ASTRONOMY OUTCAST : LES TUTORIELS
(1) l'image de la plus haute qualité est utilisé comme image de référence pour l'enregistrement, sauf indication contraire de votre part.
(2) Choisissez les descripteurs d'enregistrement pour la reconnaissance de formes entre les images.
Les quadrilatères sont la valeur par défaut, car ils sont les plus rapides et les plus robustes dans la plupart des situations.
Choisissez uniquement des triangles lorsqu'il y a très peu de paires d'étoiles trouvées entre les images à enregistrer, car cela sera très lent et peu fiable dans le cas d'un nombre élevé de paires d'étoiles.
- triangles - 6 à 250 paires d'étoiles entre 2 images.
- quadrilatères - 250-5000 paires d'étoiles entre 2 image.
- pentagones - plus de 5000 paires d'étoiles entre 2 images.
(3) Définissez le scale start et le scale stop. Il s'agit de l'échelle des modèles créés pour la reconnaissance des modèles. Pour le mode d'enregistrement normal, la balance commence à 1 et la balance s'arrête à 5 est très bien.
Pour le mode mosaïque, vous devrez généralement augmenter le scale stop à au moins 10. Cela correspondra à peu près à un chevauchement de 10% entre les panneaux de mosaïque. Si vous avez un chevauchement plus important entre les panneaux, par exemple 15%, le scale stop peut être réglée à 7 ou 8.
N'augmentez le scale stop que si certaines images qui se chevauchent ne peuvent pas être enregistrées et sachez que l'augmentation du scale stop ralentira l'enregistrement en cas de nombre d'étoiles élevé dans les images.
Pour les mosaïques composées régulièrement, comme une mosaïque 4x4, où tous les panneaux se chevauchent d'environ 10 à 20%, le scale start peut être réglé plus haut, généralement une valeur de 5 convient.
(4) Si certaines images ne sont retournées que horizontalement (ou uniquement verticalement) par rapport à l'image de référence, activez cette option.
En règle générale, ce paramètre ne doit être activé que lorsque vous enregistrez des images de différentes configurations optiques.
(5) Si les images à enregistrer présentent un certain degré de distorsion optique, veuillez l'activer pour corriger cela lors de l'enregistrement.
Les valeurs RMS d'enregistrement indiqueront si vous devez l'activer.
(6) Si toutes les images à enregistrer sont prises avec la même caméra et les mêmes optiques et ne sont pas déjà registrées par d'APP ou par toute autre application, activez-la. Sinon, désactivez-le.
(7) Choisissez le modèle de distorsion optique, utilisez la correction de distorsion dynamique (DOC) si vous n'avez pas encore enregistré le profil de distorsion de cet appareil photo et de l'objectif / télescope.
Choisissez la marge de distorsion.
La valeur par défaut de 0,05 convient à la plupart des ensembles de données. Ne définissez une valeur plus élevée qu'en cas de forte distorsion optique et si l'enregistrement échoue.
Sachez que régler cette valeur plus élevée ralentira l'enregistrement, la régler plus bas accélérera l'enregistrement.
(8) Activez cette option pour enregistrer le modèle de distorsion optique.
Ceci n'est possible que si la correction dynamique de la distorsion est activée, la même caméra et l'optique sont activées et le modèle d'enregistrement projectif calibré est utilisé.
(9) Choisissez un mode d'enregistrement.
Choisissez normal pour un enregistrement régulier avec une image de référence sélectionné. Dans ce cas, toutes les images doivent chevaucher l'image de référence.
Si vous avez des images qui ne se chevauchent pas avec vos images de référence, vous devrez choisir le mode mosaïque.
(10) Choisissez un modèle d'enregistrement. Il s'agit du type de transformation de coordonnées nécessaire pour enregistrer les images.
Avec un modèle projectif, les paramètres sont calculés à l'aide de transformations projectives régulières, également appelées homographies, sans aucune restriction sur les paramètres.
Avec un modèle d'enregistrement projectif calibré, les paramètres sont à nouveau calculés à l'aide de transformations projectives, mais maintenant avec des restrictions sur les paramètres.
Le modèle projectif calibré est nécessaire si votre champ de vision (FOV) de vos données est supérieur à 120 degrés, notamment en mode mosaïque!
Les restrictions sur les paramètres sont telles que l'homographie est maintenant calculée à partir d'une matrice de caméra et d'une matrice de rotation. Ces 2 matrices se révèlent capables de composer l'homographie.
La matrice de caméra 3x3 se compose de la distance focale (en nombre de pixels du capteur de votre caméra) dans les directions x et y et du point principal (l'endroit où l'axe optique frappe votre capteur).
La matrice de rotation 3x3 est une matrice de rotation 3D régulière composée de 3 rotations autour des axes x, y et z. Ainsi, avec le modèle projectif calibré, chaque homographie sera décrite par une matrice caméra + matrice de rotation. Dans cette formulation, aucune translation de coordonnées réelle (déplacement dans les directions x et y) n'est nécessaire dans le cadre des paramètres d'enregistrement, puisque les étoiles dans nos images sont supposées être à l'infini dans ce cas.
Veuillez noter que si vous enregistrez vos données avec le modèle projectif calibré, vous obtiendrez des options supplémentaires pour modifier la projection de vos données sur le champ de vision.
- différentes méthodes de projection (Rectiligne, Equirectangulaire, Mercator)
- déplacer le Centre de Projection (COP) horizontalement ou verticalement.
(11) Pivoter le champ de vision
(12) Définir l'échelle des images registrées
(13) Choisir la méthode d'interpolation kernel pour sauvegarder les images registrées
(14) Sauvegarder les images registrées
(1) Choisissez le mode de normalisation.
Si toutes les lights sont de la même échelle d'image et ont un champ de vision presque identique, choisissez le mode normal. Sinon, choisissez le mode avancé.
Pour les intégrations de mosaïques, le mode avancé donne généralement de bien meilleurs résultats de normalisation.
(2) Choisissez la méthode de normalisation
Pour presque tous les jeux de données, la méthode préférée est le multiply scale
Les méthodes sans échelle, ne normaliseront que pour la lecture (l'arrière-plan) des données. Les méthodes avec échelle normaliseront les données à la fois pour la lecture et l'échelle / dispersion des données.
La normalisation avec correction d'échelle / dispersion fonctionnera donc beaucoup mieux, vous donnant un meilleur rapport signal / bruit dans les intégrations résultantes de vos light.
.
Si vous combinez des données de différents ISO / gains, temps d'exposition, filtres et / ou sessions, il sera essentiel de normaliser à la fois l'emplacement et l'échelle à l'aide de l'échelle de multiplication.
(3) Choisissez la méthode de calcul de l'échelle (dispersion) des light.
- MAD = écart médian absolu BWIV = bi-pondération moyenne
- BWMV est la valeur par défaut car elle est la plus robuste pour la plupart des ensembles de données.
Les paramètres d'échelle MAD et BWMV sont calculés par rapport à la lecture des données.
La lokation (le fond du ciel, ou à peu près le pic de l'histogramme) est calculée à l'aide de statistiques robustes avec plusieurs itérations de outlier rejection
(4) Si vous souhaitez neutraliser l'arrière-plan dans votre intégration, activez cette option.
Sachez que la neutralisation d'arrière-plan peut surpasser la nébulosité, utilisez donc toujours l'outil de calibrage d'arrière-plan pour restaurer complètement la nébulosité.
(1) Par défaut, tous les canaux / filtres sont intégrés séparément. Vous pouvez également choisir d'intégrer toutes les données de tous les canaux / filtres en une seule intégration, ou faire les deux.
Cette option n'est applicable qu'en mode Multi — Channel / Filter.
(2) Par défaut, toutes les sessions sont intégrées dans une intégration. Vous pouvez également choisir d'intégrer toutes les sessions séparément ou de faire les deux. Cette option n'est applicable qu'en mode multisession.
(3) ajustez le pourcentage de light que vous souhaitez intégrer dans l'ordre décroissant du score de qualité des lights. L'image avec le score le plus élevé est utilisé comme image de référence pour l'enregistrement, sauf indication contraire de votre part.
(4) choisissez une méthode d'intégration pour l'intégration du flat.
- median - Utilisez la médiane avec moins de 20 images, cela supprimera également les valeurs aberrantes, vous pouvez donc désactiver l'utilisation d'un filtre de rejet des valeurs aberrantes ou assouplir ses paramètres.
- average - Si vous avez plus de 20 images, utilisez l'intégration moyenne combinée au rejet des valeurs aberrantes, ce sera supérieur dans la plupart des cas en termes de réduction du bruit dans vos résultats d'intégration.
- maximum - Utilisez maximum pour créer une image de traînées d'étoiles ou pour afficher toutes les valeurs aberrantes / artefacts (avec des valeurs ADU trop élevées) dans les données telles que les pixels chauds, les satellites, les avions, les rayons cosmiques, etc.
- automatic - Avec la méthode d'intégration automatique, APP définira automatiquement l'intégration médiane ou moyenne, définira des poids d'intégration appropriés (pondérations égales ou de qualité) et activera un filtre outlier rejection avec des valeurs kappa faibles et élevées appropriées, le tout en fonction du nombre d'image dans l'intégration / la pile.
(5) Définissez le poids des images pour l'empilage.
Ce paramètre peut avoir un impact sur le résultat de l'intégration, vous devrez donc choisir les pondérations qui correspondent le mieux à ce que vous essayez d'accomplir.
- equal - cela vous donnera un résultat qui sera sous-optimal en SNR et sous-optimal en netteté, car toutes les images sont pondérées de manière égale. De mauvaises images auront un impact important sur le résultat de l'intégration.
- exposure - ce réglage peut être choisi si vous combinez des expositions de différentes durées d'exposition. Les images avec les expositions les plus longues auront des poids plus élevés qui s'échelonnent comme la racine carrée de l'exposition. Ce paramètre donnera alors plus de poids aux images avec un SNR plus élevé généralement, résultant en une intégration avec un meilleur SNR, mais aussi moins net dans la plupart des cas.
- quality - cela utilisera le score de qualité indiqué dans la colonne de score de qualité dans le panneau de liste de l'image du bas. Le paramètre de qualité est basé sur le bruit, la densité des étoiles, la taille des étoiles et la forme des étoiles. Cela donne généralement le meilleur résultat d'intégration pour le bruit et la netteté combinés.
- SNR - les poids sont désormais basés sur le rapport signal / bruit des images. C'est une méthode vraiment dangereuse. Tout écart de gradients entre les images rendra la métrique SNR totalement peu fiable. De tous les paramètres, c'est le moins attrayant, donc ce n'est pas recommandé. De mauvaises images avec des erreurs de guidage, ou qui ne sont pas au point, ou qui ont des nuages, ou qui sont prises avec une mauvaise transparence, peuvent donner des valeurs SNR plus élevées, réduisant fortement le résultat de l'intégration.
- noise - utilisez ceci si vous visez le bruit le plus bas dans le résultat final. Les poids calculés par APP sont basés sur les valeurs de bruit après avoir appliqué la normalisation aux images, il s'agit donc de valeurs de bruit normalisées. Ceci est important, car la normalisation d'échelle / dispersion aura un impact sur les valeurs de bruit initiales des images.
- star shape - utilisez ceci si vous voulez avoir les étoiles les plus petites et les plus rondes dans votre résultat d'intégration. Il donnera des poids aux cadres en fonction de la forme d'étoile des étoiles dans l'image (la forme d'étoile signifie à la fois la rondeur et la taille). Les images qui ont des étoiles qui ne sont pas rondes sont beaucoup punis, donc ces cadres auront peu de poids. C'est un très bon paramètre d'intégration si vous avez des images sans guidage parfait, mais que vous voulez quand même que ces images aident à réduire le bruit dans les données sans affecter les formes d'étoiles dans l'intégration.
APP a les paramètres de densité d'étoiles et de FWHM relatif qui sont très utiles si vous combinez des données de différentes échelles. APP calcule la taille / forme de l'étoile et la densité d'étoile par rapport aux différences d'échelle entre les images. Les différences d'échelle sont calculées à l'aide des homographies (transformations projectives) entre les images.
(6) (7) (8) (9) (10) Rejet de normalisation locale
- Activez cette option si vous avez un éclairage variable dans vos images pour un rejet plus fiable sur l'ensemble du champ de vision. Cela peut être activé pour tous les filtres. La normalisation locale est une technique supplémentaire pour améliorer encore les filtres outlier rejection habituels. Localement, dans votre intégration, toutes les données seront corrigées lorsqu'elles seront transmises au filtre outlier rejection pour un rejet plus efficace et plus robuste en calculant la valeur médiane locale de chaque couche de la pile dans un rayon de 64 pixels. Les valeurs de pixels dans chaque pile de pixels sont corrigées à l'aide de ces valeurs médianes et corrigeront donc chaque pixel pour les écarts locaux d'intensité sur tout le champ de vision. Les pixels qui survivent au filtre de rejet seront utilisés non corrigés pour l'intégration réelle.
Le résultat de l'activation du rejet de normalisation locale est que vous obtiendrez un rejet très uniforme et robuste sur tout le champ de vision, ce qui peut être facilement vérifié en étudiant la ou les cartes de rejet aberrantes si elles sont créées parallèlement à l'intégration.
(11) Choisissez la composition de l'intégration.
- full - qui est la valeur par défaut, créera un champ de vision pour l'intégration de telle sorte que tous les pixels de toutes les images qui pourraient être enregistrées seront affichés dans l'intégration.
- reference - crée un champ de vision qui correspond au champ de vision de l'image de référence.
- crop - vous permettra de dessiner un recadrage de l'image de référence qui sera le champ de vision de l'intégration. Utile pour n'intégrer qu'une partie du champ de vision du référentiel.
Cliquez sur le bouton du mode d'application pour appliquer une composition différente.
(12) (13) Choisissez le degré de correction de normalisation locale (LNC)
Le LNC corrigera l'éclairage de vos images de manière à ce que les différences d'éclairage des images séparées de votre pile correspondent localement au lieu de globalement.
Normalement, la normalisation n'est calculée que globalement par image. Avec le LNC , les dégradés de vos données seront mis en correspondance par image tout en conservant une solution pour toutes les images à la fois qui soit stable et aussi plate que possible.
Si vous combinez des données prises en une seule nuit, le LNC vous aidera toujours, mais l'amélioration sera probablement très faible et visuellement difficile à voir, car localement, les images correspondent déjà assez bien.
Si vous combinez des données avec des dégradés divergents (plusieurs sessions d'imagerie, des données provenant de différentes configurations et / ou photographes), LNC devrait apporter une amélioration très nette.
Pour les intégrations régulières (c'est-à-dire pas une mosaïque), commencez par le 1er degré et 1 itération. Améliorez ensuite à partir de là si nécessaire. Augmentez d'abord les itérations à 3. Si cela ne change pas le résultat, augmentez le degré. Pour les intégrations régulières normalement le 2ème ou 4ème degré avec 3 itérations donne une très belle amélioration.
Pour les mosaïques, cela dépend vraiment des données, du degré et du nombre d'itérations nécessaires. L'utilisateur doit expérimenter, mais tout comme pour les intégrations régulières, commencer par le 1er degré et 1 itération, puis s'améliorer à partir de là.
(14) Choisissez d'activer la fusion multibande (MBB).
La fusion multi-bandes est un outil pour mélanger les images les unes dans les autres. Cela réduira les artefacts de pile aux frontières des intégrations régulières et supprimera les joints dans les mosaïques.
Dans la plupart des cas, une valeur de 5 à 15% convient. Pour les intégrations régulières, 5 à 10% sont généralement bien. Pour les mosaïques, cela dépend vraiment de la quantité de chevauchement entre les panneaux de mosaïque. Si la quantité de chevauchement est d'environ 10%, le réglage de MBB à 10% fonctionnera très bien.
(15) Choisir la donnée d'interpolation kernel pour la registration des images
(16) Laisser cocher pour prévenir des artefacts autour des étoiles
(17) Choisissez le drizzle kernel pour l'échantillonnage d'entrée.
Sachez toujours que le choix d'utiliser le drizzle est un choix entre la netteté et le bruit, car l'algorithme de drizzle est un gros injecteur de bruit. Et pour bénéficier du tout de l'algorithme de drizzle, vous devez répondre à 2 critères:
1) Vos données doivent être bien tramées.
2) Vos données doivent être sous-échantillonnées
Si vous ne répondez pas aux deux critères, il est toujours préférable de simplement augmenter l'intégration (si vous souhaitez augmenter) sans drizzle en utilisant uniquement le paramètre d'échelle.
- pointKernel donne le résultat de drizzle le plus contrasté et le plus bruité.
- squareKernel donnera moins de bruit, mais pourrait donner des formes d'étoiles carrées.
- topHatKernel donne les résultats les plus lisses avec le moins de bruit dans la plupart des cas.
- gaussKernel donne des résultats plus nets et tout aussi lisses que le topHat, mais généralement un peu plus bruyant.
(18) Choisissez le droplet size, plus la valeur est petite et plus le rendu sera contrasté et bruité
(19) Choisissez le mode d'intégration:
- no drizzle - s'intégrera normalement en utilisant des kernel d'interpolation de données comme Lanczos-3.
- Drizzle Bayer / X-Trans - utilisera l'intégration du drizzle CFA (Color Filter Array) avec les données des capteurs Bayer et X-Trans. Ceci n'est applicable que si les light sont constituées de données Bayer ou X-Trans CFA. Le drizzle Bayer / X-Trans remplace l'utilisation d'un algorithme de démosaïque comme Adaptive Airy Disc. Dans ce cas, aucun dématriçage ne sera effectué. Tout paramètre de l'algorithme de démosaïque dans 0) RAW / FITS sera ignoré dans ce cas lorsque les données sont chargées pour l'intégration.
Un paramètre recommandé pour le drizzle Bayer / X-Trans est de laisser l'échelle à 1,0, de définir la taille des droplet sur 1,0-2,5 pixels et d'utiliser le kernel topHat. Cela imitera le résultat d'un dématriçage régulier, mais éventuellement avec un résultat plus net et plus fluide. Cependant, il sera très peu probable d'améliorer la qualité et la netteté de l'algorithme Adaptive Airy Disc pour le dématriçage. L'utilisation du drizzle Bayer / X-Trans peut être plus nette, mais elle sera probablement beaucoup plus bruyante également, en particulier dans les canaux bleu et rouge.
(20) Lancer l'intégration