felvételes stackje, és miért nem változtat néha semmit egy újabb óra.

Maga az érvelés rövid, és ha egyszer a fejedben van, a legtöbb stackelési döntés megválaszolja magát.

A jel összeadódik. A zaj nem.

Irányítsd a távcsövedet egy ködre, és készíts egy expozíciót. Minden pixel valamennyi fotont kap az égből. Ez a szám nem állandó – a fotonok véletlenszerűen érkeznek, és a darabszám expozícióról expozícióra nagyjából a saját négyzetgyökével ingadozik. Gyűjts össze 100 fotont, és a felvételek közti ingadozás körülbelül 10. Gyűjts össze 10 000-et, és körülbelül 100.

Most stackelj N felvételt. A jel – az objektumtól érkező valódi fotonszám – lineárisan adódik össze: N-szer annyi lesz. A zaj véletlenszerű, és részben kioltja magát; csak N négyzetgyökeként nő.

A jel és a zaj aránya tehát √N szerint javul.

Ez az egyetlen összefüggés megmagyarázza annak a nagy részét, amit tapasztalsz:

• 4 felvétel kétszer olyan jó, mint 1.
• 16 felvétel kétszer olyan jó, mint 4.
• 64 felvétel kétszer olyan jó, mint 16.

A minőség minden egyes megduplázása négyszer annyi felvételbe kerül. Ezért drámai a különbség 10 és 40 felvétel között, és ezért láthatatlan 200 és 260 között. Nem csinálsz semmit rosszul, amikor a második csalódást okoz: 30%-kal több felvételt adtál hozzá 14% javulásért, a 14% pedig az alatt van, amit a szem megbízhatóan észrevesz.

Ha egy 200 felvételes stackről szeretnél látható lépést előre, nagyjából 800-ra van szükséged.

És ezért a kiolvasási zaj dönti el a részexpozíciók hosszát

Van egy másik zajforrás, amely nem így viselkedik. Ahányszor a szenzort kiolvassák, az elektronika hozzáad egy fix büntetést. Ez nem függ az expozíció hosszától – egy 5 másodperces és egy 500 másodperces felvétel is pontosan egyszer fizeti meg.

Egy adott összesített integrációs idő tehát olyan arányban hordoz kiolvasási zajt, hogy hány felvételre osztottad fel. Kilencven perc 540 darab tízmásodperces részexpozícióként 540-szer fizeti meg a büntetést. Ugyanaz a kilencven perc 18 darab ötperces részexpozícióként 18-szor.

Ez a teljes érv a hosszabb részexpozíciók mellett, és ezért húz el egy vezetett összeállítás egy okostávcsőtől halvány objektumokon még azonos össz-integrációs idő mellett is. Nem arról van szó, hogy a vezetett szett több fényt gyűjtene. Harmincszor ritkábban olvassa ki a szenzort.

Az ellenerő az, hogy a hosszú részexpozíciókhoz jó követés kell, és egy csíkos csillagokkal teli 300 másodperces felvétel semmit nem ér. A helyes expozíciós idő a leghosszabb, amit a mechanikád megbízhatóan hoz – ez pedig mechanikai kérdés, nem feldolgozási.

A stackek valójában az illesztésen buknak el

A √N-es érvelés feltételezi, hogy minden felvétel ugyanazt a jelet adja ugyanahhoz a pixelhez. Ehhez az kell, hogy a felvételek illeszkedjenek egymásra, és a legtöbb kiábrándító stack valójában itt bukik el.

A felvételek elmozdulnak az expozíciók között. A mechanika kúszása, a horizont közeli refrakció, a hajlás, és – minden altazimutális mechanikán, tehát az összes okostávcsövön – a mezőelfordulás. Egy óra alatt az elején és a végén készült felvételek több tíz fokkal is elfordulhatnak egymáshoz képest.

Egy csak eltolást kezelő illesztés ezzel nem boldogul. Ami még rosszabb, az az, ahogyan elhasal: nem hibaüzenettel, hanem egy olyan stackkel, amin minden kicsit elkenődött. Úgy néz ki, mint a rossz fókusz vagy a rossz seeing, és az emberek egy egész szezont töltenek el a rossz probléma kergetésével.

A rendes regisztráció magukból a csillagokból indul ki. Építs háromszögeket az egyes felvételek legfényesebb csillagaiból, és írd le őket az oldalak arányaival – olyan mennyiségekkel, amelyek túlélik az eltolást, az elfordulást és a méretezést. Az egymásnak megfeleltethető háromszögek szavaznak arról, melyik csillag melyiknek felel meg, egy robusztus illesztés kidobja az elütő szavazatokat, egy finomító menet pedig szubpixeles pontosságra húzza az eredményt.

Ez az utolsó rész számít. A szubpixeles pontosság nem luxus: egy végig megmaradó fél pixeles hiba a stackeden pontosan annyi részletet visz el, amennyit egy kicsivel rosszabb seeing vett volna el.

Kizárás: az a rész, ami eltávolítja azt, amit az átlagolás nem tud

Az átlagolás elbánik a véletlenszerű zajjal. Azzal nem bánik el, ami nem véletlenszerű: műholdak, repülők, kozmikus sugarak, egy autó fényszórója, ami végigpásztázza a mezőt.

Átlagolj 100 felvételt, amelyek közül az egyiken műholdnyom van, és a nyom 1%-os erősséggel ott is marad – halványan, de sötét ég előtt látható módon, és túléli a nyújtást.

A kizárás úgy szedi ki, hogy pixelenként végignéz a stacken, és eldobja azokat az értékeket, amelyek nem oda valók. A módszerek abban térnek el, mit jelent a „nem oda való”, és a köztük való választás nem önkényes:

A szigma szerinti levágás pixelenként veszi az átlagot és a szórást, és eldobja a küszöbön túli értékeket. Jól működik, és jó okkal ez az alapértelmezés – de feltételezi, hogy minden felvétel ugyanabból az eloszlásból származik.

A winsorizált szigmalevágás a kiugró értékeket a fő tömeg felé húzza ahelyett, hogy eltávolítaná őket. Biztonságosabb sekély stackeken, ahol nyolc mintából szórást becsülni, majd értékeket eldobálni hajlamos valódi jelet kidobni.

A lineáris illesztésű levágás más kérdésre válaszol. Sorba rendezi az egyes pixelek értékeit a stacken végig, és egyenest illeszt rájuk. Egy egyenletes szórást – amilyet az éjszaka során változó átlátszóság okoz – ez a modell elvár, tehát semmibe nem kerül, miközben egy műholdnyom továbbra is egyetlen, az egyenestől messze eső érték.

Ez a különbség többet jelent, mint amilyennek hangzik. Amikor magas felhőzet érkezik, vagy az objektumod a fényszennyezési kupola felé süllyed, a felvételek tényleg különböznek. A szórás valódi adat, nem zaj. A szigmalevágás a tartomány két szélén lévő felvételeket kiugrónak látja, és elkezdi eldobálni őket – a sötét szélen lévők pedig rendszerint az éjszaka legtisztább felvételei. A legjobb adataidat veszíted el egy olyan módszer miatt, amely hibásnak feltételezte őket.

A jel, amit figyelned kell, az, hogy mennyit kúszik a felvételenkénti égszint. Ha stabil, a szigmalevágás a jó választás. Ha néhány százaléknál többet mozog, jobban jársz egy lineáris illesztéssel. Az Akastroid ezt megméri, és nagyjából 8%-os kúszás fölött automatikusan vált – ez olyan döntés, amihez semmilyen csillagászati tudás nem kell, hogy jól süljön el, kézzel viszont elég sok.

A sekély stackek más bánásmódot kívánnak

Nyolc felvételből nem tudsz eloszlást becsülni. Bármelyik kizárási módszer túl kevés mintából dolgozik, az agresszív levágás pedig valódi jelet szed ki, miközben azt állítja, hogy kiugró értékeket távolít el.

Nagyjából nyolc felvétel alatt sima átlagolás vagy medián a becsületes választás. Nyolc és tizenöt között a winsorizálás. Efölött már biztonságossá válik a valódi levágás.

A hiba itt alattomos: az agresszív kizárás egy sekély stacken olyan képet ad, amely tisztának látszik, és csendben hiányoznak belőle a halvány részletek. Nem tűnik elrontottnak. Kicsit üresnek tűnik, és semmi nincs a képernyőn, ami megmondaná, miért.

Mikor nem segít tényleg a több felvétel

Három eset, amikor a következő óra semmit nem hoz neked:

Kiolvasási zaj korlátoz. Nagyon rövid részexpozícióknál a zajküszöböt a kiolvasás szabja meg, nem az égbolt fotonjai. A stackelés továbbra is segít, de egy fix költséggel harcolsz, amelyet a több felvétel nem tüntet el. A hosszabb részexpozíciók igen.

Az égháttér korlátoz egy halvány objektumon. Világos ég alatt a háttér uralkodik, és az objektumod halvány külső részei egyszerűen sosem emelkednek ki fölüle. A jel-zaj viszony továbbra is √N szerint javul – csakhogy az „éppen hogy kimutatható” √N-szerese is éppen hogy kimutatható marad. Ezen a sötétebb ég vagy a keskenysávú szűrők segítenek; a több idő nem.

Az illesztésed a korlát. Ha a regisztráció fél pixeles hibákat hagy maga után, a további felvételekkel csak több kicsit rosszul illesztett adatot adsz hozzá. A stack simább lesz, élesebb nem. Ezt érdemes ellenőrizni, mielőtt az égre fognád.

Egy használható válasz

• Részexpozíció hossza: a leghosszabb, amit a mechanikád megbízhatóan követ. Ez uralja a kiolvasási zajt, a kiolvasási zaj pedig a halvány objektumokat.
• Felvételszám: négyes szorzókban gondolkodj. Ha látható javulást akarsz, tervezz négyszerezéssel, ne azzal, hogy hozzácsapsz még egy kicsit.
• Regisztráció: kezelnie kell az elfordulást. Altazimutális mechanikán ez nem alku tárgya.
• Kizárás: igazítsd a stacked mélységéhez és az éjszaka nyugalmához.
• Ismerd a korlátodat: kiolvasási zaj, égháttér vagy illesztés. A több felvétel csak az első kettőn segít, azon is csak lassan.

Semmihez sem kell ebből a matematikát a √N-en túl értened. Azt viszont megmagyarázza, hogy az a bizonyos stack, amivel elégedetlen vagy, miért sikerült rosszul – és ezt rendszerint hasznosabb tudni, mint kapni még egy csúszkát.