Сложение (ImageIntegration)

Данная статья описывает процесс в PixInsight версии 1.8.9

Сложение (ImageIntegration) кадров является процессом PixInsight, к которому приходится прибегать чаще всего. Данный процесс применяется не только для усреднения нескольких фотографий с целью уменьшения уровня шума, но и для устранения выбросов — оставшихся битых или горячих пикселей, треков космических лучшей, следов самолётов и спутников.

Процесс можно найти в меню PROCESS / Prepocessing / ImageIntegration.

В данной статье не погружаюсь в математику описанных алгоритмов. Если будет интерес, пишите в комментариях, сделаем отдельный материал.

Краткое описание

Сложение применяется ко всем типам кадров: лайтам, даркам, флэтам, флэтдаркам и биасам.

Приступая к процессу сложения, подразумевается, что ранее были реализованы следующие последовательные этапы:

• из серии исключены заведомо некачественные снимки (проблемы с гидированием, запотевание и облака на лайтах, засветка на дарках, клиппинг на флэтах и т. п.);
• изображения откалиброваны в случае наличия калибровочных кадров (в первую очередь это касается флэтов и лайтов);
• для лайтов проведена косметическая коррекция;
• для лайтов, снятых на цветную матрицу, обязательно проведена дебайеризация;
• лайты выровнены по звёздам (если только нашей целью не является фото звёздных треков).

Если вы пока не слишком свободно ориентируетесь в PixInsight, лучше сбросить настройки процесса до настроек по умолчанию. Это делается нажатием кнопки [Reset], которая в виде иконки расположена в правом нижнем углу окна.

Изображения загружаются нажатием на кнопку [Add Files].

Дальнейшая комбинация настроек, которые следует контролировать, будет зависеть от типа и количества кадров. Остальные опции можно оставить по умолчанию, в большинстве случаев они прекрасно работают. Однако если хотите взять от PixInsight всё по максимуму, читайте раздел «Подробное руководство» этой статьи.

	Биасы, Дарки, Флэтдарки	Флэты	Лайты
Секция «Image Integration»
Combination	Average	Average	Average
Normalization	No normalization	Multiplicative	Additive with scaling
Weights	Don’t care (all weights = 1)	Don’t care (all weights = 1)	PSF Signal Weight
Truncate on out-of-range	НЕТ	ДА	НЕТ
Секция «Pixel Rejection (1)»
Rejection algorithm	Менее 8 кадров: Percentile Clipping 8 – 10 кадров: Sigma Clipping 11 – 19 кадров: Winsorized Sigma Clipping 20 – 25 кадров: Linear Fit Clipping более 25 кадров: Generalized Extreme Studentized Deviate (ESD)
Normalization	No normalization	Equalize fluxes	Scale + zero offset
Секция «Signal and Noise Evaluation»	НЕТ	ДА	ДА

Стоит отметить, что установки по умолчанию, загружаемые нажатием кнопки [Reset], соответствуют настройкам для лайтов.

Нажимаем [Apply Global (F6)], после чего начинается процесс сложения.

В зависимости от того, какой алгоритм отклонения (Pixel Rejection) вы поставили, помимо результата сложения PixInsight отобразит одну или несколько карт отклонённых пикселей.

Не забудьте сохранить результат сложения (вид «integration») в формате .xisf.

Подробное руководство

Многие статистические алгоритмы, описанные ниже, работают с так называемыми «стеками пикселей». Стек пикселей — это совокупность значений интенсивности пикселя с определёнными координатами по всем кадрам. Количество данных в стеке определённого пикселя равно количеству обрабатываемых изображений. Чем больше кадров для обработки используется, тем более надёжные статистические алгоритмы мы сможем применять.

Ниже рассмотрены настройки процесса ImageIntegration в зависимости от секции, в которой они находятся.

Input Images

Add Files

Добавляет файлы в список для обработки.

Add L.Norm. Files (Clear L.Norm. Files)

Добавляет (очищает) связи с файлами локальной нормализации (*.xnml), полученными ранее при помощи процесса LocalNormalization.

Add Drizzle Files (Clear Drizzle Files)

Добавляет (очищает) связи с файлами дриззлинга (*.xdrz), полученными ранее при помощи процесса SrarAlignment.

Set Reference

Выбранный кадр используется в качестве опорного (по умолчанию опорным считается первый кадр в списке). Опорный кадр используется для:

• нормализации входных изображений — как для получения итогового изображения, так и при отбраковке пикселей;
• взвешивания изображений, все веса изображений будут рассчитаны относительно эталонного изображения, которому будет присвоен вес = 1;
• оценки качества.

Если в имеющемся наборе кадров присутствуют кадры с различными градиентами, следует выбирать изображение с наименьшими градиентами, так как последние усложняют вычисление ряда статистических свойств. При выборе эталонного кадра следует избегать присутствия на них сильных артефактов, таких как следы самолётов и спутников.
Попробуйте выбрать наилучшее изображение с точки зрения SNR или использовать иные критерии, используя процессы SubframeSelector и/или Blink.

Select All

Помечает все файлы в списке как выбранные.

Invert Selection

Инвертирует «выделенность» файлов.

Toggle Selected

Инвертирует избранность файлов для обработки. Файлы, помеченные крестиком, не будут участвовать в процессе сложения.

Remove Selected

Удаляет выбранные файлы из списка.

Clear

Полностью очищает список файлов.

Static Data Targets

Включение данной опции позволит использовать полный путь к связанным .xnml и/или .xdrz файлам. Это необходимо, если мы хотим использовать одинаковые имена .xnml и/или .xdrz файлов, расположенных в разных папках.

Full paths

Отображает в списке полный путь к файлам, а не только их имена.

Format Hints

Данное поле предназначено для написания команд, которыми PixInsight будет руководствоваться при чтении определённых форматов файлов. Format Hints применяются для процессов ImageCalibration, StarAlignment, ImageIntegration и HDRComposition. Ниже под катом представлено полное описание Format Hints, используемых в процессе ImageIntegration

Image Integration

Combination

Алгоритм, по которому будет вычисляться значение каждого пикселя.

• Average. В качестве значения финального пикселя берётся среднее значение по стеку. Оно обеспечивает лучшее соотношение сигнал/шум.
• Median. В качестве значения финального пикселя берётся медиана по стеку. Хорошо устраняет выбросы, но соотношение сигнал/шум ниже, чем в первом варианте.
• Minimum. В качестве значения финального пикселя берётся минимальное значение в стеке.
• Maximum. В качестве значения финального пикселя берётся максимальное значение в стеке. Хороший вариант для сложения астрономических пейзажей и звёздных треков.

Normalization

Она же «выходная нормализация» (в отличие от нормализации при отклонении пикселей). Данный вид нормализации применяется ко всем входным изображениям непосредственно перед сложением (Combination) и только к тем пикселям, которые сохранились после процедуры их отбраковки (Pixel Rejection).

• No normalization. Отсутствие нормализации. Важно для изображений, на которых требуется сохранить пьедесталы, как это происходит при интеграции биасов, дарков и флэтдарков.
• Additive. Аддитивная нормализация производит уравнивание средних значений фона.
• Multiplicative. Мультипликативная нормализация производит уравнивание средних фоновых значений путём деления. Аддитивная и мультипликативная нормализации в целом приводят к аналогичным результатам. Однако мультипликативный вариант должен использоваться для интеграции изображений, которые в дальнейшем будут комбинированы путем умножения или деления. Это особенно важно для интеграции флэтов, поскольку мастер-флэт не должен содержать аддитивной составляющей (пьедестала).
• Additive with scaling. Наряду с нормализацией фона изображения будут масштабироваться по их дисперсии. Является параметром по умолчанию, который следует использовать для интеграции лайтов.
• Multiplicative with scaling. Аналогично Additive with scaling наряду с нормализацией фона, будут масштабироваться дисперсии. Эта опция может быть использована для создания изображений, которые в дальнейшем будут объединены путем умножения или деления. Не могу привести пример, когда этот тип нормализации должен использоваться.
• Local normalization.

Weights

Данная опция позволяет присвоить вес каждому кадру на основании ряда критериев, что позволит сделать сложение более оптимальным (например, кадры с большим шумом будут иметь меньший вес). Критерии эти следующие:

• Don’t care. Взвешивание не производится, все кадры считаются равнозначными, что требуется для калибровочных кадров: дарков, биасов, флэтдарков и флэтов.
• PSF Signal Weight, а также PSF SNR. Алгоритмы PSF Signal Weight (PSFSW) и PSF SNR являются достаточно свежими и основаны на оценках PSF-фотометрии и шума, вычисленных с использованием методов кратномасштабного (multiscale) анализа. Эти методы надежны и точны. PSFSW — это комплексный инструмент оценки качества изображения, способный фиксировать широкий спектр показателей качества изображения, включая соотношение сигнал/шум, размеры источника и градиенты фона. В настоящее время PSFSW является методом по умолчанию. PSF SNR является хорошим выбором для расчёта весовых коэффициентов изображения исключительно на основе отношения сигнал/шум.
• PSF Scale SNR. Использует оценки, вычисленные инструментом LocalNormalization, сохраненные в файлах данных локальной нормализации (.xnml), наряду с кратномасштабными (multiscale) оценками шума, для вычисления весов изображений исключительно на основе относительных отношений сигнал/шум. Этот метод отлично подходит для максимизации SNR. Для работы данного алгоритма требуются файлы .xnmI, созданные с одним и тем же эталонным кадром и корректно связанные со всеми входными изображениями.
• SNR. Метод использует статистические оценки и методы кратномасштабной (multiscale) оценки шума для вычисления соотношения сигнал/шум (SNR). Метод может привести к оптимальным (с точки зрения максимизации SNR) результатам, но имеет потенциальные проблемы с надежностью. Его следует использовать с осторожностью, анализируя данные перед интеграцией, например, с помощью инструмента SubframeSelector.
• Exposure time. Весовые коэффициенты будут определяться на основании информации об экспозиции. Она будет извлекаться из стандартных ключевых слов заголовка FITS: сначала из EXPTIME, потом из EXPOSURE FITS.
• Average value. Расчет весов входных изображений по средним значениям интенсивности кадра.
• Median value. Расчет весов входных изображений по медианным значениям интенсивности кадра.
• Average signal strength. Получает относительные экспозиции анализом статистических свойств изображения. Этот параметр не будет работать, если некоторые входные изображения имеют дополнительные вариации освещённости, например, градиенты неба.
• FITS keyword. Требуется указать ключевое слова FITS для получения весов изображений. Указанное ключевое слово должно присутствовать во всех вводимых изображениях и иметь числовое значение. Некоторые процессы, такие как SubframeSelector, могу хранить предварительно рассчитанные веса в ключевых словах FITS, которые можно извлечь с помощью этой опции.

Weight keyword

Название ключевого слова FITS, которое будет использоваться для получения весовых коэффициентов изображений, если в качестве критерия взвешивания выбран параметр FITS keyword.

Minimum weight

Изображения с весом ниже указанного в данном поле параметра будут исключаться из обработки. По умолчанию установлено значение 0.005. Чтобы не исключать изображения из обработки по минимальному весу, в этом поле следует указать 0.

Generate integrated image

Создаёт итоговое изображение — результат интеграции, основную цель данного процесса. Удивительно, но его можно отключить. Разработчики сообщают, что это сделано для более быстрого тестирования алгоритмов отбраковки.

Generate a 64-bit result image

Если этот параметр выбран, ImageIntegration сформирует итоговое изображение в 64-разрядном формате с плавающей запятой (двойная точность). В противном случае результат интеграции будет сгенерирован в 32-разрядном формате с плавающей запятой (одинарная точность), который и является параметром по умолчанию. Даже если результатом является изображение с одинарной точностью, все промежуточные вычисления выполняются PixInsight с использованием внутренней двойной точности.

Generate drizzle data

Создаёт файл данных дриззлинга в формате XML для каждого кадра. Файлы данных дриззлинга содержат геометрические параметры проекции, карты отклонения пикселей, статистические данные и метаданные для процесса DrizzleIntegration. Файлы дриззлинга (.xdrz) создаются процессом StarAlignment, а процесс ImageIntegration добавляет к тем же файлам данные об отбраковке и статистику.

Subtract pedestals

Ищет ключевое слово PEDESTAL в заголовках файлов и производит вычитание соответствующих значений. Данная опция должна быть включена при сложении калиброванных лайтов с ключевым словом PEDESTAL и использовании глобальной нормализации (например Additive with scaling). Опцию следует выключать при использовании локальной нормализации (в этом случае локальная нормализация не будет применена) и сложении биасов, дарков и флэтдарков, пьедесталы из которых будут автоматически вычтены при калибровке.

Truncate on out-of-range

Если выходное интегрированное изображение содержит пиксели, выходящие за пределы номинального диапазона [0,1], они будут обрезаны вместо масштабирования всего изображения.

После интеграции хорошо откалиброванного набора данных обычно не должно возникать значений, выходящих за пределы номинального диапазона. Однако иногда такое происходит, и изображение повторно масштабируется. Масштабирование изображение неприменимо для флэтов, поэтому при их интеграции данная опция должна быть включена.

Close previous images

Закрывает полученные ранее результаты интеграции и отбраковки перед запуском нового процесса сложения. Применяется для того, чтобы избежать загромождения рабочего пространства открытыми окнами.

Automatic buffer sizes

Позволяет устанавливать размер буфера строк пикселей автоматически. Является опцией по умолчанию и обычно не требует отключения. Отключение позволит задать параметры буфера и стека вручную.

Buffer size (MiB)

Данная опция позволяет вручную настроить размер буфера строк пикселей. Этот параметр определяет размер буферов, используемых для считывания строк пикселей, при этом для каждого входного изображения свой имеется независимый буфер. Больший размер буфера повысит производительность за счет минимизации операций чтения с диска. Значение по умолчанию, равное 16 Мб, обычно вполне приемлемо. Уменьшите этот параметр, если во время интеграции у вас возникают ошибки из-за нехватки памяти. Это может быть необходимо для интеграции больших наборов кадров в системах с небольшим количеством памяти, особенно в 32-разрядных операционных системах.

Stack size (MiB)

Данная опция позволяет вручную настроить размер стека памяти для интеграции. В целом, чем больше этот параметр, тем выше производительность, особенно в многоядерных системах. Наилучшая производительность достигается, когда вся совокупность интегрированных пикселей может быть загружена сразу в стек интеграции. Чтобы это произошло, должны быть выполнены следующие условия:

• Размер буфера (см. выше) должен быть достаточно большим, чтобы полностью загрузить входной файл за одну операцию чтения файла.
• Размер стека должен быть больше или равен W×H×(12×N + 4), где W и H — ширина и высота изображения в пикселях, а N — количество интегрируемых изображений. При использовании Linear Fit Clipping в качестве алгоритма отбраковки пикселей в уравнении следует заменить 4 на 8. Например, размер стека по умолчанию 1024 (1 гигабайт) достаточен для оптимальной интеграции 20 монохромных изображений размером 2048×2048 с размером буфера по умолчанию 16 Мб. При размере стека в 4 Гб и размере буфера в 64 Мб можно интегрировать 20 монохромных изображений 4K×4K с оптимальной производительностью в 64-разрядной версии PixInsight.

Use file cache

По умолчанию ImageIntegration использует динамический кэш рабочих параметров изображения, включая статистику пикселей и данные нормализации. Этот кэш значительно повышает производительность, когда одни и те же изображения интегрируются несколько раз, например, для поиска оптимальных параметров отбраковки пикселей. Отключите эту опцию, если по какой-либо причине не хотите использовать кэш. Это приведет к принудительному пересчету всех статистических данных, необходимых для нормализации, которая включает загрузку всех интегрированных файлов изображений с диска.

Pixel Rejection (1)

Отбраковка пикселей предназначена для удаления из результата сложения значений, которые резко отличаются от всех прочих в стеке пикселей. Чем больше кадров мы имеем, тем большим будет стек и тем надёжнее статистические алгоритмы смогут выявить выбивающиеся из ряда пиксели.

Детальные параметры каждого алгоритма задаются в секции Pixel Rejection (2).

Rejection algorithm

• Min/max. Этот метод выполняет отбраковку фиксированного количества пикселей с максимального и/или минимального значения из каждого стека без какой-либо статистической основы. Алгоритмы, основанные на статистических свойствах выборки (Percentile Clipping, Averaged Sigma Clipping, Winsorized Sigma Clipping и т.д.) гораздо более предпочтительны.
• Percentile clipping. Применяется для ограниченных выборок (3 — 6 кадров). Этот однопроходный алгоритм отклоняет пиксели, лежащие на определённом отклонении от медианы.
• Sigma clipping. Хороший вариант для выборки 8 — 10 кадров. Отклоняются все пиксели в стеке, лежащие на заданном количестве стандартных отклонений (σ) от медианы.
• Winsorized sigma clipping. Является усовершенствованием предыдущего метода и позволяет сохранить больше значимых пикселей. Оптимальный вариант для выборок 11 — 20 кадров.
• Averaged sigma clipping. Является хорошим алгоритмом для умеренного количества (8 — 10) кадров. Сначала этот алгоритм пытается вычислить Gain идеального сенсора из представленных данных, предполагая нулевой шум считывания, затем использует модель пуассоновского шума для выполнения отбраковки. Однако для бОльших наборов изображений Sigma clipping, как правило, лучше.
• Linear fit clipping. Этот алгоритм пытается аппроксимировать упорядоченные по возрастанию значения пикселей в стеке прямой, исходя из двух критериев: максимально выявить выбросы и максимально сохранить полезные данные. Для больших (от 20 кадров) выборок этот алгоритм работает лучше, нежели все вариации Sigma Clipping.
• Generalized Extreme Studentized Deviate (ESD). Достаточно свежий алгоритм для больших наборов данных, описанный в статье Бернарда Рознера 1983 года «Percentage Points for a Generalized ESD Many-Outlier procedure». Предполагается, что каждый стек пикселей при отсутствии выбросов соответствует нормальному (гауссову) распределению, что позволяет минимизировать «маскировку» — проблему, которая возникает, когда выброс остается незамеченным, вследствие того, что его значение аналогично другому выбросу. Эффективность алгоритма ESD превосходна для больших наборов данных, содержащих 25 и более изображений, особенно — для очень больших наборов из 50 и более кадров.
• Robust Chauvenet Rejection (RCR). Самый свежий на текущий момент алгоритм отбраковки пикселей, введённый в версии 1.8.9. Подробное его описание доступно в статье Maples, M. et al. (2018). Robust Chauvenet Outlier Rejection. The Astrophysical Journal Supplement Series. 238. 2. RCR — это адаптивный алгоритм отбраковки, который не требует никаких параметров. Однако в его реализации в PixInsight можно настроить единственный параметр для контроля степени отбраковки. Несмотря на то, что разработчики считают лучшим алгоритмом отбраковки ESD, использование RCR более интуитивно, когда нужен точный контроль над отбраковкой пикселей методом проб и ошибок. RCR лежит также в основе нового процесса локальной нормализации и алгоритмов взвешивания изображений на основе потока PSF.

Нормализация

В данном разделе задаётся метод нормализации изображений, который будет использоваться только для отбраковки пикселей (в отличие от выходной нормализации, см. ранее). Данный вид нормализации необходим для эффективного отклонения пикселей, она гарантирует, что данные со всех кадров будут статистически совместимы с точки зрения средних значений фона и дисперсии.

• No normalization. Нормализация не применяется. Используется только для биасов, дарков и флэтдарков.
• Scale + zero offset. Выравнивает средние значения фона и дисперсии. Это метод нормализации отбраковки по умолчанию, его следует использовать для сложения лайтов.
• Equalize fluxes. Выравнивает основные пики гистограммы всех изображений перед отбраковкой пикселей. Это предпочтительный метод для интеграции флэтов, поскольку в этом случае попытка согласовать дисперсии не имеет смысла из-за неравномерного распределения яркости по кадру. По этой причине данный тип нормализации может быть полезен для интеграции некалиброванных кадров, либо для изображений, страдающих сильными градиентами. В последнем случае этот метод следует выбирать только в качестве крайнего средства, когда ни один алгоритм отбраковки пикселей не дал приемлемых результатов.

Generate rejection maps

Вместе с итоговым изображением (которое по умолчанию создаётся включенной опцией Generate integrated image) будут сгенерированы карты отбракованных пикселей.

Clip low pixels

Если эта опция включена, то будут отклоняться пиксели, лежащие ниже определённого референсного уровня алгоритма. Если нет — ни один пиксель ниже порога не будет отклонён. Опция включена по умолчанию.

Clip high pixels

Если эта опция включена, то будут отклоняться пиксели, лежащие выше определённого референсного уровня алгоритма. Если нет — ни один пиксель выше порога не будет отклонён. Опция включена по умолчанию.

Clip low range

Если опция включена, то будут отклоняться пиксели ниже заданного минимального номинального значения (от 0.0000 до 1.0000). Если нет — ни один пиксель ниже значения не будет отклонён. Опция включена по умолчанию, но установлена в 0.0000.

Clip high range

Если опция включена, то будут отклоняться пиксели выше заданного максимального номинального значения (от 0.0000 до 1.0000). Если нет — ни один пиксель выше значения не будет отклонён. Опция выключена по умолчанию.

Report range rejection

Добавляет информацию об исключённых пикселях методами Clip low range и Clip high range в информационную сводку на консоли.

Map range rejection

Добавляет информацию об исключённых пикселях методами Clip low range и Clip high range в карты отбракованных пикселей.

Pixel Rejection (2)

В данном разделе устанавливаются параметры описанных выше алгоритмов. Обычно они отлично работают по умолчанию.

Min/Max low	Количество пикселей с минимальным (максимальным) значением, которые будут удалены из каждого стека при использовании алгоритма отбраковки Min/max.
Min/Max high
Percentile low	Задаёт в единицах номинальной шкалы (от 0.0000 до 1.0000) расстояние от медианы до нижнего (верхнего) референсного уровня. Чем меньше это значение, чем больше пикселей будет отброшено. Применимо только для алгоритма Percentile clipping.
Percentile high
Sigma low	Задаёт в единицах стандартного отклонения (σ) расстояние от медианы до нижнего (верхнего) референсного уровня. Чем меньше это значение, чем больше пикселей будет отброшено. Применимо только для алгоритмов Sigma clipping, Averaged sigma clipping, Winsorized sigma clipping.
Sigma high
Winsorization cutoff	Параметр, применимый только для алгоритма Winsorized sigma clipping. Пиксели с отклонениями от медианы, выше данного параметра (в единицах σ), будут установлены равными медиане стека пикселей на первой итерации отбраковки. Это заменяет выбросы, такие как космические лучи, горячие и холодные пиксели, правдоподобными значениями их ближайших соседей.
Linear fit low	Нижний (верхний) референсный уровень для алгоритма Linear fit clipping в единицах среднего отклонения в каждом стеке пикселей от линии аппроксимации. Чем меньше значение этого параметра, тем больше пикселей будет отклонено.
Linear fit high
ESD outliers	Ожидаемая максимальная доля выбросов для алгоритма ESD. Например, значение 0.2, применяемое к стеку из 10 пикселей, означает, что алгоритм ESD будет ограничен обнаружением максимум двух пикселей с выбросами, или, другими словами, в таком случае будут отклонены 2, 1 или 0 пикселей.
ESD significance	Уровень значимости для алгоритма ESD, соответствующий вероятности совершения ошибки I типа (ложноположительный результат). Например, уровень значимости 0,01 означает, что вероятность ошибки в 1% при отклонении нулевой гипотезы (о том, что в данном стеке пикселей нет выбросов) является приемлемой. Значение по умолчанию равно 0,05 (уровень значимости 5%).
RCR limit	Параметр, используемый для алгоритма отбраковки Robust Chauvenet Rejection (RCR).
Range low	Нижний (верхний) референсный уровень для опции Clip low (high) range (см. выше).
Range high

Large-Scale Pixel Rejection

Крупномасштабная отбраковка использует методы кратномасштабного (multiscale) анализа для обнаружения и удаления не только единичных пикселей, но и их структур. Данная функция весьма эффективна для подавления следов самолётов и спутников. При включенной крупномасштабной отбраковке можно быть уверенным, что эти артефакты будут правильно отсечены даже без необходимости изменения референсных коэффициентов отбраковки. Крупномасштабная отбраковка по нижнему уровню (Reject low large-scale structures) может быть полезна для удаления бубликов от пыли и других относительно крупных темных артефактов.

Reject low large-scale structures	Включает режим отбраковки тёмных (ярких) структур
Reject high large-scale structures
Layers (low)	Количество слоёв малого масштаба, которые будут исключены из крупномасштабных карт с темных (ярких) пикселей. Исключение слишком малого количества слоёв может привести к чрезмерному отбраковыванию, а слишком большого — к недостаточной отбраковке. Хорошим компромиссом является 2, что и установлено по умолчанию.
Layers (high)
Growth (low)	Данный параметр характеризует степень распространения алгоритма на соседние пиксели. Чрезмерный рост приведет к ненужному отбрасыванию большого количества пикселей вокруг крупных структур, таких как трассы самолетов. Недостаточный рост приведет к появлению ложных пикселей в областях с высокой неопределенностью. Хорошим компромиссом является 2, что и установлено по умолчанию.
Growth (high)

Signal and Noise Evaluation

Включение данной опции позволяет проводить оценку шума, SNR и PSF значений интеграции конечного изображения. Выбранный алгоритм (по умолчанию MRS) будет использоваться для вычисления стандартного отклонения шума в интегрированном результате. Эти оценки обычно имеют точность в пределах 1%. Помимо оценок шума, будет создан отчет со статистикой для каждого канала, оценками весов SNR, PSF.

Эта опция полезна для сравнения результатов различных процедур интеграции. Например, сравнивая оценки веса сигналов SNR и PSF, можно выяснить, какие критерии нормализации изображения и взвешивания приводят к наилучшим результатам с точки зрения качества изображения.

Noise Estimator

Этот параметр выбирает алгоритм для автоматической оценки стандартного отклонения шума в интегрированном изображении, а также для входных изображений, когда метаданные оценки шума недоступны.

• Multiresolution support. Процедура реализует итерационный алгоритм (MRS), описанный Жан-Люком Старком и Фионом Муртой. В реализации Pisinsight стандартное отклонение шума оценивается на первых четырех вейвлет-слоях, полагая распределение шума гауссовским. MRS является на удивление точным и надежным алгоритмом и опцией по умолчанию для оценки шума.
• Iterative k-sigma clipping. Данный итеративный алгоритм может быть использован в качестве крайнего средства, когда алгоритм MRS не срабатывает. Это может произойти на изображениях без заметного шума малого масштаба, но никогда не должно происходить при нормальных рабочих условиях.
• N* robust noise estimator. Извлекает подмножество остаточных пикселей путем сравнения с крупномасштабной моделью локального фона изображения, созданной с помощью кратномасштабного медианного преобразования (Multiscale Median Transformation, MMT). Это неплохая и точная альтернативная оценка шума, которая не предполагает и не требует какого-либо конкретного статистического распределения в анализируемых данных.

Detection Scales

Количество вейвлет-слоёв, используемых для обнаружения структуры. При большем количестве вейвлет-слоёв будут обнаружены более крупные звезды (и, возможно, некоторые незвездные объекты).

PSF type

Тип функции рассеяния точки для определения звёзд на снимке и фотометрии.

Region of Interest

Для ускорения процесса интеграции изображений можно задать прямоугольную область, чтобы ограничить процесс пикселями, относящимися только к ней. Область задаётся координатами левого верхнего пикселя (top, left), а также шириной (width) и высотой (height) требуемой области.