Siril processing tutorial
- Convertir les images en images FITS utilisées par Siril (importer les images)
- Travailler sur une séquence d'images
- Pré-traitement
- Alignement (Global star alignment)
- → Empilement
Empilement
L'étape finale consiste à empiler les images. Pour ce faire, allez dans l'onglet "stacking" et indiquez si vous voulez empiler toutes les images ou seulement les meilleurs images au regard des valeurs FWHM calculées lors de l'alignement. Siril propose plusieurs algorithmes d'empilement.
- Sum Stacking
Il s'agit du plus simple algorithme. Chaque pixel dans la pile est sommé utilisant une précision de 32bits. et le résultat est normalisé sur 16bits. L'augmentation du rapport signal sur bruit (SNR) est proportionnel à [math]\displaystyle{ \sqrt{N} }[/math], où [math]\displaystyle{ N }[/math] est le nombre d'image. A cause de l'absence de normalisation, il est recommandé d'utiliser cette algorithme pour l'empilement des images planétaires.
- Average Stacking With Rejection
- Percentile Clipping : il s'agit d'un algorithme de rejet en une étape idéal pour les petits jeu d'images (jusqu'à 6 images)
- Sigma Clipping : c'est un algorithme qui va rejeter les pixels dont la distance à la médiane sera plus grande que les 2 valeurs donné en unité sigma([math]\displaystyle{ \sigma_{low} }[/math], [math]\displaystyle{ \sigma_{high} }[/math]).
- Median Sigma Clipping : il s'agit du même algorithme que précédemment, excepté que le pixel rejeté est remplacé par la valeur médiane de la pile.
- Winsorized Sigma Clipping : cette algorithme est très similaire à la méthode Sigma Clipping mais il utilise un algorithme basé sur les travaux de Huber [1] [2].
- Linear Fit Clipping : il s'agit d'un algorithme développé par Juan Conejero, principal développeur de PixInsight [2]. Il pratique un ajustement d'une droite ([math]\displaystyle{ y=ax+b }[/math]) de la pile des pixel et rejette les pixels déviants. Cette algorithme marche très bien avec des jeux d'images très important et lorsque le ciel contient des différences de gradient.
Cet algorithme est très efficace pour supprimer les traces de satellites et d'avions.
- Empilement médian
Cette méthode est généralement utilisé pour l'empilement des dark/flat/bias. La valeur médiane de chaque pile de pixel est calculée. Comme cette méthode ne devrait pas être utilisée autrement qu'avec les dark, flat et bias, elle ne prend pas en compte un quelconque déplacement calculé durant l'étape d'alignement. L'amélioration du rapport signal/bruit est proportionnel à [math]\displaystyle{ 0.8\sqrt{N} }[/math].
- Pixel Maximum Stacking
Cet algorithme est principalement utilisée pour construire des filés d'étoiles. Les pixels de l'image sont remplacés par des pixels aux memes coordonnées si l'intensité est plus grande.
- Pixel Minimum Stacking
Cet algorithme est principalement utilisé pour recadrer les images et enlever les bandes noires. Les pixels de l'image sont remplacés par des pixels aux memes coordonnées si l'intensité est plus petite.
Dans le cas de la séquence NGC7635, nous avons utilisé "Winsorized Sigma Clipping" afin de supprimer les traces des satellites. ([math]\displaystyle{ \sigma_{low}=4 }[/math] and [math]\displaystyle{ \sigma_{high}=3 }[/math]).
La sortie de la console donne le résultat suivant :
22:26:06: Rejet des pixels dans le canal #0: 0.215% - 1.401% 22:26:06: Rejet des pixels dans le canal #1: 0.185% - 1.273% 22:26:06: Rejet des pixels dans le canal #2: 0.133% - 1.150% 22:26:06: Intégration de 12 images: 22:26:06: Normalisation ............. additive + mise à l'échelle 22:26:06: Rejet des pixels .......... Winsorized sigma clipping 22:26:06: Paramètres de rejet ....... bas=4.000 haut=3.000 22:26:09: Fichier FITS enregistré : fichier NGC7635.fit, 3 canal(aux), 4290x2856 pixels 22:26:19: Estimation du bruit : (canal : #0) : 10.013 (1.528e-04) 22:26:19: Estimation du bruit : (canal : #0) : 6.755 (1.031e-04) 22:26:19: Estimation du bruit : (canal : #0) : 6.621 (1.010e-04)
Après ceci, le résultat est enregistré dans un fichier nommé en fonction de ce que vous aurez décidé et affiché à l'écran. Vous pouvez ajuster les niveaux si vous désirez avoir une meilleure visualisation, ou bien utiliser un autre mode d'affichage. Dans notre exemple, le fichier est le résultat d'une empilement de 12 images.
The images above picture the result in Siril using the Auto-Stretch rendering mode. Note the improvement of the signal-to-noise ratio regarding the result given for one frame in the previous step (take a look to the sigma value). The increase in SNR is of [math]\displaystyle{ 21/5.1 = 4.11 \approx \sqrt{12} = 3.46 }[/math] and you should try to improve this result adjusting [math]\displaystyle{ \sigma_{low} }[/math] and [math]\displaystyle{ \sigma_{high} }[/math].
Maintenant doit commencer l'étape du traitement de votre image avec un recadrage, une correction de gradient et plusieurs autres étape de traitement disponible dans Siril. Pour voir les différents traitement disponibles dans Siril, rendez-vous à cette page page. Vous avez ci-dessous un exemple de ce que vous pouvez obtenir avec Siril :
Fin du tutoriel sur le pré-traitement. Retourner sur la page principale pour d'autres tutoriaux illustrés.