Ako skladanie naozaj funguje (a prečo viac snímok nie je vždy lepšie)

Opýtaj sa, prečo astrofotografie skladáme, a zvyčajne sa dozvieš „aby sa znížil šum“. To je pravda a takmer nanič, lebo ti to nepovie, koľko snímok potrebuješ, prečo tvoj stack z 200 snímok vyzerá horšie než cudzí stack zo 60, ani prečo ďalšia hodina niekedy nezmení vôbec nič.

Skutočný argument je krátky, a keď ho raz máš, väčšina rozhodnutí o skladaní sa zodpovie sama.

Signál sa sčítava. Šum nie.

Namier ďalekohľad na hmlovinu a urob expozíciu. Každý pixel dostane z oblohy nejaký počet fotónov. To číslo nie je pevné – príchod fotónov je náhodný a počet kolíše od expozície k expozícii zhruba o svoju druhú odmocninu. Nazbieraj 100 fotónov a rozptyl medzi snímkami je asi 10. Nazbieraj 10 000 a je asi 100.

Teraz zlož N snímok. Signál – skutočný počet fotónov z objektu – sa sčítava lineárne: N-násobok. Šum je náhodný, čiastočne sa vyruší a rastie len ako druhá odmocnina z N.

Pomer signálu k šumu sa teda zlepší o √N.

Tento jediný vzťah vysvetľuje väčšinu toho, čo pozoruješ:

• 4 snímky sú dvakrát lepšie než 1.
• 16 snímok je dvakrát lepších než 4.
• 64 snímok je dvakrát lepších než 16.

Každé zdvojnásobenie kvality stojí štvornásobok snímok. Preto je rozdiel medzi 10 a 40 snímkami dramatický a rozdiel medzi 200 a 260 neviditeľný. Nerobíš nič zle, keď ťa to druhé sklame – pridal si o 30 % snímok viac za 14 % zlepšenia, a 14 % je pod hranicou toho, čo oko spoľahlivo postrehne.

Ak chceš oproti stacku z 200 snímok viditeľný krok vpred, potrebuješ okolo 800.

Preto o dĺžke subsnímky rozhoduje čítací šum

Existuje druhý zdroj šumu, ktorý sa takto nespráva. Pri každom vyčítaní senzora pridá elektronika pevnú daň. Nezávisí od dĺžky expozície – 5-sekundová aj 500-sekundová snímka ju zaplatia presne raz.

Daný celkový integračný čas teda nesie čítací šum úmerne tomu, na koľko snímok ho rozdelíš. Deväťdesiat minút ako 540 desaťsekundových subsnímok zaplatí daň 540-krát. Tých istých deväťdesiat minút ako 18 päťminútových subsnímok ju zaplatí 18-krát.

To je celý argument pre dlhšie subexpozície a dôvod, prečo sa navádzaná zostava na slabých cieľoch odtrhne od inteligentného ďalekohľadu aj pri rovnakom celkovom čase. Nie preto, že by navádzaná montáž zbierala viac svetla. Číta senzor tridsaťkrát menej často.

Protitlakom je, že dlhé subsnímky potrebujú dobré sledovanie a 300-sekundová snímka s pretiahnutými hviezdami nemá žiadnu hodnotu. Správna dĺžka subsnímky je tá najdlhšia, akú tvoja montáž spoľahlivo zvládne – čo je mechanická otázka, nie otázka spracovania.

Zarovnanie je miesto, kde sa stacky naozaj strácajú

Argument √N predpokladá, že každá snímka prispieva rovnakým signálom do rovnakého pixela. To vyžaduje, aby boli snímky zaregistrované, a práve tu väčšina sklamaných stackov v skutočnosti zlyháva.

Snímky sa medzi expozíciami hýbu. Drift montáže, refrakcia pri obzore, priehyb, a – na každej azimutálnej montáži, čo zahŕňa každý inteligentný ďalekohľad – rotácia poľa. Za hodinu môžu byť snímky zo začiatku a z konca voči sebe pootočené o desiatky stupňov.

Zarovnanie, ktoré zvládne len posun, si s tým neporadí. Horšie je, ako zlyhá: nie chybovou hláškou, ale stackom, v ktorom je všetko mierne rozmazané. Vyzerá to ako zlé zaostrenie alebo zlý seeing a ľudia strávia sezónu naháňaním nesprávneho problému.

Poriadna registrácia vychádza zo samotných hviezd. Z najjasnejších hviezd v každej snímke sa zostavia trojuholníky a opíšu sa pomermi strán – veličinami, ktoré prežijú posun, otočenie aj zmenu mierky. Zhodné trojuholníky hlasujú o tom, ktorá hviezda zodpovedá ktorej, robustný fit zahodí hlasy, ktoré sa nezhodujú, a spresňujúci prechod dotiahne výsledok na subpixelovú presnosť.

Tá posledná časť je dôležitá. Subpixelová presnosť nie je luxus; stála chyba pol pixela v celom stacku ťa stojí rovnaké detaily, aké by si stratil pri o niečo horšom seeingu.

Rejekcia: časť, ktorá odstráni to, čo priemerovanie nedokáže

Priemerovanie si poradí s náhodným šumom. Neporadí si s vecami, ktoré náhodné nie sú: satelity, lietadlá, kozmické žiarenie, svetlá auta, ktoré prejdú cez pole.

Spriemeruj 100 snímok, z ktorých jedna má stopu satelitu, a stopa tam stále je s 1 % intenzity – slabá, ale na tmavej oblohe viditeľná, a roztiahnutie histogramu prežije.

Rejekcia ju odstráni tak, že sa pozrie naprieč stackom na každý pixel a zahodí hodnoty, ktoré tam nepatria. Metódy sa líšia v tom, čo „nepatria“ znamená, a voľba medzi nimi nie je ľubovoľná:

Sigma clipping vezme na každom pixeli priemer a smerodajnú odchýlku a zahodí hodnoty za prahom. Funguje dobre a je predvolenou voľbou z dobrého dôvodu – ale predpokladá, že každá snímka vzorkuje rovnaké rozdelenie.

Winsorizovaný sigma clipping odľahlé hodnoty pritiahne k jadru namiesto toho, aby ich odstránil. Bezpečnejší na plytkých stackoch, kde odhad smerodajnej odchýlky z ôsmich vzoriek a následné zahadzovanie hodnôt často zahodí skutočný signál.

Linear-fit clipping odpovedá na inú otázku. Zoradí hodnoty každého pixela naprieč stackom a preloží nimi priamku. Plynulý rozptyl – taký, aký vzniká zmenou priezračnosti počas noci – tento model očakáva a nestojí nič, zatiaľ čo stopa satelitu je stále jedna hodnota ďaleko od priamky.

Ten rozdiel je dôležitejší, než znie. Keď sa privalí vysoká oblačnosť alebo tvoj cieľ klesá k svetelnej kupole mesta, snímky sa naozaj líšia. Ten rozptyl sú skutočné dáta, nie šum. Sigma clipping vidí snímky na okrajoch rozsahu ako odľahlé hodnoty a začne ich zahadzovať – a tie na tmavom konci sú zvyčajne najčistejšie snímky celej noci. Prídeš o najlepšie dáta kvôli metóde, ktorá predpokladala, že sú chybné.

Signál, ktorý treba sledovať, je, ako veľmi drží alebo pláva úroveň oblohy v jednotlivých snímkach. Ak je stabilná, sigma clipping je správne. Ak sa hýbe o viac než pár percent, linear fit ti poslúži lepšie. Akastroid to meria a nad zhruba 8 % driftu prepína automaticky, čo je rozhodnutie, na ktorého správne urobenie netreba žiadne astronomické znalosti – a ručne ich treba dosť.

Plytké stacky potrebujú iné zaobchádzanie

S ôsmimi snímkami rozdelenie neodhadneš. Každá metóda rejekcie pracuje s primálo vzorkami a agresívny clipping odstráni skutočný signál, pričom bude tvrdiť, že odstraňuje odľahlé hodnoty.

Pod zhruba ôsmimi snímkami je poctivou voľbou obyčajný priemer alebo medián. Medzi ôsmimi a pätnástimi winsorizácia. Nad tým sa skutočný clipping stáva bezpečným.

Zlyhanie je tu nenápadné: agresívna rejekcia na plytkom stacku dá fotku, ktorá vyzerá čisto a potichu jej chýbajú slabé detaily. Nevyzerá pokazená. Vyzerá trochu prázdna a na obrazovke nie je nič, čo by ti povedalo prečo.

Kedy viac snímok naozaj prestane pomáhať

Tri prípady, keď ti ďalšia hodina neprinesie nič:

Si limitovaný čítacím šumom. Pri veľmi krátkych subsnímkach určuje šumové dno vyčítanie, nie fotóny z oblohy. Skladanie stále pomáha, ale bojuješ s pevným nákladom, ktorý ďalšie snímky neodstránia. Dlhšie subsnímky áno.

Si limitovaný oblohou na slabom cieli. Pod jasnou oblohou dominuje pozadie a slabé vonkajšie oblasti cieľa sa nad neho jednoducho nikdy nemusia dostať. Pomer signálu k šumu sa stále zlepšuje ako √N – ale √N z „sotva zistiteľného“ je stále sotva zistiteľné. Tmavšia obloha alebo úzkopásmové filtre to zmenia; viac času nie.

Limitom je tvoje zarovnanie. Ak registrácia necháva chyby pol pixela, pridávanie snímok pridáva ďalšie mierne zle zaregistrované dáta. Stack je hladší a ani o chlp ostrejší. Toto sa oplatí skontrolovať, skôr než začneš viniť oblohu.

Použiteľná odpoveď

• Dĺžka subsnímky: najdlhšia, akú tvoja montáž spoľahlivo sleduje. To dominuje čítaciemu šumu a čítací šum dominuje slabým cieľom.
• Počet snímok: rozmýšľaj v násobkoch štyroch. Ak chceš viditeľné zlepšenie, plánuj štvornásobok, nie pár navyše.
• Registrácia: musí zvládať rotáciu. Na azimutálnej montáži nie je o čom diskutovať.
• Rejekcia: prispôsob ju hĺbke stacku a stálosti noci.
• Poznaj svoj limit: čítací šum, jas oblohy alebo zarovnanie. Pridávanie snímok pomáha len prvým dvom, a aj to len pomaly.

Nič z toho nevyžaduje pochopenie matematiky nad rámec √N. Vysvetľuje to však, prečo je stack, s ktorým nie si spokojný, taký, aký je – a to je zvyčajne užitočnejšie vedieť než mať ďalší posuvník.