Tutorial PixInsight LE multiescala de procesamiento de cielo profundo de imágenes con PixInsight: M33 POSS II de la imagen. Por Vicent Peris (PTeam)

Transcripción

1 Tutorial PixInsight LE multiescala de procesamiento de cielo profundo de imágenes con PixInsight: M33 POSS II de la imagen Por Vicent Peris (PTeam) :: Inicio PixInsight Página Introducción Pasos preliminares de ajuste inicial de equilibrio cromático personalizado Definir un espacio de trabajo RGB extracción de la luminancia tratamiento a gran escala de extracción estructuras a gran escala Mejorar estructuras a gran escala procesamiento a pequeña escala de extracción estructuras de pequeña escala a juego de iluminación en toda la imagen la mejora de estructuras de pequeña escala La fusión de las imágenes a gran escala y en pequeña escala- Análisis de los Resultados Finales de la imagen procesada Introducción Imágenes astronómicas son objetos complejos y delicados. No pocas veces, nos encontramos con que algunos cambios que hacer para mejorar una imagen en algún aspecto, tienden a degradarse en los demás. En muchos casos, las técnicas basadas en dividir y conquistar las estrategias pueden ser los más eficientes, porque permiten el tratamiento de algunas imágenes de las estructuras y las facetas de forma individual, sin afectar al resto. En este tutorial, vamos a describir como un procedimiento aplicado al proceso de la luminancia de una región extraída del Estudio del Cielo de Palomar, se centró en Messier 33. Aquí proponemos una solución basada en el ï ½ desastrosas (con agujeros) algoritmo de Transformada Discreta Wavelet (J.-L. Starck, F. Murtagh, imágenes astronómicas y análisis de datos, Springer-Verlag, 2002). Básicamente, nuestro trabajo consistirá en dividir la imagen en dos partes: una que contiene estructuras de gran tamaño, y una segunda con estructuras relativamente pequeñas. Con la ayuda de este procedimiento, vamos a ser capaces de extraer la máxima cantidad posible de información de cada faceta de la imagen, y al mismo tiempo, nuestra capacidad expresiva se mejorará en gran medida. A continuación se presenta una muestra del resultado final.

2 Imagen DSS M33 procesada por Vicent Peris con la técnica descrita en este tutorial. Pasos preliminares Figura 1 - El original B, V y R placas POSS combinada como una imagen de un solo color RGB. Ajuste inicial de equilibrio cromático La figura 1 muestra el resultado de combinar el original B, V y R placas POSS. Como puede verse, el equilibrio cromático de la imagen resultante es muy malo, principalmente debido al hecho de que las placas V han sido mucho menos expuestas que las placas B y R en el POSS. Teniendo en cuenta que las emulsiones fotográficas tienen respuestas no lineales salvajemente, una transferencia compleja de ajuste de curvas es necesario para lograr el equilibrio cromático correcto. La figura 2 muestra las curvas de aplicación y su resultado, que será nuestra imagen de partida para extraer y procesar la luminancia.

3 Figura 2 - Ajuste inicial equilibrio cromático con curvas. La definición de un espacio de trabajo personalizado RGB Antes de extraer la luminancia, debemos definir un adecuado espacio de trabajo RGB (RGBWS). Este paso previo es muy importante. En PixInsight, podemos definir una RGBWS personalizado con los coeficientes de luminancia óptima que nos dará tanta información como sea posible, representados en la luminancia. La gestión del color orientada a los espacios RGB, como srgb o Adobe RGB por ejemplo, no son opciones eficaces para la separación de luminancia / crominancia de cielo profundo imágenes astronómicas. Esto es debido a que estos espacios confieren mucha importancia al color verde para el cálculo de la luminancia. Por ejemplo, en el espacio srgb, el coeficiente de luminancia verde es unas diez veces mayor que el coeficiente de azul, y unas seis veces mayor que el coeficiente de color rojo. Esto no se corresponde con la verdadera importancia de estos colores en función de la información que el transporte en las imágenes de cielo profundo, como nuestra imagen M33 presente. Con el espacio de trabajo RGB parámetros de proceso en PixInsight, vamos a definir un RGBWS personalizada donde los tres colores RGB tienen el mismo peso para el cálculo de los valores de píxeles de luminancia (Figura 3). Figura 3 - Custom parámetros RGBWS. La extracción de la luminancia Una vez que el nuevo RGBWS se ha asignado a la imagen, podemos extraer la luminancia con el proceso de extracción de canales (Proceso> Espacios de color> Canales Extracto). En primer lugar hay que seleccionar el espacio de color deseado, CIE L * a * b *, en este caso. Nos desmarque a * b * canales de crominancia, ya que no es necesario extraerlos. Sólo la casilla de verificación de luminancia se debe comprobar. También puede asignar un identificador de imagen personalizada para la luminancia extraído, desmarcando la casilla Auto identificadores de control. En nuestro caso, hemos utilizado la "luminosidad" de identificación, como se ve en la Figura 4, junto con la luminancia resultante.

4 Ahora estamos listos para comenzar a procesar la imagen. Nuestro procedimiento constará de tres fases: Extraer y procesar estructuras a gran escala de la imagen. Extraer y procesar estructuras de pequeña escala de la imagen. Combinar las imágenes a gran escala ya pequeña escala procesados. Figura 4 - La extracción de la luminancia. Tratamiento a gran escala Nuestro trabajo en estructuras de gran tamaño será relativamente sencillo, en este caso. Empezamos por el aislamiento a gran escala los componentes de la imagen. Esto se puede lograr muy fácilmente mediante la eliminación de todos los planos wavelet (o capas) por debajo de la escala de 64 puntos. El ï ½ proceso Wavelets desastrosas de PixInsight nos permite hacer esto mediante la desactivación de las capas correspondientes, como se muestra en la Figura 5. La extracción de estructuras a gran escala En la figura 5, tenga en cuenta que hemos seleccionado la secuencia de la escala diádica. Con esta secuencia, las sucesivas capas de wavelets tienen escalas características de crecimiento de las potencias de dos: 1, 2, 4, 8, 16, y así sucesivamente. También tenga en cuenta que hemos aumentado la cantidad de capas de hasta siete años, con el fin de llegar a la escala de 64 puntos. Para desactivar una capa de onda, haga doble clic en la casilla correspondiente en el "Nivel" columna a su vez la marca de verificación verde en una marca roja cruz. Cuando la transformada inversa de wavelet se lleva a cabo (que se realiza automáticamente por el proceso de una Wavelets desastrosas), las capas de discapacitados se descartan y no se incluyen en el resultado procesado.

5 Figura 5 - Extracción de estructuras a gran escala Ahora es el momento para recordar que todos los días debe guardar todo nuestro trabajo en forma de iconos en el proceso de PixInsight. De esta forma, podremos reproducir nuestros pasos de procesamiento posterior. En PixInsight LE, la herramienta de ï ½ Wavelets desastrosas requiere una gran cantidad de memoria cuando se definen los procedimientos a escalas muy grandes. Es muy fácil de agotar toda la memoria RAM disponible cuando se trabaja a escalas de 64 puntos y la mayor, con imágenes de gran tamaño. Si esto sucede, existe una solución fácil a una submuestra de la imagen de las potencias de dos. Esto es posible porque la transformada wavelet es una operación lineal con respecto a las escalas dimensiones. Por ejemplo, si usted resample su imagen a la mitad de su tamaño original, su escala de 32 píxeles en una transformación wavelet será equivalente a la escala de 64 puntos en el original. Así que usted puede usar el proceso de nuevo muestreo de entero en PixInsight LE submuestra 01:02, aplicar una transformada wavelet desactivar todas las escalas de hasta 32 píxeles, a continuación, muestra suplementaria de la imagen 2:1. El resultado será la escala original de 64 píxeles. Por supuesto, esto es factible debido a escalas muy grandes son funciones muy suave, que puede ser muy muestrear sin una degradación significativa. Los procesos de la transformada wavelet implementado en la aplicación PixInsight nueva norma no tiene ninguno de estos problemas de consumo de memoria. La mejora de estructuras a gran escala Una vez que hemos extraído de las estructuras a gran escala, nuestro siguiente paso es mejorar los mismos. La extraídos a gran escala de la imagen está fuertemente dominada por una estructura espiral de la galaxia M33. En lo que sigue vamos a ver cómo esta estructura en espiral puede ser considerablemente mayor en el resultado final.

6 Figura 6 - Mejora de estructuras a gran escala. Comenzamos por el aumento del peso relativo de las escalas de 128 y 256 píxeles. El peso relativo (o importancia) de una escala de onda se pueden modificar con el parámetro de sesgo de ï ½ Wavelets desastrosas. Es conveniente ampliar el rango dinámico efectivo de la imagen durante esta transformación wavelet (Dynamic Range parámetros de extensión), para evitar recortes de histograma. En la figura 6 se puede ver la aplicación ï ½ proceso Wavelets desastrosas y la imagen resultante.

7 Puede parecer que el procedimiento anterior no ha sido demasiado eficiente. Sin embargo, esto es una ilusión que desaparece tan pronto como clip de la parte no utilizada del rango dinámico con histogramas (Figura 7). La función de recorte automático puede ser útil aquí. La porción no utilizada grandes nos dicen que hemos utilizado demasiado grande Dynamic Range valores de los parámetros de extensión. Mejor (más baja) los valores se podrían utilizar, pero esto no afecta a nuestro resultado. Figura 7 - Reajuste la mejora a gran escala de la imagen. Como puede ver, hemos logrado una mejora sustancial de los brazos espirales con sólo un pequeño 0,2 sesgo en ï ½ Wavelets desastrosas. Sin embargo, podemos hacer mucho mejor. Un problema que tenemos ahora es la diferencia excesiva de brillo entre las partes interna y externa de la estructura en espiral, lo que hace mejorar el contraste local de una tarea muy difícil. Para solucionar este problema, podemos recurrir a la, por así decirlo, los métodos más tradicionales. Para una copia de la imagen a gran escala antes de su procesamiento (es decir, lo que se muestra en la Figura 5), se aplica una transformada wavelet, que suprime las escalas de hasta 256 píxeles. Esto, básicamente, da el perfil de la iluminación global de la galaxia. Después de cortar el histograma para cambiar la escala de valores de los píxeles de la gama dinámica, se obtiene la imagen mostrada en la Figura 8. Esta imagen será utilizada como una máscara para la imagen resultante después de la Figura 7. Con esta máscara de activos, que pueden disminuir los tonos medios de las áreas más brillantes sólo (Figura 9), lo que reduce el contraste global. Por último, podemos aumentar el brillo de toda la galaxia por medio de un ajuste de curvas, esta vez con la máscara de discapacitados, como se muestra en la Figura 10.

8 Figura 8 - Creación de una máscara para modificar el contraste global y el brillo. Figura 9 - Disminución del brillo de las regiones centrales. Este proceso debe ser aplicado con la máscara construida en la figura 8 activa. Figura 10 - El aumento de medios tonos de la imagen completa. Este proceso debe ser aplicado sin máscara. Como se puede observar en la Figura 10, las regiones interiores de la M33 todavía se carece de contraste. Vamos a aumentar el contraste de las estructuras sólo en estas regiones interiores, mejorando en gran escala las capas de onda, pero usando la misma máscara que hemos desarrollado en el paso anterior (Figura 8). Esta vez no podemos hacer uso de los parámetros de extensión de rango dinámico de ï ½ Wavelets desastrosas para evitar recortes de histograma. Esto es porque el proceso se aplicará a través de una máscara, por lo que el mecanismo de extensión del rango dinámico sólo actuaría en las regiones donde la máscara es de color blanco, que no es lo que queremos. Afortunadamente, podemos ampliar el rango dinámico con histogramas en PixInsight, como se muestra en la Figura 11. Tenga en cuenta los valores del parámetro de baja y alta de -0,2 y 1,5, respectivamente. Este ajuste de histograma se aplica sin máscara (es decir, con la máscara de discapacidad). Figura 11 - Ampliación de la gama dinámica, antes de aplicar una transformada wavelet a escalas muy grandes. Este proceso debe ser aplicado sin máscara. Ahora que puede aumentar con seguridad el sesgo de la capa de onda en la escala de 128 píxeles, con la máscara activada (la máscara se muestra en la Figura 5), lo que

9 mejorará el constraste de las estructuras en las regiones interiores de la M33. El resultado está en la Figura 12. Una vez más, vamos a tener que cambiar la escala de los datos de píxeles para ocupar toda la gama dinámica, como la figura 13 se muestra. Esto se hace con la máscara de discapacitados. Figura 12 - Mejora de estructuras muy grandes. Este proceso se aplica con la máscara activada. Figura 13 - reescalar la imagen mejorada, después de wavelets. Este proceso se aplica sin máscara. Procesamiento a pequeña escala Cuando comenzamos nuestro tratamiento a gran escala se aislaron las estructuras más grandes en la imagen. Esta vez queremos hacer exactamente lo opuesto: aislar a los pequeños componentes. Para este propósito, no tiene que solicitar una nueva transformada wavelet: puesto que ya tenemos las estructuras a gran escala aislado como una única imagen, simplemente se puede restar de la luminosidad original, lo que dará lugar a una nueva imagen que contiene sólo los estructuras de pequeña escala. Esto puede llevarse a cabo con el proceso de Matemáticas de píxeles en PixInsight LE. La figura 14 muestra la configuración correspondiente. Este proceso de Matemáticas de píxeles se debe aplicar a la imagen original. Extracción de estructuras de pequeña escala Figura 14 - La interfaz de Matemáticas de píxeles dispuestos a restar la imagen a gran escala.

10 Dado que la opción Crear nueva imagen de Matemáticas Pixel ha sido activado, el resultado se obtendrá como una nueva imagen. Nota de la SUB (restar) el operador y el operando de la imagen a gran escala. Esta imagen a gran escala es el resultado que hemos obtenido en la Figura 5. Es esencial contar con la opción Cambiar la escala de activos, ya que garantiza que no se pierden datos, ajustando la base de los resultados después de restar a la gama normalizado de 0 a 1. La figura 15 muestra con mayor claridad cómo funciona una operación sencilla. Figura 15 - El aislamiento de las pequeñas estructuras de restar a gran escala. Los objetos que sobreviven después de esta operación son las estrellas, las nebulosas de emisión y oscuras, y en general todos los de las pequeñas estructuras presentes en la imagen original. Esto es justo lo que queremos: todas las estructuras de pequeña escala, aislados en una sola imagen.

11 Coincidencia de iluminación en toda la imagen El siguiente paso es quizás la parte más delicada de todo el procesamiento. Si se fijan bien en la imagen pequeña escala (Figura 15, abajo), te darás cuenta que hay una región central, donde la imagen original era más brillante, que se ha asignado un perfil de iluminación reducida. Esto es una consecuencia lógica de restar los componentes a gran escala. Además de eso, las estructuras en el núcleo de M33 ha reducido el contraste con respecto a las estructuras de los brazos espirales, debido a los ajustes de gamma aplicada y la respuesta no lineal de la emulsión fotográfica. Nuestro próximo objetivo es hacer coincidir el contraste y el perfil de iluminación de las estructuras en toda la imagen. Para lograr ese objetivo, se requiere una máscara. Esta máscara será una copia de nuestro gran escala de la imagen (Figura 5) después de un ajuste de histograma. En la Figura 16 se puede ver el ajuste aplicado y la máscara resultante. Esta máscara se activará para la imagen de pequeña escala para aplicar una transformación de histograma, que consiste en arrastrar el punto de corte blanco a la izquierda, hasta que veamos que la iluminación se convierte en uniforme para toda la imagen. Para realizar este ajuste crítico, el sistema de previsualización en tiempo real de PixInsight LE es de gran ayuda, como se ve en la Figura 17. Figura 16 - Preparación de una máscara para el ajuste de la iluminación en las regiones brillantes. Figura 17 - Coincidencia de iluminación de las regiones centrales. Este proceso se aplica enmascarado con el resultado de la Figura 16. Con este ajuste de histograma aplicada a través de una máscara que representa estructuras a gran escala, vamos a cambiar sólo aquellas regiones que están más iluminadas de la imagen original. De esta manera, el procedimiento tiende a recuperar el contraste de estas regiones brillantes. La figura 18 es un mouseover donde se encuentra el verdadero efecto de este paso verificada.

12 Figura 18 - mouse: Antes de la iluminación correspondiente. Fuera del ratón: Iluminación emparejado. Este paso es muy importante. Sin implementar de manera adecuada, no va a lograr el contraste y la iluminación uniforme en la imagen final. La mejora de estructuras de pequeña escala Como tenemos la imagen a pequeña escala ahora, podemos dominar el contrario a nuestra voluntad a lo largo de toda la imagen. Esto simplifica enormemente nuestro trabajo, y nos da un tremendo poder de procesamiento, lo cual es impensable por el procesamiento de la imagen como un todo, sin aislar las estructuras a diferentes escalas. Como ejemplo, vamos a ver en la figura 19 lo que es una transformación de curvas simples podemos hacer con nuestra pequeña escala de la imagen. Tenga en cuenta cómo podemos mejorar el contraste de las nebulosas oscuras alrededor del núcleo y las nubes de estrellas y nebulosas de emisión en los brazos espirales exteriores, todos al mismo tiempo en una sola operación.

13 Figura 19 - Izquierda: "S" en forma de curva para aumentar el contraste. Abajo: mouse: Antes de las curvas. Fuera del ratón: Curva aplicada. Para el presente ejemplo no hemos aplicado ningún tratamiento adicional para esta imagen M33. Por supuesto que podríamos proceso mucho más lejos. Por ejemplo, se podría aplicar una deconvolución leve, mejorar las estructuras más con olas, o llevar a cabo una reducción del ruido. La fusión de las imágenes a gran escala y en pequeña escala Después de haber procesado las dos facetas de la imagen aparte, nuestro último paso es a combinarlos para obtener un resultado final. Esto lo hacemos con las matemáticas de píxeles en PixInsight LE. La forma más obvia parece ser ahora un complemento directo de las imágenes a gran escala ya pequeña escala, reajuste el resultado de ocupar todo el rango dinámico disponible. Sin embargo, esto no es una buena idea. Tenga en cuenta que mediante el procesamiento de estructuras aisladas por separado hemos desequilibrado con respecto a la imagen original, en términos de luminosidad relativa. En otras palabras, en este momento nada garantiza que con sólo añadir las dos imágenes que vamos a

14 obtener un resultado razonable. Qué nos podría ayudar en la recuperación del aspecto original de la imagen global de una manera coherente? Afortunadamente, la respuesta consiste en algo que tenemos a la mano: la luminosidad original. Vamos a combinar las dos imágenes procesadas (aislado pequeña y gran escala) a través de la luminosidad original. Con los datos originales de base, tenemos una inmensa gama de posibilidades para obtener una imagen final procesada. Como veremos ahora, Matemáticas Pixel es una herramienta muy creativa en PixInsight, que nos ayudará a obtener un resultado que expresa plenamente lo que queremos. En la figura 20 podemos ver la interfaz de Matemáticas de píxeles dispuestos a producir nuestra imagen final. Este proceso de Matemáticas de píxeles se debe aplicar a la luminosidad original. Tenga en cuenta la opción Cambiar la escala de activos, lo cual es indispensable. Tenga en cuenta también que podemos asignar diferentes pesos relativos a cada imagen operando. En este caso, hemos duplicado el peso de la imagen a pequeña escala (nota de la K: 2,0 el valor del parámetro). Dentro de límites razonables, los pesos relativos se puede variar para cumplir con el resultado deseado, como una cuestión de preferencias personales. Figura 20 - La composición final mediante la adición de la escala de las imágenes separadas para la luminancia original. La figura 21 muestra el procedimiento que combina y muestra el resultado obtenido.

15 Figura 21 - Procedimiento de fusión final. Los componentes a gran escala y en pequeña escala se combinan con la luminosidad original, para obtener la luminancia final elaborado. Un refinamiento adicional es para repetir un procedimiento similar con la ayuda de una máscara. Dado que las estructuras sobre el núcleo son las más difíciles de mejorar, vamos a realizar una segunda combinación sobre la imagen resultante de la Figura 21. Esta nueva combinación es idéntica a la anterior, pero se aplica a través de la máscara que hemos obtenido en la Figura 16. Esto mejorará el contraste de las regiones más brillantes de la imagen. Figura 22 es un mouseover que muestra el resultado. Figura 22 - mouse: Antes de combinación adicionales enmascarados. Fuera del ratón: Resultado de la combinación de máscaras adicionales. Análisis de los Resultados Desde el núcleo de galaxias a las regiones exteriores, la ganancia de contraste es muy significativo para estructuras de pequeña escala, como se muestra en las figuras 23 y 24.

16 Figura 23 - mouse: luminosidad original. Fuera del ratón: luminancia procesada. Figura 24 - mouse: luminosidad original. Fuera del ratón: luminancia procesada. En comparación con la luminosidad original, a gran escala las mejoras son visibles en la Figura 25.

17 Figura 25 - mouse:. luminosidad original ratón de salida: luminancia procesada. Finalmente, aquí está un enlace a la imagen final de procesado de color,.