Deconvolution

[Tomaset]

Ahhhhhhhhhhhhhhh migooooooo, ahi le has dao!!!!

[Tomaset]

¿tu sabes algo?

Tengo una ligerisima idea, pero nada, ya sabes que cuando veo un tutorial en ingles me lo salto

[emidai]

Traducción del apartado deconvolution de la guia no oficial de Rogelio Bernal Andreo (lo he traducido con un traductor on line, ya que, mi inglés es muy limitado, si alguien que controle más el inglés quiere corregir algo de la traducción, deja un comentario y lo corregiré. En este enlace está el texto original http://blog.deepskycolors.com/PixInsigh ... tions.html)

Sección 6: Deconvolutions

Deconvolution
En el mundo de la imagen, deconvolución es el proceso de revertir la distorsión óptica que tiene lugar durante la adquisición de datos, creando así más clara, imágenes más nítidas. Deconvolución obras de deshacer el efecto smearing causado a la imagen por una circunvolución anterior con un determinado PSF (función de propagación de punto).



Deconvolución la herramienta es la aplicación del PixInsight de algoritmos de deconvolución Richardson Lucy y Van Cittert, además de regularización basada en ondas y algoritmos de deringing. Deconvolución regularizada funciona separando las estructuras imagen significativa del ruido en cada iteración de deconvolución. Se mantienen las estructuras importantes y el ruido es descartado o atenuado. Esto permite simultánea deconvolución y reducción de ruido, lo que conduce a procedimientos deconvolución robusto que produzcan resultados han mejorado mucho en comparación con las implementaciones tradicionales o menos sofisticadas. A menos que utilice para fines distintos de la deconvolución es true, el deconvolution herramienta sólo debe utilizarse en imágenes lineales.

Para una detallada explicación teórica y práctica de deconvolución, por favor visite http://pixinsight.com/examples/deconvolution/Gemini-NGC5189/en.html

PSF
PixInsight proporciona tres formas de definir el tipo de PSF para los algoritmos de deconvolución: gaussiano, desenfoque de movimientoy externos.

Gaussian PSF
Este es el método de deconvolución más utilizados, como intenta deconvolve la más común encontrado errores de distorsiones de convolución en imágenes de astronomía, tales como las causadas por la turbulencia atmosférica.

StdDev.: el valor de la desviación estándar de la distribución de PSF.

shape: Controla la curtosis de la distribución de PSF, o, en otras palabras, los picos o llanura del perfil del PSF. Cuando el valor de forma es menor que 2, tenemos un leptokurtic PSF con un prominente pico central. Cuando este valor es mayor que 2, el PSF es mesokurtic, con un perfil más plano. Cuando este valor es igual a 2, tenemos una distribución normal (o gaussiana) pura. Estrictamente, cuando este valor no es 2, estamos no definiendo una distribución gaussiana Sin embargo, informalmente hablamos de la familia gaussiano de PSFs porque sus formulaciones son todos casi idénticas.

Aspect ratio:Aspecto relación entre el PSF (proporción de aspecto vertical/horizontal).

Rotation: ángulo de rotación de la distorsionada PSF en grados. Sólo está activo cuando el valor de la proporción es menor que 1.

motion blur psf
Utilice el PSF de desenfoque de movimiento en los casos donde hay seguimiento de errores paralelos a la x o eje del chip o situaciones similares que generó el movimiento unidireccional desenfoque distorsiones.

length: valor de la longitud del movimiento PSF, en píxeles.

angle: ángulo de rotación de la longitud del movimiento PSF en grados.

External PSF
Utilice esta opción si desea definir el PSF basada en una imagen existente. En teoría, la imagen de una estrella es la mejor opción, pero en la práctica los resultados pueden no ser buenos. Experimento de modificarlo con filtros morfológicos, curvas y el histograma. Además, es importante que la estrella se ha centrado muy bien en la imagen que se utilizará como PSF, o se cambiará la imagen deconvolved.

view identifier: la vista (imagen) seleccionado para definir la PSF. externa

Algorithms
En esta sección definimos que queremos aplicar el algoritmo de deconvolución. PixInsight ofrece sus versiones regularizadas y dos opciones:

Richardson-Lucy: En general,Richardson-Lucy es el algoritmo de elección para la deconvolución de imágenes de cielo profundo.

Van Citter: TVan Citter algoritmo es extremadamente eficiente de deconvolución de alta resolución imágenes lunares y planetarias debido a su capacidad para mejorar las estructuras de la imagen muy pequeña.

Regularized Richardson-Lucy: Regularized versión del algoritmo Richardson Lucy (leído la sección de regularización a continuación para obtener más información sobre regularización).

Regularized Van Citter: Regularized versión del algoritmo Van Citter (leído la sección de regularización para aprender más sobre regularización).

Iteration: número máximo de iteraciones de deconvolución.

Luminance: la deconvolución se aplican sólo a la luminancia de la imagen de destino.

Linear: Utilice el componente de CIE Y en lugar de CIE L * como la luminancia de la imagen de destino. Activar esta opción para deconvolve la luminancia de una imagen de color RGB lineal (no separado luminancia). Ejemplos: Réflex digital y OSC CCD imágenes. Deshabilite esta opción para deconvolve la luminancia original de una imagen lineal LRGB. En todos los casos, debe utilizarse un RGBWS lineal (gamma = 1.0).

FFT: Tamaño mínimo PSF para utilizar convoluciones de FFT (transformación rápida de Fourier).

Deringing
PixInsight ofrece dos algoritmos deringing disponibles en deconvolución: global y local deringing. Deringing global es similar a las deringing las funciones utilizadas en otras herramientas de proceso como ATrousWaveletTransform, UnsharpMask y RestorationFilter. Deringing local mejora la protección alrededor de características en pequeña escala y de alto contraste y requiere una deringing soporte de imagen, que es básicamente una máscara estrella cuando se trabaja con imágenes de cielo profundo.

Global dark: Global deringing fuerza de regularización correcta oscuro timbre artefactos.

Global bright: Global deringing fuerza de regularización para corregir artefactos timbre brillante.

Local deringing: Activar esta opción para aplicar deringing utilizando una deringing imagen de apoyo, generalmente una estrella máscara.

Local support: Especifica el identificador de una vista existente para utilizarse como la imagen de apoyo deringing. Debe ser una imagen de escala de grises con las mismas dimensiones que la imagen de destino. El apoyo deringing es opcional; Si no especifica lo, el algoritmo deringing global se aplicará uniformemente a toda la imagen. El apoyo deringing permite utilizar una máscara de estrella para conducir un algoritmo deringing local que puede mejorar la protección de las estrellas y otras estructuras de imagen de alto contraste, de pequeña escala.

Local amount: Local deringing fuerza de regularización. Este valor multiplicará la imagen deringing de soporte (internamente; la imagen de apoyo no se modifica en absoluto). De esta forma, puede modular el local deringing efecto.

Wavelet regularization
Estos parámetros definen cómo los algoritmos realizan separación entre imagen importantes estructuras y el ruido en cada iteración de deconvolución, y cómo el ruido está controlada y suprimido durante todo el procedimiento.

Noise model: Los algoritmos de regularización asuman una distribución estadística dominante del ruido en la imagen. De forma predeterminada, se supone ruido gaussiano de blanco, pero puede seleccionar un distribución de Poisson. En general, verá las pocas diferencias, si existen, entre los resultados obtenidos en ambos modelos de ruido.

Wavelet layer: Este es el número de capas de ondas de regularización usado para descomponer los datos en cada iteración de deconvolución. Este parámetro puede variar entre uno y cuatro capas, pero tienes que tener tan bajo como sea posible reducir la propagación de ruido bien sin destruir las estructuras importantes. En la mayoría de los casos, el valor predeterminado de dos capas es apropiado.

Siguiente para el parámetro de capas wavelet, puede especificar las ondas escala de función que se utilizará. Identifica un filtro de paso bajo núcleo utilizado para llevar a cabo transformaciones wavelet. El valor predeterminado B3 Spline función es la mejor opción en la mayoría de los casos. Una más afilado funcionan como lineal, puede utilizarse para obtener más control sobre la escala de bajo ruido, si es necesario. El en pequeña escala función es experimental de escribir este documento.

Noise threshold: Umbrales de regularización en unidades de sigma. En otras palabras, especifica un valor límite que sólo los píxeles debajo de ella pueden ser considerados como relacionados con el ruido de una capa determinada wavelet. Cuanto mayor sea el valor de umbral, más píxeles serán tratadas como ruido para la escala característica de la capa de ondas en cuestión (ya sea 1, 2, 4 u 8 píxeles), es decir, umbrales más grandes aplicarán reducción de ruido a estructuras más en cada escala de ondas. Cada fila son los valores de umbral de ruido para 1, 2, 3, 4 y 5 píxeles capa estructuras respectivamente. Sólo las filas indicaron por el capas de ondas parámetro son aplicables.

Noise reduction: Fuerza de regularización por iteración. Su valor representa la fuerza del procedimiento de reducción de ruido que se aplica a estructuras ruidosas en una capa de ondas. Un valor de uno de los medios que se eliminen completamente todas las estructuras de ruido. Los valores menores se atenúan pero no eliminarlos. Un valor de cero no significa ninguna reducción de ruido en absoluto. Cada fila son los valores de reducción de ruido de 1, 2, 3, 4 y 5 píxeles capa estructuras respectivamente. Sólo las filas indicaron por el capas de ondas parámetro son aplicables.

Convergence: Límite de convergencia automática en unidades de sigma diferencial. Una propiedad de deconvolución regularizada es que la desviación estándar de la imagen deconvolved tiende a disminuir durante todo el proceso. Cuando la diferencia de la desviación estándar entre dos iteraciones sucesivas es menor que el valor del parámetro de convergencia, o cuando se alcanza el número máximo de iteraciones — lo que pasa en primer lugar —, a continuación, termina el procedimiento deconvolución. Si este parámetro es cero (el valor predeterminado), no hay ningún límite de convergencia y el proceso de deconvolución realizará el número máximo especificado de iteraciones.

Disabled: Desactiva automática convergencia, es decir, instruir PixInsight para realizar el número máximo especificado de iteraciones (recomendado).

Dynamic range extension
Utilice estos controles deslizantes para aumentar el rango de valores que se mantienen y escalarlos a la gama estándar [0,1], y ajustar la saturación durante el proceso de deconvolución.

Estos dos parámetros pueden utilizarse, entre otras cosas ayudar a paliar el efecto de saturación normal que resultan de concentrar el flujo de estrellas y otras funciones cuando aplying la deconvolución, algo que también puede ser ayudada por una simple máscara estrella. Por ejemplo, al aumentar el parámetro de extensión de alta gama, deconvolución tendrá un rango dinámico más amplio para acomodar abrillantados píxeles. La salvedad es que el rango dinámico resultante será más grande, que produce una imagen más oscura.

Low range: sombras extensión de rango dinámico.

High range: destaca la extensión de rango dinámico.

Saludos

[oxygene]

Pues esta claro por lo que veo que es como una herramienta de desenfoque para eliminar el ruido, y el deringing ese vale para proteger y no cargarse las estructuras. Pero por lo que veo tiene tropecientas mil opciones y parametros, tiene que ser bastante mas potente y util que un simple desenfoque gausiano. Alguno lo habeis probado? supongo que solo esta en la version de pago.

[nandorroloco]

La deconvolución es un concepto más complejo que un desenfoque...
Yo no he usado este, lo he usado con IRIS... (pero tiene algún requerimiento que lo hace complicado de aplicar como que el área ha de ser cuadrada)...
Bueno, la primera frase de la definción la encuentro muy apropiada "es el proceso de revertir la distorsión óptica"... y para ello... intenta hacer un camino inverso desde la imagen obtenida a la que debiera ser... ¿cómo?... pues con toda esa paramétrica que le han puesto.
Por ejemplo, si tienes un seguimiento malo, y las imágenes te han hecho una forma de coma... la deconvolución tendría que ser capaz de corregirla, partiendo que de la coma que representa una estrella debería ser un punto... a partir de ahí intenta hacer una reconstrucción que aplicará a toda la imagen.
El ejemplo más claro de deconvolución es el del Hubble... antes de que le corrigieran la aberración esférica, las imágenes que daba eran "horribles"... pero... sabiendo qué tipo de aberración se generaba, se reconstruía con el máximo de "credibilidad"...

Pues eso... es como buscar una especie de función inversa a la "aberración" que se haya sufrido en la imagen.

Saludos.

[oxygene]

Entonces con esa herramienta en una foto pongamos con deriva, o con coma en las esquinas, podemos seleccionar una zona o directamente todas las estrellas y corregirlo? porque de ser asi es la leche en verso.

[nandorroloco]

La deriva la debería corregir, ya que es un efecto "lineal" a toda la imagen, y lineal no me refiero a que tenga forma de líneas, sino que afecta de igual manera a todos los puntos de la imagen. En cambio la coma o la planatura del campo... es un efecto radial o axial... con respecto al centro óptico que no tiene porqué coincidir con el centro de la imagen, en teoría sí que se puede hacer una deconvolución... pero es muchísimo más compleja.

Pues eso... que la deconvolución es la repera... pero es compleja de aplicar.

[emidai]

La verdad que el texto es bastante teórico, cuesta llegar al quid de la cuestión para desentramar cada parametro.
En este enlace explican que es el psf http://pixinsight.com/forum/index.php?topic=404.0
De momento seguiré con el método ensayo error, hasta que encuentre una explicación más llana. Ojala los de pixinsight publicaran una revista en castellano, explicando las herramientas, ahora de momento solo está en ingles, seguro que ganaban un montón de adeptos.

Saludos

[gutiveros]

¡Menos mal que lo mío es VISUAL!!!

[Silvercup]

Hola:

Voy a publicar un minitutorial con ejemplos. Espero que me haya explicado bien. Si no pues me bombardeais a preguntas.

Silvercup