Astro Stacker 3.1 - skládání astronomických snímků

[Psion]

To je teda test... O jakém mluvíš programu, jak byl vložen do programu snímek?

[MMys]

Aha, tak už asi tuším, proč mi to funguje. U mne má každý snímek ve fits hlavičce RA, DE a úhel natočení pole Nikdy jsem to neměl ze soustavy v hvězdárně jinak. A někdy, když snímám bez pointace, tak i plnou astrometrii, protože když dělám dithering naslepo, bez guidingu, tak se po každém snímku dělá plate solving.

Po meridian flipu je ideální udělat Plate Solving pro správnou kompozici (polohu objektů na obloze). Pak už stačí Ransac a když neuspěje v řádu 100 ms, tak to zkusí v 180° otočení. Je to rychlé a po správném meridian flipu to funguje bez problémů. Plate Solving bude dobrý pro snímky s velkým posunem, třeba v mozaice.

[Psion]

Ano, to je pak celkem jednoduché, plate solving na známých souřadnicích je v pohodě. Třeba Seestar má ve FITS hlavičce souřadnice snímku, ale univerzálně to tak není. Středně velká databáze hvězd D50 má komprimovaná 1GB, ta by měla stačit na plate solving pro střední zorné pole kolem 0,5°.

[Naburko]

To je teda test... O jakém mluvíš programu, jak byl vložen do programu snímek?

Osobne som testoval tetru a rôzne forky optimalizované pre RPi.

https://github.com/esa/tetra3

[Psion]

Chápu, řešení je rychlé pro velké 10° pole pro jasné hvězdy. Pro malé zorné pole a hvězdy cca 14 mag. to bude hned jinak. Já jsem testoval třeba Astap, pokud nejsou souřadnice, tak je to úplně marné, když jsou uvedeny s přesností +/- 10%, tak to dá v řádu sekund.

[Naburko]

Nemyslím, si že pre menšie polia to bude pomalšie. Dôležité je správne nastaviť katalóg hviezd. Ak do katalógu zaimplementujem zbytočne jasné hviezdy tak holt to bude trvať. Ak algoritmu predhodím predbežné parametre fov a pridám správny katalóg tak to nemá dôvod trvať večnosť.

[Psion]

Pro rychlý Plate solving je potřeba znát rozlišení "/pix na snímku a ideálně přibližnou polohu.
Když dám do Pixi přesné souřadnice a špatné rozlišení, tak to nezvládne.

Nevěřím, že program v Pythonu, který zrovna nevyniká rychlostí, je tak rychlý algoritmus, který si poradí v řádu sekund s jakýmkoli snímkem v metrovém ohnisku z APS-C, když o snímku neví nic.

[Psion]

Nová verze 3.1

- Vylepšení algoritmu Live stack
- Vylepšení algoritmu RANSAC alignment
- Záložky funkcí
- Export do JPG formátu
- Historie otevřených souborů
- Lepší popis procesů
- Odstranění drobných chyb

Konečně jsem se dostal k testování Live stack pod noční oblohou se Seestar a snažil jsem se co nejvíce vylepšit algoritmus. Samozřejmě jsou tam nějaké omezení oproti klasickému zpracování snímků, protože nepracujeme v některých operacích s celým stackem jako takovým, ale jen s jednotlivými soubory. Výhoda toho algoritmu je, že po ukončení připojení ke kameře si lze kdykoliv zrychleně pustit skládání snímků (stačí vybrat adresář a stisknout Live stack), případně si snímky složit standardní cestou. Také lze si nastavit nově upravit vzhled skládaného obrazu pomocí jednotlivých jezdců a nesahá pak na to automatika.
V RANSAC alignment (nebo Live stack) nefungovalo skládání na otočené snímky např. díky meridian flip, nebo prostému otočení kamery o větší úhel než 90°. Opravil jsem i popis některých hlášek, aby uživatel lépe viděl, co se v daném čase, v aplikaci děje. Také jsem přemístil okno Metadata do panelu otevírání souboru a upravil některá tlačítka.

Tuto verzi jsem testoval déle a odstraňoval jsem i drobné vady a věci, co se mi nelíbily. Chvíli si musí uživatel zvyknout na práci v záložkách, ale je to přehlednější a po zpětné vazbě něco mohu upravit. Lépe se s těmi kratšími panely pracuje na menších obrazovkách a i možnost schovávání panelů často využívám na notebooku.

[Psion]

Nemyslím, si že pre menšie polia to bude pomalšie. Dôležité je správne nastaviť katalóg hviezd. Ak do katalógu zaimplementujem zbytočne jasné hviezdy tak holt to bude trvať. Ak algoritmu predhodím predbežné parametre fov a pridám správny katalóg tak to nemá dôvod trvať večnosť.

Nedalo mi to, tak jsem si udělal plugin do mého programu a testoval fotografie z 130mm objektivu a APS-C (FOV 10°). Muselo se upravovat rozhraní, protože tetra3 uvnitř volá np.math.factorial(...), který už v NumPy 2.x už neexistuje. Do programu jsem přidal malý kompatibilní shim před spuštěním solveru:

Kód: Vybrat vše

if not hasattr(np, "math"):
    np.math = math

Nyní to jede správně a najde to střed snímku za 0,2s (RA,DEC, FOV, rozlišení atd.). Což je pěkné, ale samozřejmě databáze je poměrně malá (48 MB), v tom se rychle hledat dá. Chtěl jsem, aby to fungovalo pro výrazně menší zorné pole 1-3° do 10 mag., tak jsem generoval databázi z Tycho katalogu. Bohužel to nedoběhlo ani po 12 hodinách, tak jsem zkusil Hipparcos 2-5° do 8 mag. Vygenerovalo to 150 MB databázi, ale nenacházela v obraze dostatečný počet hvězd. Nakonec jsem vygeneroval 1,5°-3° Tycho do 9 mag. Databáze má 500 MB. Občas to obrázek identifikuje rychle, občas vůbec. Bohužel tohle řešení není univerzální a není problém vygenerovat na danou kameru a dalekohled databázi, ale na používání obecně je to k ničemu. Každopádně je to zajímavá zkušenost, identifikovat hvězdné pole offline bez znalosti parametrů kamery a dalekohledu je velmi těžký úkol.

[Naburko]

Tak to je dosť logické, že keď tomu človek nedá dobrú databázu tak to bude mať problémy. Treba používať softvér na to na čo bol určený

To si už každý, kto to chce používať musí vygenerovať podľa optickej zostavy - ktorá sa nemení zrovna každý deň v našich prípadoch všakže, takže osobne by som to až tak problematicky nevidel.

Inak mu v zorientovaní pomáha zadať aspoň FOV do príkazu.

Inak teda ešte existuje fork CEDAR ktorý má vlastný solver na bázi tetra3 a aj detektor

https://github.com/smroid/cedar-solve
https://github.com/smroid/cedar-detect

[Psion]

Díky za informace. Já jsem nakonec vygeneroval 4 databáze od 8 do 10 mg. a přizpůsobil vyhledávání tak, aby program zkoušel různou velikost FOV a pokusím se to ještě udělat i tak, že bude postupně volit různé databáze a různé FOV. Sice to nebude tak rychlé, ale je celkem jedno, jestli to bude za 0,2s nebo 10s. Jde mi o určení polohy středu snímků, nebudu tím řešit alignment apod., což by bylo potřeba pro tvorbu rozsáhlé mozaiky.

[Naburko]

Stál by za pokus ešte ten CEDAR, keď som to skúšal zdal sa mi rýchlejší a úspešnejší.

[Psion]

Mrknu na to a vyzkouším. Už v této fázi má Tetra3 často lepší detekce než Astap. Problém je, že vygenerovat tetra3 databázi pro pole cca 3° a 10 mag. je prakticky nemožné, ale 4 databáze pro postupné rozsahy polí a 8 - 10 mag. už není takový problém.

[Psion]

Testoval jsem to na více snímcích a je to taková plichta, někdy to dá Tetra3, někdy Cedar a někdy jen Astap, ale žádný program to neumí na 100%. Každopádně Cedar je nejrychlejší, někdy až řádově, ale někdy zase pomalejší než Astap.

[Psion]

Nakonec jsem udělat automatický proces pro Plate solving, který postupně vyzkouší určitou odchylku od nastaveného přibližného FOV a vyzkouší všechny algoritmy.