Kako sestavljanje posnetkov v resnici deluje (in zakaj več posnetkov ni vedno bolje)

Če vprašaš, zakaj v astrofotografiji sestavljamo posnetke, boš običajno slišal: „da zmanjšamo šum.” To drži in je hkrati skoraj neuporabno, ker ti ne pove, koliko posnetkov potrebuješ, zakaj tvoj stack 200 posnetkov izgleda slabše od stacka 60 posnetkov nekoga drugega ali zakaj dodatna ura včasih ne spremeni prav ničesar.

Pravi argument je kratek, in ko ga enkrat razumeš, se večina odločitev pri sestavljanju odgovori sama.

Signal se sešteva. Šum se ne.

Usmeri teleskop v meglico in naredi osvetlitev. Vsak piksel prejme neko število fotonov z neba. To število ni stalno – prihod fotonov je naključen in se od osvetlitve do osvetlitve spreminja približno za kvadratni koren samega sebe. Če zbereš 100 fotonov, je razlika med posnetki okoli 10. Če jih zbereš 10.000, je okoli 100.

Zdaj sestavi N posnetkov. Signal – pravo število fotonov z objekta – se sešteva linearno: N-krat več. Šum je naključen in se delno izniči, raste le s kvadratnim korenom N.

Razmerje med signalom in šumom se torej izboljša za √N.

Ta ena sama zveza pojasni večino tega, kar opaziš:

• 4 posnetki so dvakrat boljši od 1.
• 16 posnetkov je dvakrat boljših od 4.
• 64 posnetkov je dvakrat boljših od 16.

Vsaka podvojitev kakovosti stane štirikrat več posnetkov. Zato je razlika med 10 in 40 posnetki dramatična, razlika med 200 in 260 pa nevidna. Nič ne delaš narobe, ko te druga razočara – dodal si 30 % več posnetkov za 14 % izboljšave, 14 % pa je pod tem, kar oko zanesljivo opazi.

Če hočeš viden korak naprej od stacka 200 posnetkov, jih potrebuješ okoli 800.

Zato bralni šum določa dolžino tvojih osvetlitev

Obstaja še drug vir šuma, ki se ne obnaša tako. Vsakič, ko se senzor odčita, elektronika doda fiksno kazen. Ta ni odvisna od dolžine osvetlitve – 5-sekundni in 500-sekundni posnetek jo plačata natanko enkrat.

Dani skupni čas integracije torej nosi bralni šum sorazmerno s tem, na koliko posnetkov ga razdeliš. Devetdeset minut kot 540 desetsekundnih posnetkov plača kazen 540-krat. Istih devetdeset minut kot 18 petminutnih posnetkov jo plača 18-krat.

To je celoten argument za daljše posamezne osvetlitve in razlog, zakaj se vodena postavitev na šibkih tarčah odlepi od pametnega teleskopa tudi pri enakem skupnem času. Ne gre za to, da vodena oprema zbere več svetlobe. Senzor odčita tridesetkrat redkeje.

Nasprotni pritisk je, da dolge osvetlitve zahtevajo dobro sledenje, in 300-sekundni posnetek z razpotegnjenimi zvezdami ni vreden nič. Prava dolžina osvetlitve je najdaljša, ki jo tvoja montaža zanesljivo zmore – kar je mehansko, ne procesno vprašanje.

Poravnava je tisto, kjer se stacki v resnici izgubijo

Argument √N predpostavlja, da vsak posnetek prispeva isti signal v isti piksel. To zahteva, da so posnetki poravnani, in prav tu večina razočarajočih stackov v resnici odpove.

Posnetki se med osvetlitvami premikajo. Lezenje montaže, refrakcija blizu obzorja, upogib, in – na vsaki azimutalni montaži, kar vključuje vse pametne teleskope – rotacija polja. V eni uri sta lahko posnetka z začetka in konca med seboj zasukana za več deset stopinj.

Poravnava, ki obvlada le premik, tega ne bo zmogla. Še huje je, kako odpove: ne s sporočilom o napaki, temveč s stackom, kjer je vse rahlo razmazano. Izgleda kot slaba ostrina ali slab seeing, in ljudje celo sezono lovijo napačen problem.

Prava registracija dela s samimi zvezdami. Iz najsvetlejših zvezd na vsakem posnetku sestavi trikotnike in jih opiše z razmerji stranic – količinami, ki preživijo premik, rotacijo in spremembo merila. Ujemajoči se trikotniki glasujejo, katera zvezda ustreza kateri, robusten fit zavrže glasove, ki se ne ujemajo, in izpopolnjevalni prehod potegne rezultat do podpikselske natančnosti.

Zadnji del je pomemben. Podpikselska natančnost ni razkošje; dosledna napaka pol piksla po celem stacku te stane enako podrobnosti, kot bi jo izgubil zaradi rahlo slabšega seeinga.

Zavračanje: del, ki odstrani to, česar povprečenje ne more

Povprečenje obvlada naključni šum. Ne obvlada pa stvari, ki niso naključne: satelitov, letal, kozmičnih žarkov, avtomobilskih žarometov, ki preletijo polje.

Povpreči 100 posnetkov, kjer ima eden satelitsko sled, in sled je še vedno tam z 1 % moči – šibka, a vidna na temnem nebu, in preživi raztegovanje.

Zavračanje jo odstrani tako, da pri vsakem pikslu pogleda čez cel stack in zavrže vrednosti, ki ne sodijo zraven. Metode se razlikujejo v tem, kaj „ne sodijo zraven” pomeni, in izbira med njimi ni poljubna:

Sigma clipping pri vsakem pikslu vzame povprečje in standardni odklon ter izloči vrednosti onkraj praga. Deluje dobro in je z razlogom privzeta metoda – vendar predpostavlja, da vsak posnetek vzorči isto porazdelitev.

Winsorizirani sigma clipping osamelce potegne proti večini, namesto da bi jih odstranil. Varnejši pri plitvih stackih, kjer ocenjevanje standardnega odklona iz osmih vzorcev in nato zavračanje vrednosti rado zavrže pravi signal.

Linear-fit clipping odgovarja na drugačno vprašanje. Vrednosti vsakega piksla čez stack uredi in skoznje prilagodi premico. Gladek razpon – takšen, kot ga povzroči prosojnost, ki se čez noč spreminja – ta model pričakuje in nič ne stane, satelitska sled pa je še vedno ena vrednost daleč od premice.

Ta razlika je pomembnejša, kot se sliši. Ko se privlečejo visoki oblaki ali se tarča spusti proti svetlobni kupoli, se posnetki resnično razlikujejo. Razpon so pravi podatki, ne šum. Sigma clipping vidi posnetke na obeh koncih razpona kot osamelce in jih začne zavračati – tisti na temnem koncu pa so običajno najčistejši posnetki noči. Najboljše podatke izgubiš zaradi metode, ki je predpostavila, da so napačni.

Znak, ki ga spremljaj, je, koliko tvoja raven neba lebdi od posnetka do posnetka. Če je stabilna, je sigma clipping pravi. Če se premakne za več kot nekaj odstotkov, ti bo linearni fit bolje služil. Akastroid to izmeri in samodejno preklopi nad približno 8 % lezenja, kar je odločitev, za katero ne potrebuješ nobenega znanja astronomije, da jo pravilno sprejmeš, in kar precej znanja, da jo pravilno sprejmeš ročno.

Plitvi stacki potrebujejo drugačno obravnavo

Z osmimi posnetki porazdelitve ne moreš oceniti. Vsaka metoda zavračanja dela s premalo vzorci, in agresivno rezanje bo odstranilo pravi signal, medtem ko bo trdilo, da odstranjuje osamelce.

Pod približno osmimi posnetki je navadno povprečje ali mediana običajno poštena izbira. Med osmimi in petnajstimi winsoriziranje. Nad tem postane pravo rezanje varno.

Način odpovedi je tu subtilen: agresivno zavračanje na plitvem stacku ustvari sliko, ki izgleda čisto in ji tiho manjkajo šibke podrobnosti. Ne izgleda pokvarjeno. Izgleda rahlo prazno, in na zaslonu ni ničesar, kar bi ti povedalo, zakaj.

Kdaj več posnetkov resnično neha pomagati

Trije primeri, ko ti naslednja ura ne prinese ničesar:

Omejuje te bralni šum. Pri zelo kratkih osvetlitvah raven šuma določa odčitavanje, ne fotoni z neba. Sestavljanje še vedno pomaga, vendar se boriš proti fiksnemu strošku, ki ga več posnetkov ne odstrani. Daljše osvetlitve bi ga.

Omejuje te nebo na šibki tarči. Pod svetlim nebom prevladuje ozadje in šibka zunanja območja tvoje tarče se morda preprosto nikoli ne dvignejo nad njega. Razmerje med signalom in šumom se še vedno izboljšuje kot √N – toda √N od „komaj zaznavno” je še vedno komaj zaznavno. Temnejše nebo ali ozkopasovni filtri to spremenijo; več časa ne.

Omejuje te poravnava. Če registracija pušča napake pol piksla, dodajanje posnetkov dodaja več rahlo zamaknjenih podatkov. Stack postane bolj gladek in nič ostrejši. To je vredno preveriti, preden okriviš nebo.

Delovni odgovor

• Dolžina osvetlitve: najdaljša, ki jo tvoja montaža zanesljivo sledi. To obvladuje bralni šum, bralni šum pa obvladuje šibke tarče.
• Število posnetkov: razmišljaj v faktorjih štiri. Če hočeš vidno izboljšavo, načrtuj početveritev, ne dodajanja po malem.
• Registracija: mora obvladati rotacijo. Brez izjeme na vsaki azimutalni montaži.
• Zavračanje: prilagodi ga globini stacka in stabilnosti noči.
• Poznaj svojo mejo: bralni šum, svetlost neba ali poravnava. Dodajanje posnetkov pomaga le pri prvih dveh, in še to počasi.

Nič od tega ne zahteva razumevanja matematike onkraj √N. Pojasni pa, zakaj je stack, s katerim nisi zadovoljen, nezadovoljiv – in to je običajno bolj koristno vedeti kot poznati še en drsnik.