Detalles Técnicos
Registrando
Alineación
Grupos de archivos
Apilando
Métodos de Apilamiento
Drizzle
Apilado de Cometas
Proceso de desarrollo de imágenes RAW
Registrando
Detección de
estrellas
Para cada
imagen DeepSkyStacker detecta
automáticamente
las estrellas.
Para
decirlo simple, cada estrella es un objeto redondo cuya luminancia
disminuye
regularmente en todas las direcciones.
Una vez que
la estrella es detectada, su centro exacto es obtenido utilizando una curva
Gausiana en la luminancia.
Aplicación
de darks, flats y offsets
antes de registrar
Si los archivos de imagen dark, flat
y/u offset
son verificados, entonces son automáticamente aplicados antes del proceso del
registro.
En caso que los archivos de imagen light contengan
muchos hot pixels es altamente recomendable chequear los
archivos de imagen dark para evitar detectar estrellas
que no son tales, lo que perturbaría notablemente el alineamiento.
Detección automática
de hot pixels
Opcionalmente DeepSkyStacker
intenta detectar hot pixels durante
el proceso de registración para evitar la identificación falsa
de estrellas.
Puede notar que esta opción solamente funciona para trabajos con
imágenes monocromáticas o del tipo RAW en los modos de interpolación Super-pixels,
Bayer.Drizzle, bilinear y AHD.
Ajustando
el umbral de detección de estrellas
El umbral de detección de estrellas es por defecto del
10% (de la máxima
luminancia).
Reducir el
umbral de detección de estrellas hará que DeepSkyStacker encuentre
más estrellas (más débiles), por otro lado, si
aumenta el umbral, solo se detectarán estrellas
más brillantes y esto reducirá el
número encontrado.
Puede
modificar este umbral en
la pestaña Avanzado del cuadro de diálogo "Registrar imágenes marcadas / Registrar
configuración", o seleccionando Configuración ... / Registrar
configuración.
Establecer un
umbral tan bajo que se encuentren cientos de estrellas será
contraproducente, ya que habrá muchos más datos para procesar para el
registro de estrellas y si se detectan demasiadas estrellas, existe una
mayor posibilidad de un registro erróneo. Probablemente deberías apuntar a
cuando menos 20-25 estrellas y no más de un par de cientos.
Si ha
establecido el umbral de detección bajo y DeepSkyStacker aún no encuentra
suficientes estrellas porque la imagen está subexpuesta, puede aumentar el
brillo de la imagen utilizando el ajuste "Brillo" en la Configuración DDP
RAW / FITS.
Si sus imágenes son ruidosas (como resultado (p. Ej.)
De la contaminación lumínica), es posible que deba habilitar la opción
"Reducir el ruido utilizando un filtro de mediana".
Para ayudarlo a
encontrar el mejor umbral para sus archivos Lights, puede calcular la
cantidad de estrellas que se detectarán. Para hacer esto, DeepSkyStacker
usa el primer archivo Light señalado y activa temporalmente la detección
de Hot píxels.
Debe tener en cuenta que este número es solo
una guía y que el número real
de estrellas detectadas puede variar si ha marcado archivos Darks, offset y Flats.
Registrando
resultados
El
registro de resultados (cantidad
de estrellas detectadas,
su posición,
y su luminancia)
se
almacenan en un archivo de texto cuyo nombre es el nombre de la imagen, con la
extensión .Info.txt.
Debido a
esto no es necesario registrar nuevamente la imagen para futuros procesos de
apilado.
Registrando
resultads
y
parámetros
El
registro de resultados
es en extremo
dependiente de los parámetros seleccionados (especialmente
los
parámetros
del
desarrollo de raw).
Si estos
parámetros son modificados, se torna necesario registrar las imágenes
nuevamente.
Apilar luego de registrar
DeepSkyStacker
puede encadenar
los procesos de
apilar y
registrar.
Sólo tiene que dar
el porcentaje de imágenes que desea mantener al final del proceso de registro
para comenzar el proceso de apilado.
Solamente las
mejores imágenes serán utilizadas en el proceso de apilado.
Por lo tanto es posible
comenzar el
proceso completo para luego
irse a
dormir sabiendo que luego de una noche de buen sueño, será posible ver los
primeros resultados.
Alineación
Evaluación
de desplazamientos y ángulos
Durante
el proceso
de alineación la mejor imagen
(la que
tiene mejor puntuación)será
utilizada como
archivo de imagen de
referencia a menos que usted seleccione
otro
archivo de imagen de
referencia utilizando el
menú
contextual.
Todos los
desplazamientos y ángulos de rotación se evalúan relativos a este
archivo de imagen e
referencia.
Los
desplazamientos y ángulos de rotación son evaluados identificando patrones de
estrellas en los
archivos de imagen.
Para
decirlo simple, el
algoritmo
busca los
triángulos más grandes
cuyas
distancias entre sus lados
(y por lo
tanto los ángulos comprendidos entre estos lados)
son más cercanas.
Con un
número suficiente de triángulos detectados
entre
el
archivo de imagen de
referencia
y el
archivo de imagen
a alinear el desplazamiento y la rotación son evaluados y validados por medio del
método de los cuadrados mínimos.
Dependiendo
del número de estrellas, se utiliza una transformación bicuadrática o bilineal.
Para más
información acerca de los algoritmos que inspiraron el utilizado por
DeepSkyStacker
pueden consultar
los siguientes sitios:
FOCAS Automatic Catalog Matching Algorithms
Pattern
Matching with Differential Voting and Median Transformation Derivation
Grupos de archivos
Los Grupos de archivos pueden usarse para simplificar la
administración de múltiples noches de un mismo objeto agrupando lógicamente
archivos de cada sesión de imágenes.
Si utiliza sólo el Grupo
Principal DeepSkyStacker
trabaja de la misma manera que antes de la introducción de
Grupos de archivos.
Hay dos clases de Grupos
de archivos: el Grupo Principal
y todos los otros grupos.
Archivos de imagen Light
del Grupo Principal
solo pueden asociarse con archivos de imagen Dark, Flat y
Offset/Bias desde el Grupo
Principal.
Este es el comportamiento de DeepSkyStacker
previo a la introducción de Grupos
de archivos.
Archivos de imagen Dark, Flat y Offset/Bias del Grupo Principal pueden asociarse a archivos de imagen Light de cualquier grupo.
Archivos de imagen Dark, Flat y Offset/Bias de otros grupos pueden asociarse solo con archivos de imagen Light del mismo grupo.
Usted puede crear
tantos Grupos de
archivos como desee, sabiendo que un archivo puede
pertenecer solo a un grupo de archivos.
Al iniciar DeepSkyStacker solo el Grupo
Principal está disponible. Tan pronto como usted agregue
un archivo al último de los grupos disponibles, se creará una nueva pestaña para
un grupo vacío.
Ejemplo:
Usted fotografía dos noches seguidas el mismo
objeto.
Para
cada noche tiene un conjunto de archivos de imagen
Light, Dark
y Flat pero la temperatura no es la misma en cada noche por lo que
los archivos de imagen Dark no son compatibles y
la orientación es ligeramente diferente por lo que los archivos de
imagen Flat también son diferentes para cada noche.
Para asociar cada archivo de imagen Light con
adecuados archivos de imagen
Dark y Flat basta con
agrupar los archivos de imagen Light+Dark+Flat de la primera noche en un Grupo de archivos y los
archivos de imagen
Light+Dark+Flat de la segunda noche en otro Grupo de archivos.
Como los archivos de imagen Offset/Bias son
los mismos en cada noche deben ser
colocados en el Grupo Principal.
DeepSkyStacker automáticamente asociará los archivos de
imagen Light de la primera noche con los archivos de imagen Dark y
Flat de esa misma noche y los archivos de imagen Light de la
segunda noche con los archivos de
imagen Dark y Flat de
la segunda noche.
Los archivos de
imagen Offset/Bias
del Grupo Principal serán
asociados con los archivos de
imagen Light de la primera y la
segunda noche.
Apilando
Calibración de fondo
La Calibration de
fondo consiste en normalizar el valor
de fondo para cada imagen antes de apilarla.
El valor de fondo está definido como el valor medio
de todos los píxeles de la imagen.
Hay dos opciones disponibles.
Es importante seleccionar una de estas opciones cuando se utilizan los métodos Kappa-Sigma Clipping o el Kappa-Sigma Clipping Median para asegurarse que las imágenes a ser apiladas tienen todas el mismo valor de fondo.
Calibración automática de archivos de imagen flat
El objetivo de la
calibración automática de los archivos de imagen flat es ecualizar las diferencias de luminosidad entre los
archivos de imagen flat antes de combinarlos en un maestro flat.
El
primer archivo de imagen flat
se utiliza como referencia. Los otros
archivos de imagen
flat se normalizan para equiparar el promedio de luminosidad y el
rango dinámico del primer archivo de imagen flat.
Detección Automática y Remoción dehot
pixels
El objetivo de la
detección automática y remoción de hot pixels es reemplazar a éstos con un valor obtenido de los píxeles
vecinos.
Primeramente los hot pixels son identificados analizando
los archivos de imagen
dark (o el archivo de imagen
dark maestro si se encuentra disponible). Cada píxel cuyo valor es mayor que [media] + 16 x
[desviación standard] (sigma) es marcado
como un hot pixel.
Para todos esos píxeles, el valor en la imagen
calibrada (luego de la sustracción del
offset/bias y el dark
subtraction y la división por el flat)
es interpolado de los píxeles
vecinos.
Detección Automática y Remoción de malas columnas
En algunos chips
CCD algunas columnas se encuentran estropeadas o saturadas por
completo debido a la aureola creada por los hot píxels.
La
detección y remoción de las malas columnas se utiliza en estos casos.
Se detectan
automáticamente líneas de 1 píxel de ancho que están saturadas o completamente
estropeadas y se las considera como si fueran hot pixels, interpolando el valor
de los píxeles vecinos.
Sustracción de
archivo de imagen Dark basada en
Entropía
La sustracción de archivo de imagen Dark puede optimizarse opcionalmente para que la entropía de la
imagen resultante ( archivo de imagen light menos
archivo de imagen dark) sea minimizada
aplicando un coeficiente entre 0
y 1 al archivo de imagen dark.
EL objetivo principal de esta optimización es posibilitar el
uso de archivos de imagen dark que no han sido
tomados en condiciones óptimas (especialmente en lo que concierne a
temperaturas).
Para más información sobre este método puede consultarse el
siguiente documento:
Entropy-Based
Dark Frame Subtraction
Proceso de apilado
El proceso de
apilado de DeepSkyStacker es
clásico.
Paso
1
Creación
de un offset maestro
a partir de todos los archivos de imagen offset (con el
método seleccionado).
Si más de un
archivos de imagen offset es
seleccionado, un archivo offset maestro
es
creado como
MasterOffset_ISOxxx.tif (TIFF de 8, 16
o 32 bits) en la
carpeta del primer archivo de imagen offset.
Este archivo
puede ser usado como el único archivo de imagen offset en la siguiente
oportunidad.
Paso 2
Creación del
dark maestro a partir de
todos los archivos de imagen
dark (con el método
seleccionado). El
offset maestro es sustraído
de cada archivo de imagen dark.
Si más de un
archivo de imagen dark es
seleccionado, un archivo
dark maestro
es
creado como
MasterDark_ISOxxx_yyys.tif (TIFF de 8, 16
o 32 bits) en la
carpeta del primer archivo de imagen dark.
Este archivo
puede ser usado como el único archivo de
imagen dark en la siguiente
oportunidad.
Paso 3
Creación del
flat maestro
a partir de todos los archivos de
imagen flat (con el
método seleccionado). El offset
maestro es sustraído de
cada archivos de imagen
flat.
El flat maestro
es calibrado automáticamente.
Si más de un
archivo de imagen flat es
seleccionado, un archivo flat maestro
es
creado como
MasterFlat_ISOxxx.tif (TIFF de 8, 16
o 32 bits)
en la carpeta del primer archivo de imagen flat.
Este archivo
puede ser usado como el único archivo de
imagen flat en la
siguiente oportunidad.
Paso
4
Evaluación de
todos los desplazamientos y rotaciones para todos los archivos de imagen light
que serán apilados.
Paso 5
Creación
de la imagen final sumando todos los archivos de imagen light
con el método seleccionado.
El offset maestro y el
dark maestro son
automáticamente sustraídos de cada archivo de imagen light
y el resultado es dividido por el flat maestro
calibrado, entonces, si se encuentra la opción habilitada, los hot pixels
detectados son
removidos y el valor es interpolado de los píxeles vecinos.
Paso
6
Cuando
Bayer
drizzle está
habilitado, las tres
componentes RGB
son normalizadas para evitar falta de
información.
Paso 7
La imagen
resultante es automáticamente guardada en un archivo AutoSave.tif
que es creado en la carpeta del primer archivo de imagen light.
Alineado de Canales RGB
Cuando esta opción se encuentra
habilitada el DeepSkyStacker intenta alinear los tres canales para reducir el
corrimiento de color entre los canales de la imagen resultante.
El efecto principal visible es que las estrellas no estan
mas rojas de un lado y azules del otro lado.
Cada canal es registrado (las estrellas son detectadas) y la
transformación es calculada entre el mejor canal y los otro dos.
La transformación es luego aplicada a los dos canales lo que
los alinea con el mejor canal.
Uso automático de archivos maestro creados previamente
Los
archivos maestro (dark, bias and flat) existentes
creados de una lista de archivos son utilizados automáticamente cuando sea
posible, si:
- La lista de
archivos utilizados para crearlos no ha cambiado.
- La configuración
utilizados para crearlos no ha cambiado. Esto
incluye la combinación de métodos y parámetros, y la configuración de
RAW o FITS DDP cuando
archivos RAW o FITS se
utilicen.
Un archivo
detexto conteniendo los parámetros y la lista de archivos usados para crear la
imagen maestra es guardado en la carpeta del archivo maestro .
El archivo será
nombrado con la extensión
.Description.txt luego del nombre
del archivo maestro .
Cuando la
descripción no coincide con la nueva configuración estos archivos son
re-creados.
Esta
propiedad es invisible para los usuarios, que solamente verán un proceso más
veloz ya que no es necesario crear los archivos maestro
nuevamente.
Uso de un Rectángulo Personalizado
Usted puede indicarle a
DeepSkyStacker que utilice un
Rectángulo Personalizado que defina la posición y el tamaño de la imagen
resultante.
Primeramente, necesita previsualizar una imagen cliqueando sobre ella en la lista. Puede seleccionar cualquier imagen, pero como está
definiendo el rectángulo que será visible en la imagen final, debería
seleccionar el archivo de
imagen light de referencia (aquel con mayor score o el que
haya decidido usar como archivo de
imagen light de referencia usando
el menú
contextual).
Luego simplemente seleccione en la imagen el rectángulo que
desea usar como Rectángulo Personalizado.
Al iniciar el proceso de
apilado, este rectángulo será
seleccionado por defecto como el modo de apilado.
Esta opción puede ser realmente útil cuando se utiliza la
Dopción Drizzle que duplica o triplica el tamaño de la imagen resultante y
por lo tanto requiere mucha más memoria y espacio en disco durante el proceso de
apilado.
De hecho, cuando se
utiliza un Rectángulo Personalizado, DeepSkyStacker usa únicamente la memoria y espacio en disco necesarios para
crear una imagen del tamaño del Rectángulo Personalizado.
Métodos de
Apilado
Promedio
Este es el método más simple. El píxel de valor medio de todos los de la pila es evaluado
para cada píxel.
Media
Este es el método
utilizado por defecto cuando se crean dark, flat y offset/bias maestros. El valor medio de los píxeles de la pila es evaluado para
cada píxel.
Máximo
Este es un método extremadamente simple que debe utilizarse
con sumo cuidado. El valor máximo de
los píxeles de la pila es evaluado para cada píxel.
Puede ser útil para
encontrar errores en la pila, al mostrar todos los defectos de las imágenes
calibradas.
Recorte de Kappa-Sigma
Este método se usa para rechazar repetidamente los
píxeles desviados. Se usan
dos parámetros: el número de iteraciones y el multiplicador utilizado en la
desviación standar (Kappa).
Para cada iteración, son evaluadas la media y la desviación standar
(Sigma) de los píxeles de la
pila.
Se
rechazan todos los píxeles cuya valor se encuentra más distanciado de la media
que el valor (Kappa * Sigma).
El medio de los píxeles
restantes en la pila es evaluado para cada píxel.
Recorte Kappa-Sigma
Mediano
Este método es similar al método de Recorte de
Kappa-Sigma pero en lugar de descartar
los valores de los píxeles, éstos son
reemplazados por los valores medios.
Promedio Ponderado
auto-adaptativo
Este promedio ponderado está adaptado del trabajo de
Dr. Peter B. Stetson (see The
Techniques of Least Squares and Stellar Photometry with CCDs - Peter B.
Stetson 1989).
Este método evalúa un promedio robusto obtenido por
ponderación iterativa de cada píxel por la desviación de la media respecto de la
desviación standard.
Promedio Ponderado de Entropía (Rango Dinñamico Alto)
Este método está basado en
el trabajo de German, Jenkin and Lesperance (ver Entropy-Based image merging - 2005) y es usado para apilar la imagen mientras
para cada píxel se mantiene su mejor
dinámica.
Es
particularmente útil cuando se apilan imágenes tomadas con diferentes tiempos de
exposición y velocidades ISO, y crea
una imagen promediada con la mejor dinámica. En otras palabras, previene de saturar galaxias y
centros de nebulosas.
Nota: Este método
consume mucho tiempo de proceso en la CPU y también mucha memoria.
Básicamente
cada imagen es super
muestreada antes de ser
apilada, ampliándola dos o tres veces (puede usarse
cualquier valor mayor que 1
pero DeepSkyStacker propone 2
o 3 como valores
recomendados), y luego proyectada a una grilla más
fina. |
|
Qué (y
cuando) es necesario usar la opción drizzle |
|
Efectos
colaterales de la aplicación del método
El
principal efecto colateral es que la cantidad de memoria y espacio en disco
necesarios para crear y procesar las imágenes se multiplica por el cuadrado del
factor multiplicador del proceso. Por
supuesto que el tiempo necesario para
crear estas imágenes es mucho mayor.
Por ejemplo,
usando un Drizzle de 2x con una
imagen de 3000x2000 píxeles se crearáuna
imagen de 6000x4000 píxeles, y
necesitará 4 veces más memoria y espacio en disco, y ocupará un tiempo de proceso mucho mayor.
Cuando se utiliza un factor de 3x, todo será multiplicado por 9 (3 al cuadrado) y a
menos que usted tenga un equipo muy potente y mucha memoria y espacio en disco
disponibles, no deseará utilizar esta
opción con imágenes típicas de cámaras DSLR.
Por lo tanto, en algunas imágenes pequeñas (como las obtenidas con las primeras cámaras DSI y LPI), puede ser
razonable utilizar un factor de 3xpara
mejorar la resolución.
Una buena manera de
limitar el incremento de memoria y espacio en disco necesarios al utilizar esta
opción, es usar el Rectángulo
Personalizado.
Drizzle y Bayer
Drizzle
Aunque hay
dos variantes del método Drizzle, no se
los recomienda usar juntos.
DeepSkyStacker usualmente le advertirá cuando usted esté a punto de
hacerlo.
Apilado para Cometas
Los cometas son
objetos de movimiento rápido y cuando las imágenes de cometas son apiladas dos
cosas pueden suceder:
- si el alineado entre las imágenes
se lleva a cabo utilizando las estrellas, el cometa será borroso
- si el alineado entre las imágenes se lleva a cabo
utilizando el cometa, las estrellas mostrarán trazas.
A partir de la versión 3.0, al DeepSkyStacker se le agregan
dos opciones para apilados para cometas:
- Crear una
imagen alineada respecto al cometa que tendrá trazas de estrellas
- Crear una imagen alineada en el cometa y en las estrellas
que no tendrá trazas de estrellas.
Este es un ejemplo de los distintos modos de apilado
(desplace el cursor del mouse sobre el texto para ver el
resultado)
Apilado para Cometa : trazas de
estrellas
|
![]() |
Si Ud. planea
alinear la imagen con las estrellas, no necesitara hacer lo que se describe en
el siguiente párrafo debido a que es el comportamiento por defecto.
Que
necesita hacer
Paso 1: Registrar el centro del
cometa
El DeepSkyStacker no puede detectar automáticamente el
centro del cometa en los archivos de imagen light..
Primero, debe indicar la posición del cometa en todos los archivos de imagen light. Esto se hace
solo una vez.
Para llevarlo a cabo, solo seleccione de
la lista un archivo de imagen light y utilizando el Modo de Edición para Cometas
indique el centro del cometa.
Si el centro del cometa es
muy débil o demasiado brillante entonces puede forzar al DeepSkyStacker a
aceptar cualquier posición presionando la tecla Shift mientras posiciona el
centro del cometa.
Luego guarde
el resultado pinchando en el botón Guardar Cambios en la barra de
herramientas.
Si no lo hace el DeepSkyStacker le
preguntará y tendrá la opción de guardar los cambios automáticamente.
Una vez que la posición del cometa
fue indicada y guardada verá una +(C) agregada al conteo de estrellas en la
columna #Estrellas de la lista.
Deberá repetir la operación para cada archivo de imagen
light.
Pista: El DeepSkyStacker entonces alineará automáticamente (luego de apilar) la posición del centro del cometa en todas las imágenes light en el periódo de tiempo en el cual el centro del cometa no esta indicado. Para hacer esto utilizará el período de tiempo entre la primera imagen y cada imagen para interpolar la posición del cometa. |
Paso 2: Seleccionar el modo de apilado
Esto
se lleva a cabo en la Pestaña Cometa disponible en la
ventana de parámetros de apilado.
La pestaña Cometa esta
disponible solo si al menos dos archivos de imagen light (incluyendo el archivo
de imagen light de referencia) tienen un cometa registrado.
Desde esta pestaña puede seleccionar una de tres opciones
para Apilado para Cometas disponibles.
Mezclando imagenes de Cometas y de no
Cometas
El DeepSkyStacker puede utilizar imágenes con
un cometa registrado e imágenes sin un cometa registrado en la misma apilada.
Esto puede resultar útil para lograr una mejor relación
señal ruido en la imagen resultante especialmente en detalles de fondo débiles
(por ejemplo un cometa pasando cerca de una galaxia o
nebulosa).
Que métodos de
apilado
Si esta buscando lograr imágenes con trazas
de estrellas, el mejor método es promedio.
En todos los
demás casos deberia utilizar el apilado Media con apiladas chicas y kappa sigma
para apiladas grandes.
Que resultados
puede esperar
Obviamente el algoritmo mas demandante
es el apilado de Cometa y Estrellas en que los da el efecto de congelamiento de
estrellas.
Cometas de movimiento lento nos conducen a
objetos de gran tamaño dificiles de detectar o grandes estrellas y en este caso
el proceso de extracción del cometa puede resultar menos que perfecto.
En todos los casos, si toma un conjunto de imágenes de la
misma área sin el cometa (el día anterior o el posterior) mejorará notablemente
la calidad de la imagen final.
Proceso de desarrollo de imágenes RAW
Decodificación
de archivos RAW
Los archivos
RAW creados por las
cámaras DSLRs son
decodificados usando LibRaw Copyright
© 2008-2019 LibRaw LLC, el cual está basado en la libreria
original DCRaw de Dave Coffin.
DeepSkyStacker usa la última versión de
LibRaw disponible al tiempo de lanzamiento, y te avisará si tu cámara no es
soportada.
Proceso de
desarrollo de archivos RAW
Un archivo es el
equivalente digital de un negativo. Por lo
tanto, cada archivo RAW necesita un proceso de desarrollo.
Hay dos clases
de archivos RAW: la que utiliza una
matriz Bayer (la mayoría de los archivos) y la que
utiliza NO una matriz Bayer
(por ejemplo las
cámaras que cuentan con chips Foveon).
A lo largo de la
explicación solamente consideraré los archivos RAW creados por cámaras basadas
en matrices Bayer.
Matriz
Bayer
Primero, un
pequeño recordatorio de que es una matriz Bayer.
Cuando usted
está usando una cámara DSLR de 8
mega-píxeles, el
chip CMOS o CCD es un chip
monocromático de 8
mega-píxeles sobre el
cual se adiciona una matriz Bayer, que es de
hecho un patrón de filtros RGBG o CYMK
delante de cada píxel (también
existen otros patrones)
En el caso de
los filtros RGBG la cuarta parte
de los píxeles captura el color rojo, otro
cuarto el color azul y la
mitad restante el color verde.
Por lo tanto su
cámara DSLR de 8
mega-píxeles está
produciendo imágenes con
2 millones de
píxeles,
la misma cantidad de píxeles azules, y cuatro millones de
píxeles verdes.
Entonces, como
crean estas cámaras las imágenes de colores "reales"?
Muy simple:
interpolando los colores primarios perdidos de los píxeles vecinos.
Reconstrucción del color usando la matriz Bayer - Interpolación
La primera manera de reconstruir los colores desde la matriz Bayer es interpolando los colores primarios perdidos de los píxeles vecinos. Diferentes métodos de interpolación están disponibles (lineal, gradiente...), produciendo resultados distintos pero todos ellos degradan la calidad de la imagen final, debido a la suposición que hacen respecto de los colores faltantes. Cuando cada imagen
está ligeramente desenfocada por el proceso de interpolación, el apilamiento de varias imágenes produce la
pérdida de detalles finos. |
![]() |
Reconstrucción de color usando la matriz Bayer - Super-píxeles
Con DCRaw es posible acceder a la matriz Bayer antes de cualquier interpolación. Debido a esto es posible usar otros métodos de reconstrucción de colores reales sin tener que estimar los colores primarios faltantes por medio de la interpolación. El mátodo del Super Píxel no interpola, sino que crea un super píxel para cada grupo de cuatro píxeles (RGBG).
Este método es muy
sencillo y tiene la desventaja (o
es una ventaja?) de dividir el
tamaño de la imagen resultante por 4. |
![]() |
Reconstrucción de color usando la matriz Bayer - Bayer drizzle
El último
método sugerido por Dave Coffin utiliza
la propiedad del proceso de apilado para evaluar los valores verdaderos de
RGB de cada píxel resultante
usando la tendencia "natural" existente entre cada imagen. |
![]() |