1° Forum di Astronomia Amatoriale Italiano

Ok, dimmi se ho capito bene.

Tu suggerisci di guardare prima dell'allineamento sul primo frame quali sono i pixel "anomali", ovvero con un segnale marcatamente diverso dai vicini.

Poi guardiamo sul secondo frame, se quel pixel era anomalo a causa di una stella, grazie al dithering nella seconda foto non dovrebbe esserlo più (salvo sfiga), se invece è un pixel difettoso il valore sarà ancora anomalo.

Ripeto per tutti i frame e creo una mappa di pixel "sospetti". Se un pixel è sospetto in N frame, lo identifico come "difettoso" e lo scarto.

Ho capito bene?

Ieri sera comunque sono riuscito ad allineare le foto con DSS. Oggi sono un po' incasinato, ma in serata faccio qualche prova con l'algoritmo su foto vere. Ci avviciniamo al momento della verità (non nego di essere un po' impaziente di scoprire se funziona )

Sent from my iPhone using Tapatalk

_________________
Vecchio nick: Pj1989

Vero vero.
Ho visto questa opzione,
io non la uso, non so se faccio bene.

_________________
Costanzo
"Una cosa ho imparato nella mia lunga vita: che tutta la nostra scienza è primitiva e infantile
eppure è la cosa più preziosa che abbiamo" (A. Einstein).

Dipende da cosa vuoi fare e perché.
In certi casi l'ho usata (per esempio su M31 e sulla Rosetta), in altri no.


cieli sereni
Renzo

_________________
Cieli sereni da Renzo


Prima di un acquisto parallelo, pensateci - link

Il titolo del topic non è un optional. Usiamolo bene!

... e poi dopo 10 giorni e non-so-quante ore di lavoro trovo questo...
https://it.wikipedia.org/wiki/Metodo_de ... imiglianza


Come sempre, è impensabile di arrivare per primi in settori in cui non si è esperti.

Tra l'altro questo ha aperto un vaso di pandora che temo vada ben oltre le mie competenze statistiche. Per esempio: https://en.wikipedia.org/wiki/Likelihood_function

Arrivato a questo punto provo ad andare avanti in maniera naive, ma è ovvio come il problema non sia banale.
Sarei dovuto stare più attento durante il corso di statistica...

_________________
Vecchio nick: Pj1989

E' meno importante arrivare primi certe volte.
E' più importante capire per possedere la chiave.

_________________
Costanzo
"Una cosa ho imparato nella mia lunga vita: che tutta la nostra scienza è primitiva e infantile
eppure è la cosa più preziosa che abbiamo" (A. Einstein).

Non sarei cosi' negativo. Quello che hai linkato e' l'approccio analitico al problema, quello che stai usando tu e' piu' forza bruta...
Comunque se non ho capito male, quello che hai linkato e' il collegamento fra statistica e probabilita' (quindi sarebbe alla base della statistica, materia completamente assente nel mio piano di studi, purtroppo!), quindi ad esempio l'analisi confermerebbe la media come stimatore ottimo della gaussiana, solo che il nostro problema non e' una semplice gaussiana. Quindi il discorso, a saperlo sviluppare, potrebbe essere molto interessante (mi ha in particolare colpito il risultato del "German tank problem", tutt'altro che scontato!).
A me sembra che questo discorso confermi ancora di piu' che "fare la media dei valori epurati dagli outliers" (cosa che dovremmo comunque fare prima, come ti suggerivo) non sia un approccio ottimo e che quindi si puo' fare di meglio...

PS: in effetti mi sa che anche per la poissoniana la brutale media dei valori e' un estimatore ottimo del parametro "media"... ci devo pensare su

_________________
{andreaconsole.altervista.org}¦ Ballscope 300/1500 DIY "John Holmes"

Rispondo di getto, poi vedremo.

Secondo me la particolarità del nostro problema è che stiamo facendo una Maximum Likelihood usando come PDF una gaussiana (o poissoniana) di cui conosciamo la std, ricavata dall'analisi in blocco dei vari pixel del sensore, ma di cui ignoriamo la media.

Ora bisogna capire se questo cambia in qualche modo le carte in tavola oppure no…

PS: a breve pubblico la puntata 3, ma i risultati sembrano indicare che le risposte alle domande che ho posto prima siano quelle che ci aspettavamo: SI alla prima e NO alla seconda.
Il SI alla prima domanda conferma quello che ho appena detto: noi dell'i-esimo pixel di cui abbiamo stimato con k-sigma il valore attesa, possiamo calcolare std, skewness, kurtosis ecc in maniera abbastanza precisa avendo un insieme di dati molto numeroso. Quello che resta da stimare è la media (a dire il vero secondo me la moda, non la media)


Sent from my iPhone using Tapatalk

_________________
Vecchio nick: Pj1989

Abbiamo i primi exit poll, ma il verdetto è davvero arduo da valutare.

Ho testato l'algoritmo basato sul Maximum Likelihood Estimation (MLE, chiamiamolo col suo nome visto che ho scoperto qual'è) su due porzioni di 100x100 pixel prese dalle immagini che mi ha fornito Mauro Narduzzi. La prima area è un'area di fondo cielo in cui il segnale dovrebbe essere prossimo allo zero idealmente. La seconda è una zona vicino al centro del soggetto, con della nebulosità e alcune grosse stelle. (PS: non ho ancora capito che soggetto è )

La curva è stata stretchata (in maniera barbara) per evidenziare il rumore

Risulato 1 - Fondo cielo

_________________
Vecchio nick: Pj1989

Risulato 2 - Nebulosità e stelle







Commenti

Da un lato sono soddisfatto. L'algoritmo funziona abbastanza bene e i risultati mi sembrano paragonabili, se non migliori, del k-sigma con k=3 (a sua volta, il migliore tra i k-sigma). Una cosa che sarebbe interessante vedere è se, e quanto, il metodo migliora all'aumentare dei pixel. Ora ho considerato un'area di 10'000 pixel. Usando l'intera area di 12MP le PDF di riferimento dovrebbero uscire più precise. Quanto? Non lo so. Quanto questo migliori il risultato? Tanto meno. Considerando che la seconda iterazione, la cui differenza sta proprio nello stimare meglio le PDF "master", non porta miglioramenti percepibili, non credo cambierebbe molto.

Il problema però ora è che l'algoritmo è lento. Usandolo su 12 milioni di pixel farei solo crashare il mio pc. Le operazioni di fitting sono procedure iterative e laboriose. Il prossimo tentativo potrebbe essere provare a velocizzare un po il procedimento e ridurre il consumo di memoria. Non però quanto sia ampio il margine di manovra operando dentro MATLAB. D'altronde anche il sigma-clipping dentro MATLAB non è una scheggia.

Solo SE, e dico SE, il metodo fosse valido si potrebbe proporre a qualcuno (molto) forte in informatica di inserirlo in un codice, ottimizzando tutte le fasi e velocizzandolo.

Commenti? Pareri?
Chi pensa che dovremmo constatare che meglio del k-sigma non si riesce ad andare? Chi pensa che bisognerebbe insistere?

_________________
Vecchio nick: Pj1989

Abbiate pazienza.
Che cosa fa l'algoritmo K-sigma?
Esclude i valori dei campioni fuori dal range media+K*sigma/media-K*sigma
(della distribuzione campionaria),

e poi fa la media di quelli rimasti?
Ho sparato una grossa cavolata?
(Non lo trovo da nessuna parte ... )

_________________
Costanzo
"Una cosa ho imparato nella mia lunga vita: che tutta la nostra scienza è primitiva e infantile
eppure è la cosa più preziosa che abbiamo" (A. Einstein).