Algoritmy pro rozpoznávání hvězd z digitálních obr

[MilAN]

Napadá vás, k čemu by se taková automatická lokace hvězd hodila?Tohle mě opravdu nenapadá, protože, když fotím, vím kde jsem a pokud v té oblasti budu chtít dělat nějaké identifikace, poslouží k tomu běžné astrometrické programy s libovolným dosahem ( podle databáze -.-buď GSC nebo USNO....)

[MMys]

Naslepo to umí třeba astrometry.net, docela užitečné je to třeba v okamžiku, kdy se ti "ztratí" automatická montáž bez absolutních enkodérů, při provozu na dálku. Několikrát jsem to použil, když jsem v hvězdárničce na dálku ovládal EQ6+EQMOD driver, a zhavaroval mi systém.

Využití je ale pochopitelně o dost menší, než když polohu i měřítko znáš, a také je to výpočetně podstatně náročnější a složitější.

[Rudohor]

Rozoznavanie objektov v obraze nikdy nie je trivialna uloha, ale hviezda je snad najjednoduchsi realny objekt, nic jednoduchsie uz byt snad nemoze. Aby fungovalo demo s nejakou rozumnou demo uspesnostou, staci najst lokalne maxima, prelozit okolie rovinou a odcitat pozadie (gradient je bestia), prelozit nejakou rozumnou dvojrozmernou funkciou (gausovka, moffat?), spocitat SNR a odchylku od idealneho tvaru a podla neho rozhodnut. Pre radost z fungujuceho "urob si sam" pokusu to staci. Samozrejme, ked sa chce maximalna spolahlivost, veci sa zacnu komplikovat a nejake super profi riesenie som nikdy nestudoval.

Neuronovkou to ide tiez. Nie ze by bol dovod, klasicku backpropagation nie je najmensi dovod pouzivat na nic na svete. (leda ze by som zaspal nejaky novy objav) Support vector machine vie byt plne ekvivalentna k backpropagation a vie este omnoho viac + menej alchymie pri nastavovani parametrov + rychlejsie ucenie. Trenovacie data som generoval ako gaussovku + sum, negativne data ako cisty sum. Za par hodin ucenia od vecera do rana mi to nejake hviezdy na realnych fotkach naslo, zlyhalo na ciarkovanych difrakcnych krizoch.

Astrometry.net ma zdrojaky na githube. Koho to skutocne zaujima, moze sa pozriet. Kto naozaj velmi chce, moze sa zapojit do vyvoja. Varovanie: prijemny sebavysvetlujuci kratky zdrojak to na prvy pohlad nie je. Je tam kopa roznej funkcionality na zmatenie nepriatela, dokumentacia nic moc. Klucova datova struktura je k-d tree. Nepouzivaju trojuholniky ale stvoruholniky. Trojuholnik je vraj prilis nachylny na sum.
Zdrojaky https://github.com/dstndstn/astrometry.net
Nejaky pokec napriklad tu - http://iopscience.iop.org/1538-3881/139 ... 5_1782.pdf
Vseobecne, materialu su plne internety, mohol by raz niekto z nedostatku lepsej cinnosti nastudovat, aby sme sa tu nebavili ako male deti

[Michal Trneny]

Rudohor díky za pdf článek o slepé astrometrii. Moudrý z toho nejsem. Zkusím to pochopit jenom když můj algoritmus bude beznadějně pomalý. Ještě jsem zkoušel http://nova.astrometry.net/ a ono to fakt funguje! Nahrál jsem tam nějakou krásnou fotku M13 a okolí a do 15s mi to našlo [ra,dec] souřadnice středu fotky. Podíval jsem se do mapy a je to správně. Takže nějak to musí jít.

[MMys]

Pokud si chceš hrát, tak pro začátek se nauč udělat match hvězdného pole s katalogem, pro případ že znáš zhruba souřadnice vyfoceného pole a měřítko obrazu. To úlohu značně zjednodušuje. Udělat to naslepo, a dostatečně rychle, to fakt není žádná sradna a byly kolem toho vytvořeny tuny různých projektů s různými přístupy, výpočetní náročností, a tomu odpovídající úspěšností a přeností.

Jako úplně první krok musíš mít algoritmus, který ti nejlépe z fits souboru s hvězdným polem udělá matici souřadnic centroidů hvězd (prozatím jenom v pixelech), a jejich relativních jasností. Až budeš mít tohle funkční, tak můžeš začít řešit tu úlohu přiřazení ke katalogu.

[Michal Trneny]

Analýza obrazu a porovnání centroidů s katalogem, jdou řešit i odděleně. Myslím, že jsem ještě nikdy neřešil nic, co by se více podobalo té druhé části (porovnání s katalogem). Ta mě teď zajímá nejvíce. Když přijdu, jak na to, budu spokojený. A i kdybych nevyřešil nic, tak web Astrometry to jistí.