:: PixInsight Home Page

Introducción

Descripción de ACDNR

Parámetros de ACDNR

Ejemplo de Procesamiento ACDNR: Imagen DSLR de M45

Imagen Final Procesada

Introducción

En este tutorial presentamos el nuevo algoritmo ACDNR y su implementación en PixInsight Standard. ACDNR significa Adaptive Contrast-Driven Noise Reduction (reducción de ruido adaptativa controlada por contraste). Comenzaremos con una descripción de esta importante herramienta y sus parámetros, y completaremos el tutorial con un ejemplo de procesamiento.

La herramienta ACDNR es una implementación muy flexible de un nuevo algoritmo de reducción de ruido de altas prestaciones, basado en técnicas avanzadas de procesamiento multiescala y morfología matemática. El algoritmo ACDNR ha sido creado por el equipo de desarrollo de Pleiades Astrophoto (PTeam) y es el fruto de más de dos años de trabajo continuado de investigación y desarrollo.

En el momento de escribir este tutorial, ACDNR está disponible como parte del juego de procesos estándar de la versión beta pública de tiempo limitado de PixInsight. Esperamos continuar mejorando tanto el algoritmo ACDNR como nuestra implementación; la respuesta de nuestros usuarios es esencial para poder llevar a cabo esta tarea.

Descripción de ACDNR

La idea tras ACDNR —como cualquier algoritmo no trivial de reducción de ruido— es llevar a cabo una reducción de ruido eficiente preservando al mismo tiempo las estructuras significativas de la imagen. Como su nombre sugiere, ACDNR es capaz de adaptarse a la imagen procesada modificando su comportamiento en función de las variaciones de contraste detectadas.

ACDNR incluye dos mecanismos que funcionan cooperativamente: un filtro paso-bajo especial y un dispositivo de protección de bordes. Explicado de forma sencilla, el filtro paso-bajo suaviza la imagen eliminando o atenuando estructuras de pequeña escala, y el dispositivo de protección de bordes evita que las estructuras significativas de la imagen sean dañadas por el filtrado paso-bajo. Se puede considerar ACDNR como un sistema con dos fuerzas contrarias, trabajando en direcciones opuestas: el filtro paso-bajo tiende a simplificar la imagen destruyendo características de pequeña escala irrelevantes (esto es, el ruido), y el dispositivo de protección de bordes intenta evitar la destrucción de elementos importantes impidiendo el funcionamiento del filtro paso-bajo cuando encuentra variaciones de contraste relevantes.

Figura 1— Filtraje ACDNR de una función unidimensional. Sin protección de bordes, la estructura brillante queda desdibujada. La protección de bordes la reproduce con precisión por encima del nivel medio del ruido.

Poca automatización es posible en la reducción de ruido: es una tarea compleja y extremadamente delicada que requiere herramientas de precisión y su adaptación a cada caso particular. En este sentido, ACDNR proporciona un alto grado de flexibilidad. Los dos subsistemas principales de ACDNR, el filtro paso-bajo y el dispositivo de protección de bordes, pueden ser controlados mediante sendos conjuntos de parámetros que el usuario debe definir para adaptar ACDNR a cada situación y contexto de procesamiento.

Parámetros de ACDNR

ACDNR ofrece dos conjuntos idénticos de parámetros: uno para la luminancia y otro para la crominancia de imágenes en color. Los parámetros de ACDNR para la crominancia se aplican a las componentes a y b del espacio de color CIE Lab. Los parámetros para la luminancia son aplicados a la componente L de Lab para imágenes en color, y también al canal nominal de las imágenes en escala de grises. En general, los parámetros para la crominancia son mucho menos críticos y pueden definir una reducción de ruido más potente que los parámetros para la luminancia. Esto es así porque el sistema humano de visión es bastante ineficaz detectando estructuras de imagen definidas por variaciones en la crominancia: percibimos casi todo el detalle a través de la luminancia. Sin embargo, esto no quiere decir que podamos descuidar el ajuste preciso de los parámetros de reducción de ruido para la crominancia, ya que al hacerlo podemos causar pérdidas severas de información, especialmente para estructuras relativamente pequeñas con alto contenido de crominancia, como son las estrellas en imágenes de cielo profundo.

ACDNR realiza las separaciones entre luminancia y crominancia, como hacen todos los procesos estándar de PixInsight, mediante espacios de color definidos colorimétricamente y rigurosamente implementados. Las conversiones a/desde el espacio de color CIE Lab tienen lugar en el espacio de trabajo RGB actual (RGB Working Space, RGBWS) de la imagen procesada. El RGBWS se puede definir con el proceso estándar RGBWorkingSpace y su interfaz, disponible bajo la categoría ColorSpaces.

Ambos juegos de parámetros ACDNR (luminancia y crominancia) se dividen en dos secciones: parámetros del filtro y parámetros de protección de bordes.

Parámetros del Filtro ACDNR

• Desviación estándar del filtro paso-bajo
  El filtro paso-bajo es una función matemática discretizada en una pequeña matriz cuadrada conocida como kernel en el argot del procesamiento de imágenes. Este parámetro controla el tamaño en píxeles del kernel utilizado. El tamaño del kernel determina de forma directa los tamaños característicos de las estructuras de la imagen que el filtro paso-bajo tiende a eliminar. Por ejemplo, las desviaciones estándar entre uno y dos píxeles son apropiadas para eliminar el ruido de alta frecuencia que caracteriza a muchas imágenes CCD. Las desviaciones estándar entre dos y tres píxeles son bastante habituales cuando se procesa imágenes en película fotográfica. Se puede usar desviaciones mayores, hasta cuatro o seis píxeles, para suavizar las regiones de baja relación señal/ruido en imágenes astronómicas (como el cielo de fondo) con la ayuda de máscaras especiales de protección.

• Cantidad (amount)
  Este valor, en el rango desde 0.1 a 1, define cómo se combinan las imágenes procesada y original. Una cantidad cero dejaría la imagen sin cambios, y una cantidad igual a la unidad reemplazaría completamente la imagen original por la procesada. Este parámetro es especialmente útil cuando se utiliza ACDNR de forma iterativa (vea más abajo el parámetro número de iteraciones). En cada iteración, cantidad se puede utilizar para reinyectar una pequeña fracción de la imagen resultante de la iteración anterior. Esto conduce a un proceso recursivo que puede ayudar a ajustar con más precisión y estabilizar la reducción de ruido en su conjunto.

• Número de iteraciones
  Este parámetro es el número de veces que se aplica el filtro paso-bajo. El filtro de ACDNR es mucho más eficiente cuando es aplicado de forma iterativa. Un filtro relativamente pequeño (uno con una desviación estándar baja) aplicado varias veces es en general preferible a un filtro mayor, más agresivo, aplicado sólo una vez. Cuando se usan tres o más iteraciones, la protección de bordes de ACDNR es mucho más eficiente y generalmente proporciona mejores resultados. El parámetro cantidad (vea arriba) se puede usar también junto a número de iteraciones para convertir el filtro de ACDNR en un proceso recursivo, mezclando la imagen original y la procesada a través de múltiples iteraciones.

Parámetros de Protección de Bordes de ACDNR

Definimos un borde como una variación de brillo que el dispositivo de protección de bordes intenta preservar frente a los efectos adversos del filtrado paso-bajo. Si consideramos un borde como el lugar donde ocurre una variación de brillo, entonces para cada borde existe un lado oscuro y un lado brillante, dependiendo del sentido en que lo crucemos. La protección de bordes de ACDNR permite controlar su comportamiento independientemente para ambos lados de los bordes protegidos. Para cada lado de un borde, existe un par de parámetros idénticos: umbral (threshold) y sobrecarga (overdrive).

• Umbral (threshold)
  Este parámetro define la diferencia relativa de brillo que activa el dispositivo de protección de bordes. Por ejemplo, un valor de umbral de 0.05 significa que el dispositivo de protección de bordes intentará proteger las estructuras de la imagen definidas por variaciones de brillo iguales o superiores al 5%, con respecto a sus áreas circundantes. Cuanto mayor es un umbral menor es la protección que proporciona. Un umbral demasiado alto puede permitir un filtrado paso-bajo excesivo, y por lo tanto provocar la destrucción de estructuras significativas. Un umbral menor es más protectivo, pero un umbral demasiado bajo puede conducir a una reducción de ruido insuficiente o ineficiente. En general, los umbrales son parámetros críticos que siempre requieren algún trabajo de ajuste mediante prueba/error.

Figura 2— Comparación mouseover: Umbrales de protección de bordes Imagen original Umbrales correctos: estructuras significativas bien preservadas Umbrales demasiado altos: pérdida severa de detalles

• Umbral de bordes estelares
  Las imágenes que contienen objetos brillantes aislados y relativamente pequeños se benefician mucho de un algoritmo de protección de bordes que hemos diseñado especialmente para proteger las estrellas en las imágenes de cielo profundo. La protección de bordes estelares se controla mediante un parámetro de umbral separado, que funciona de forma muy similar al umbral de protección de bordes brillantes habitual. Con esta protección de bordes estelares se puede proteger no sólo las estrellas o los objetos de características similares a éstas, sino en general cualquier borde brillante de alto contraste en imágenes de cualquier tipo, incluyendo las no astronómicas. Para que pueda funcionar el algoritmo de protección de bordes estelares, se requiere un valor del parámetro tamaño mínimo de estructuras (véase más abajo) de al menos un píxel.

Figura 3— Comparación mouseover: Protección de bordes estelares Imagen original Protección de bordes estelares habilitada: las estrellas y los bordes de alto contraste quedan bien protegidos. Protección de bordes estelares inhabilitada: las estrellas y los bordes de alto contraste están siendo dañados.

• Sobrecarga (overdrive)
  Este parámetro controla la fuerza con que actúa la protección de bordes. Cuando sobrecarga es cero (su valor por defecto) la protección de bordes tan sólo intenta preservar los valores de píxel existentes en los bordes protegidos. Cuando sobrecarga es mayor que cero, el dispositivo de protección de bordes tiende a ser más agresivo, exagerando el contraste de los bordes protegidos. Este parámetro se utiliza muy poco. Puede ser útil a veces, en casos muy difíciles, porque puede permitir utilizar umbrales más altos, los cuales proporcionan más reducción de ruido, y aún así seguir protegiendo los bordes significativos de forma razonable. Sobrecarga es un parámetro avanzado que requiere experiencia y que debe ser utilizado siempre con gran cuidado: una dosis incorrecta de sobrecarga puede producir fácilmente artefactos en la imagen.

Además de parámetros específicos para la protección de bordes, ACDNR incluye tres parámetros adicionales que controlan el comportamiento general del dispositivo de protección de bordes: método de mejora de la robustez, tamaño mínimo de estructuras, y prefiltrado.

• Método de mejora de la robustez
  Cuando el dispositivo de protección de bordes de ACDNR se enfrenta a mucho ruido de pequeña escala puede tener serias dificultades para definir con precisión los bordes de las estructuras significativas de la imagen. Por ejemplo, los píxeles ruidosos aislados pueden ser muy brillantes u oscuros, y sus contribuciones a la definición de bordes protegidos pueden ser relevantes. Robustez se refiere aquí a la habilidad de ACDNR para ser inmune al ruido de pequeña escala para discriminar estructuras significativas. Hemos implementado tres métodos de mejora de la robustez: media ponderada (weighted average), media no ponderada (unweighted average), y mediana morfológica (morphological median). En todos estos métodos, se define un entorno de píxeles para cada píxel procesado y se calcula un valor robusto de referencia a partir de los píxeles vecinos, el cual es utilizado para controlar el dispositivo de protección de bordes. Cada método tiene sus puntos fuertes y débiles. El método basado en la mediana morfológica es especialmente bueno para conservar bordes muy bien definidos, pero puede llegar a conferir un aspecto plástico a algunas imágenes. Los métodos basados en medias pueden proporcionar resultados de aspecto más natural, pero tienden a desdibujar ligeramente los bordes definidos. El método de la media ponderada es un buen compromiso entre ambos extremos. Se puede hacer pruebas con todos los métodos disponibles para descubrir cuál es el mejor para las necesidades específicas de cada imagen, de acuerdo con las preferencias personales.

Figura 4— Comparación mouseover: Métodos de mejora de la robustez Imagen original Método de la media ponderada: Las propiedades geométricas se conservan, pero los bordes definidos pueden quedar desdibujados. Método de la mediana morfológica: Algunas estructuras pueden quedar ligeramente deformadas, pero los bordes más definidos quedan bien conservados, incluso sobre las áreas de menor contraste.

• Tamaño mínimo de estructuras
  Éste es el menor tamaño en píxeles que pueden tener las estructuras significativas de la imagen, desde el punto de vista del dispositivo de protección de bordes. Los bordes de las estructuras inferiores a este límite no serán protegidos y quedarán a merced del filtro paso-bajo. Este parámetro es parte del sistema de mejora de la robustez de ACDNR. Es útil para evitar proteger estructuras muy pequeñas que forman parte del ruido, especialmente en áreas con baja relación señal/ruido. Por ejemplo, en muchas imágenes de cielo profundo, las estructuras de este tipo se encuentran frecuentemente en el fondo del cielo y en las partes más débiles de las nebulosas. Si el dispositivo de protección de bordes decide proteger estas estructuras, ACDNR puede fácilmente dejar de ser funcional por completo porque grandes cantidades de estos artefactos brillantes quedan protegidos y sobreviven a la reducción de ruido, sin importar la fuerza de filtrado aplicada. Definiendo un tamaño mínimo de estructuras apropiado para las estructuras significativas de la imagen, este problema puede ser resuelto fácilmente en virtualmente todos los casos. Cuando este parámetro es cero, el sistema de mejora de la robustez queda inhabilitado, así como la protección de bordes estelares. Ambas funcionalidades de ACDNR requieren un tamaño mínimo de estructuras de al menos un píxel.

Figura 5— Comparación mouseover: Tamaño mínimo de estructuras Imagen original Protección robusta de bordes inhabilitada (tamaño mínimo de estructuras igual a cero): Las estructuras de ruido de pequeña escala y alto contraste degradan la reducción de ruido debido a una protección de bordes errónea. Protección robusta de bordes habilitada (tamaño mínimo de estructuras mayor que cero) + protección de bordes estelares: La protección robusta de bordes es inmune a las estructuras espúreas de pequeña escala y permite una profunda reducción de ruido con protección adecuada de bordes significativos.

• Prefiltrado
  Si es necesario, ACDNR puede aplicar un proceso de filtrado previo para eliminar estructuras de pequeña escala en la imagen. Esto puede ayudar a conseguir una protección de bordes más robusta, por las razones explicadas arriba. Se han implementado dos métodos de filtrado previo: multiescala y multiescala recursivo. Ambos métodos emplean rutinas especiales basadas en wavelets para eliminar todas las estructuras brillantes y oscuras con tamaños inferiores a dos píxeles. El método recursivo es extremadamente eficiente. Esta opción es raramente empleada; sólo es aplicable en presencia de grandes cantidades de ruido, y en todo caso cuando todas las estructuras significativas de la imagen tienen tamaños bien por encima del límite de dos píxeles.

Máscara de Luminancia ACDNR

Hemos implementado una funcionalidad adicional para mejorar la aplicabilidad y flexibilidad de ACDNR. Es una máscara de luminancia invertida que modula el trabajo de reducción de ruido. Donde la máscara es cero (negra), los píxeles originales (no procesados) se conservan completamente; donde la máscara es uno (blanca) la reducción de ruido actúa por completo. Donde la máscara tiene valores intermedios de gris los valores de píxel originales y procesados se mezclan proporcionalmente. Esta máscara puede ser útil para proteger zonas con alta relación señal/ruido mientras se aplica una fuerte reducción de ruido en áreas con escasez de señal. Un ejemplo típico de esto es suavizar el fondo de una imagen de cielo profundo mientras las regiones más brillantes quedan intactas.

La máscara de ACDNR es generada y controlada con la ayuda de tres parámetros: balance de medios tonos, recorte de sobras y recorte de altas luces. Estos parámetros definen una transformación de histograma que se aplica a una copia de la luminancia de la imagen que se usa para enmascarar el proceso de reducción de ruido. Hay que tener en cuenta que se genera una máscara invertida, con lo cual estos parámetros funcionan al revés de lo que sería habitual en el histograma de la imagen. Con un poco de práctica desaparecen todos los problemas en este sentido. Para permitir construir una máscara óptima con un mínimo esfuerzo, la interfaz de ACDNR incluye un modo especial de previsualización de máscara. Cuando este modo está activado, ACDNR simplemente genera la máscara, la copia a la imagen destino, y termina su ejecución. Este modo de previsualización de máscara es especialmente útil utilizado conjuntamente con la interfaz de previsualización en tiempo real (Real-Time Preview).

Ejemplo de Procesamiento con ACDNR: Imagen DSLR de M45

Imagen de M45 por Vicent Peris (PTeam) y José Luis Lamadrid Takahashi Epsilon 180ED Hyperbolic Astrograph 2 x 25 minutos desde Teruel, España. Canon EOS 350D modificada, sensibilidad 200 ISO. Procesamiento completamente realizado en PixInsight Standard 1.0.1.228 b3 Sumario del procesamiento: Debayerización, conversión a formato en punto flotante de 32 bits, registro, promedio, modelización y corrección del fondo, ajuste de histograma, reducción de ruido de pequeña escala, corrección de color, incremento de saturación de color (sólo para las estrellas), reducción de ruido de gran escala.

Pasos Iniciales de Procesamiento

Esta imagen es un test de la óptica y no ha sido calibrada: no se han aplicado tomas oscuras (darks) ni flats. En consecuencia, las imágenes originales tienen fuertes gradientes y una cierta cantidad de píxeles calientes y fríos (hot pixels y cold pixels).

Las dos imágenes raw fueron cargadas, debayerizadas, y convertidas al formato de punto flotante de 32 bits con el proceso SampleFormatConversion.

Normalmente, el formato entero de 16 bits es suficiente para llevar a cabo procesamientos moderadamente complejos. Sin embargo, la plataforma PixInsight permite utilizar cinco formatos de datos de forma transparente: enteros de 8, 16 y 32 bits, más punto flotante IEEE 754 de 32 y 64 bits. Transparente significa aquí que todos los procesos disponibles pueden trabajar indistintamente (al margen de las diferencias inherentes de precisión numérica) con cualquiera de los cinco formatos de datos soportados.

Siempre que sea posible, un formato de 32 bits es preferible, especialmente para llevar a cabo operaciones numéricamente complejas como la reducción de ruido. El formato de 64 bits en punto flotante puede ser útil para aplicar algunas rutinas críticas a imágenes con rangos dinámicos extremadamente grandes. Esto ocurre con muchas imágenes de cielo profundo; M42 (la gran nebulosa de Orión) es un ejemplo paradigmático. Para imágenes normales de cielo profundo el formato de 32 bits en punto flotante es probablemente la mejor opción. Otra buena elección sería el formato entero de 32 bits, que proporciona un rango de datos efectivo aún mayor. No hace falta decir que el formato entero de 8 bits jamás debe ser utilizado con imágenes como ésta.

Tras la conversión al formato de punto flotante de 32 bits, las imágenes raw fueron registradas con DynamicAlignment y promediadas con PixelMath. Ahorraremos al lector los detalles de estos procesos, que son bastante sencillos.

Aquí puede verse el aspecto de la imagen resultante de promediar las dos tomas originales. Ésta es nuestra imagen de partida para este ejemplo de procesamiento. Como es habitual con todas las imágenes raw lineales en astrofotografía, los datos existentes no son inicialmente visibles porque la imagen está fuertemente infraexpuesta. Prácticamente todos los datos se encuentran concentrados en una pequeña fracción del rango dinámico disponible. Una transformación no lineal nos va a permitir redistribuir los datos apropiadamente. Esto lo realizaremos en el segundo paso del procesamiento.

Paso 1: Modelización y Corrección del Fondo

Hemos aplicado dos iteraciones del proceso DynamicBackgroundExtraction (DBE), restando los modelos sintéticos del fondo generados mediante PixelMath.

Figura 6— Primera aplicación del proceso DynamicBackgroundExtraction. haga clic en la imagen para ver una versión a tamaño completo.

Primera aplicación de DBE. La interfaz de ScreenTransferFunction nos ha permitido ver la imagen original sin modificarla. De esta forma hemos podido generar un modelo de fondo para la imagen lineal, antes de aplicar cualquier transformación no lineal a los valores de píxel originales.

Comenzamos generando una matriz de muestras DBE automáticamente. El sistema de rechazo estadístico de DBE evitó casi todas las muestras sobre M45 y su nebulosidad circundante. Sin embargo, para minimizar la contribución de la nebulosidad de reflexión al modelo del fondo generado, eliminamos manualmente algunas muestras alrededor de las zonas centrales. Añadimos también manualmente unas pocas muestras sobre la zona de la esquina inferior izquierda, donde el sistema de rechazo de DBE no situó muestras automáticamente al considerarla demasiado diferente del fondo típico de la imagen. Todo el procedimiento quedó completado en menos de cinco minutos.

El nuevo proceso DBE asigna pesos estadísticos a cada muestra de forma automática (los valores Wr, Wg y Wb), lo cual ayuda a generar modelos del fondo de gran robustez.

Figura 7— Primera corrección del fondo. Haga clic en la imagen para ver una versión a tamaño completo.

Primera corrección del fondo. El modelo sintético del fondo ha sido restado de una copia de la imagen original.

El resultado es bastante bueno, salvo por un gradiente residual, visible como una banda horizontal cerca de la parte inferior. Trataremos de eliminarlo mediante una segunda iteración de DBE.

Al restar un modelo del fondo generado por DBE, el fondo del cielo en la imagen queda neutralizado automáticamente (sin dominante cromática). Se trata de una característica de la nueva implementación de DBE.

Figura 8— Segunda aplicación del proceso DynamicBackgroundExtraction. Haga clic en la imagen para ver una versión a tamaño completo.

Segunda aplicación de DBE. Los gradientes de fondo residuales son ahora muy débiles. Aparecen tan exagerados debido a la agresiva función de transferencia de pantalla utilizada, que hemos ajustado aquí al límite.

Tomamos la misma instancia de DBE utilizada en la aplicación anterior como punto de partida para ésta. Esto fue posible, por supuesto, porque guardamos la instancia de DBE previa como un icono de proceso.

Esta vez añadimos manualmente más muestras sobre áreas particularmente difíciles, como la banda horizontal en la parte inferior, y algunas regiones con variaciones de color relativamente fuertes.

Figura 9— Segunda corrección del fondo. Haga clic en la imagen para ver una versión a tamaño completo.

Segunda corrección del fondo. De nuevo, el modelo sintético del fondo, que se puede ver en la esquina inferior izquierda de la Figura 9, ha sido restado de la imagen resultante de la primera corrección.

El resultado, en la esquina inferior derecha, es más uniforme, aunque aún no es perfecto. Téngase en cuenta sin embargo, que las imágenes están siendo mostradas aquí tremendamente realzadas mediante agresivas funciones de transferencia de pantalla. Podríamos ir más lejos perfeccionando el proceso de modelización y corrección del fondo, pero pensamos que lo que tenemos aquí es razonablemente bueno para una imagen DSLR sin calibrar.

Es importante señalar que todo el proceso de modelización y corrección del fondo ha sido aplicado a la imagen lineal original, gracias a la funcionalidad ScreenTransferFunction de PixInsight Standard.

Paso 2: Ajuste No Lineal Inicial con HistogramTransform

Figura 10— Ajuste no lineal inicial con HistogramTransform. Haga clic en la imagen para ver una versión a tamaño completo.

La Figura 10 muestra el ajuste de histograma incial aplicado, con la interfaz HistogramTransform trabajando en modo de previsualización en tiempo real. Hemos sido muy cuidadosos para evitar recortar demasiados píxeles del fondo en esta etapa: fíjese en el punto de recorte en las sombras localizado justo donde comienza el pico principal del histograma.

El fondo está fuertemente dominado por el ruido en este momento, y poner muchos píxeles del fondo a cero ahora complicaría mucho una reducción de ruido posterior. Al recortar píxeles del fondo se incrementa mucho el contraste entre píxeles del ruido adyacentes. Los algoritmos de reducción de ruido, especialmente aquéllos basados en gradientes locales de contraste como ACDNR, pueden tener dificultades intentando distinguir estructuras significativas bajo esas circunstancias. Una vez que hayamos aplicado la reducción de ruido seremos capaces de ajustar la imagen apropiadamente, como demostraremos más adelante.

Junto al recorte en las sombras inicial, hemos aplicado una función de transferencia de medios tonos (midtones transfer function, MTF) con esta primera instancia de HistogramTransform. Esta MTF es la transformación no lineal que nos ha permitido redistribuir los datos lineales originales de manera que podamos verlos. La MTF se controla mediante el parámetro balance de medios tonos (midtones balance) de HistogramTransform.

Paso 3: Espacio de Trabajo RGB (RGBWS) Uniforme

Figura 11— Estableciendo un espacio de trabajo RGB (RGB working space, RGBWS) uniforme, es decir, con coeficientes de luminancia iguales. Haga clic en la imagen para ver una versión a tamaño completo.

Nuestro siguiente paso consiste en establecer un espacio de trabajo RGB (RGB Working Space, RGBWS) uniforme. Un RGBWS uniforme tiene los tres coeficientes de luminancia iguales.

Este paso es importante porque el RGBWS determina cómo se realizan las separaciones entre luminancia y crominancia en PixInsight. Los coeficientes de la luminancia funcionan como pesos relativos para determinar la contribución de cada color a la luminancia de la imagen. La mayoría de los procesos en PixInsight trabajan con la luminancia y la crominancia por separado, y ACDNR no es una excepción.

Con un RGBWS uniforme estamos indicando que los tres colores de RGB tienen la misma importancia para el cálculo de la luminancia en esta imagen. Esto nos va a permitir acumular más información en la luminancia, donde el detalle de la imagen va a ser realmente visible.

En este punto puede que le interese revisar una discusión en profundidad acerca de los espacios de trabajo RGB, perteneciente a la documentación oficial de PixInsight LE (en Inglés).

Reducción de Ruido de Pequeña Escala: Comparaciones

En la tabla siguiente hemos incluido unas comparaciones mouseover que le ayudarán a evaluar nuestros resultados de reducción de ruido con ACDNR. Estamos bastante satisfechos, pero ninguna técnica de procesamiento de imágenes proporciona resultados perfectos, y por supuesto nuestra implementación no es una excepción en este sentido.

En estas comparaciones, observe cómo todo el ruido de pequeña escala ha sido virtualmente eliminado, mientras las estructuras significativas de la imagen han sido bien protegidas y permanecen tanto en la luminancia como en la crominancia. Éste debe ser el objetivo fundamental de cualquier proceso de reducción de ruido serio.

Las estrellas brillantes muestran cruces de difracción coloreadas en la imagen original, formadas por el soporte del espejo secundario del telescopio reflector utilizado. Nuestra reducción de ruido ha eliminado la mayor parte del color en estos destellos. Tenga en cuenta que este efecto colateral es intencionado, puesto que no nos gustan los destellos de difracción coloreados (nos gustan los destellos de difracción, pero cuando tienen colores pensamos que roban protagonismo a los objetos astronómicos representados).

	Figura 12a— Comparación mouseover: Reducción de ruido de pequeña escala Recorte ampliado 2:1, cerca del centro. Tras la reducción de ruido de pequeña escala con ACDNR. Antes de la reducción de ruido de pequeña escala con ACDNR.
	Figure 12b— Comparación mouseover: Reducción de ruido de pequeña escala Recorte ampliado 2:1, cerca del centro. Tras la reducción de ruido de pequeña escala con ACDNR. Antes de la reducción de ruido de pequeña escala con ACDNR.
	Figure 12c— Comparación mouseover: Reducción de ruido de pequeña escala Recorte ampliado 2:1, cerca de la parte superior de la imagen. Tras la reducción de ruido de pequeña escala con ACDNR. Antes de la reducción de ruido de pequeña escala con ACDNR.

Paso 4: Definir una Máscara de Luminancia ACDNR

Figura 13— Construyendo una máscara de luminancia ACDNR para reducción de ruido de pequeña escala. Haga clic en la imagen para ver una versión a tamaño completo.

Una reducción de ruido eficiente no es tarea fácil para esta imagen de las Pléyades. Lo que convierte a esta imagen en un objetivo difícil es el hecho de que existen detalles muy finos definidos por variaciones sutiles de contraste, pero al mismo tiempo hay cantidades relativamente grandes de ruido sobre el fondo y sobre áreas extensas cubiertas por nebulosidad débil.

Normalmente, ACDNR no necesita una máscara para funcionar eficientemente. Esto es cierto para la mayoría de imágenes de cielo profundo. Sin embargo hay casos difíciles, como el utilizado en este ejemplo, donde la protección de una máscara es necesaria para conseguir una reducción de ruido adecuada en todas las partes y elementos de la imagen simultáneamente. Por esta razón hemos implementado una herramienta para facilitar la generación de máscaras de luminancia en la interfaz de ACDNR.

Como se puede comprobar en la Figura 13, la máscara de luminancia generada limitará la reducción de ruido en las zonas más brillantes de las nebulosas, donde la relación señal/ruido es relativamente alta y hay estructuras delicadas que necesitan protección adicional.

En la Figura 13 se puede ver cómo la máscara de luminancia puede ser ajustada rápidamente con la interfaz de previsualización en tiempo real (Real-Time Preview). La opción Preview en la sección Máscara de Luminancia (Luminance Mask) de la interfaz de ACDNR debe estar activada. Las máscaras de ACDNR funcionan de la manera habitual: los píxeles negros de la máscara protegen la imagen completamente, y los píxeles blancos de la máscara permiten el procesamiento completamente. Los valores intermedios de la máscara (valores de gris) dan una mezcla proporcional de píxeles originales y procesados.

Paso 5: Definir Parámetros ACDNR para Luminancia y Crominancia

Como hemos dicho anteriormente en este documento, ACDNR proporciona dos juegos idénticos de parámetros: uno para la luminancia y otro para las componentes de la crominancia. Cada juego debe ser definido por separado para imágenes en color.

En cada página de la interfaz ACDNR (Luminancia, Crominancia) hay una casilla (check box) titulada Aplicar (Apply). Si desactivamos Aplicar, el juego de parámetros correspondiente no será aplicado. Esto es muy útil para concentrarse en cada juego por separado, y permite ahorrar gran cantidad de tiempo de proceso.

Éste es el procedimiento general para aplicar ACDNR a imágenes en color:

• Seleccionar la página Crominancia (Chrominance) y desactivar Aplicar (Apply).

• Seleccionar la página Luminancia (Luminance) y asegurarse de que Aplicar está activado. Probar y ajustar parámetros ACDNR hasta lograr una reducción de ruido satisfactoria para la luminancia. Utilizar el modo de representación (display mode) "Luminancia CIE" (CIE Luminance) (Image > Display > Luminance, o Ctrl+Shift+L) para ver la luminancia representada como una imagen en escala de grises.

• Desactivar Aplicar en la página Luminancia. Seleccionar la página Crominancia, activar su opción Aplicar, y trabajar con los parámetros de crominancia hasta estar de acuerdo con el resultado obtenido. El modo de representación "Crominancia a/b" es muy útil (Image > Display > Chrominance, o Ctrl+Shift+C) para ver la crominancia de la imagen aislada de la luminancia. En este modo especial de representación, los colores rojo y verde corresponden a las componentes a y b, respectivamente, del espacio de color CIE Lab.

Figura 14— Ajustando parámetros ACDNR para la luminancia. Haga clic en la imagen para ver una versión a tamaño completo.

Comenzamos trabajando con la luminancia. En la Figura 14 se puede ver cómo los parámetros ACDNR para la luminancia están siendo ajustados utilizando la técnica separada que hemos explicado arriba.

Figura 15— Ajustando parámetros ACDNR para la crominancia. Haga clic en la imagen para ver una versión a tamaño completo.

Cuando los parámetros de ACDNR para la luminancia han sido definidos con precisión, procedemos con la crominancia. De nuevo utilizamos la técnica separada que hemos explicado al inicio de esta sección. En la Figura 15 se puede ver cómo se usa el modo de representación "Crominancia a/b" (Chrominance a/b). Este modo está siendo utilizado para visualizar la crominancia de la imagen. Ésta es la forma más efectiva de trabajar con los parámetros de ACDNR para la crominancia. Recuerde que en este modo el rojo y el verde representan a las componentes a y b, respectivamente, del espacio de color CIE Lab.

Figura 16— Verificando los parámetros de ACDNR sobre una previsualización. Haga clic en la imagen para ver una versión a tamaño completo.

Finalmente, debemos verificar cómo funciona nuestra instancia de ACDNR con varias previsualizaciones definidas en nuestra imagen. Ambos juegos de parámetros (luminancia y crominancia) deben ser activados (ambas casillas Aplicar (Apply) activadas), y el modo normal de representación (RGB) debe estar seleccionado.

Una buena reducción de ruido nunca debe sacrificar detalles significativos. Por esta razón hemos invertido enormes cantidades de trabajo y conocimiento para lograr una herramienta avanzada de reducción de ruido como ACDNR. Lo que queremos decir es que la tarea de reducción de ruido siempre debe realizarse con suficiente cuidado, herramientas apropiadas, y sin escatimar trabajo de prueba/error, el cual a menudo es necesario en grandes dosis. Algo de experiencia y práctica son también necesarias, como ocurre en todos los campos del procesamiento de imágenes.

Paso 6: Ajuste de Histogramas Tras la Reducción de Ruido

Figura 17— Recortando en las sombras tras la reducción de ruido, con la interfaz de HistogramTransform. Haga clic en la imagen para ver una versión a tamaño completo.

Tras una eficiente reducción de ruido, ninguna parte de la imagen está ahora dominada por el ruido. Esto es particularmente evidente en el fondo del cielo y otras áreas oscuras de la imagen, donde la relación señal/ruido era muy baja. Una consecuencia directa de esto es que ahora el histograma muestra un bonito segmento sin utilizar en su extremo izquierdo, correspondiente a las sombras. Decimos que es bonito porque nos permite incrementar el contraste general de la imagen sin perder datos. En otras palabras, ahora podemos utilizar el histograma para ajustar la imagen como sea necesario, ya que el histograma ya no está dominado por el ruido, sino únicamente por datos significativos.

Correcciones Selectivas de Color y Saturación de Color: Comparaciones

	Figura 18a— Comparación mouseover: Corrección de color / incremento de la saturación de color Tras la corrección de color e incremento de saturación de color con los procesos SCNR y CurvesTransform. Antes de la corrección de color e incremento de saturación.
	Figura 18b— Comparación mouseover: Corrección de color / incremento de la saturación de color Recorte a tamaño real, cerca del borde izquierdo de la imagen. Tras la corrección de color e incremento de saturación de color con los procesos SCNR y CurvesTransform. Antes de la corrección de color e incremento de saturación.

Paso 7: Construir una Máscara para Corrección Selectiva de Color

Figura 19— Construyendo una máscara para corrección selectiva de color, con la interfaz de HistogramTransform. Haga clic en la imagen para ver una versión a tamaño completo.

En el paso siguiente vamos a aplicar una corrección de color para mejorar el color azul de la nebulosidad de reflexión. Sin embargo, queremos aplicar esa corrección a las áreas más iluminadas de la imagen exclusivamente, no al fondo. El fondo es neutral ahora, y no queremos que deje de serlo de ninguna manera.

Así que lo que queremos es aplicar algunos procesos selectivamente, limitando sus efectos a las áreas apropiadas de la imagen. Para conseguir esto se debe utilizar una máscara en PixInsight.

Para construir esta máscara, comenzamos extrayendo la luminancia de la imagen con el proceso ChannelExtraction. Después aplicamos una transformación de histograma para recortar (o sea, hacer que sean negros) los píxeles del fondo. En la Figura 19 se puede ver cómo la interfaz de HistogramTransform está siendo utilizada con este fin en modo de previsualización en tiempo real (Real-Time Preview).

Paso 8: Corrección Selectiva de Color

Figura 20— Aplicando una corrección selectiva de color con el proceso SCNR. La máscara construida en la Figura 19 ha sido activada para la imagen procesada. Haga clic en la imagen para ver una versión a tamaño completo.

Como hemos dicho, queremos que la nebulosidad de reflexión sea más azul en esta imagen. En nuestra opinión, es demasiado cián. El exceso de verde se puede corregir de varias maneras. Una bastante obvia es mediante un conjunto de curvas aplicadas con el proceso CurvesTransform. Esto funcionaría sin duda, pero en este caso queremos probar algo nuevo.

El proceso SCNR (reducción sustractiva de ruido cromático, Subtractive Chromatic Noise Reduction) ha sido diseñado para eliminar ruido verde en imágenes de cielo profundo. Puede leer más acerca del algoritmo SCNR en una sección específica de la documentación oficial de PixInsight LE.

La implementación de SCNR que hemos incluido en el juego de procesos por defecto de PixInsight Standard añade nuevas funciones con respecto a la versión incluida en PixInsight LE. Una de ellas es un nuevo método de protección, mínimo neutral, que se puede usar en casos como éste con buenos resultados. Tenemos que advertir que este uso de SCNR no es ortodoxo, pero ciertamente funciona muy bien. Siempre queremos tener la mente abierta para descubrir nuevas estrategias de procesamiento, y ésta es sólo una de esas cosas frescas que nacen de nuestra imaginación.

En la Figura 20 se puede ver cómo una dosis adecuada de SCNR con protección del tipo mínimo neutral logra el tono exacto de azul que estábamos buscando. Por descontado, la máscara de luminancia que hemos construido en el paso anterior es esencial aquí para evitar la alteración del fondo, cuya neutralidad queremos conservar.

Paso 9: Construir una Máscara de Estrellas para Incremento Selectivo de Saturación de Color

Figura 21— Construyendo una máscara de estrellas con la interfaz del proceso ATrousWaveletTransform. Haga clic en la imagen para ver una versión a tamaño completo.

¿Qué tal incrementar los colores de las estrellas? Hay muchas estrellas rojas en esta imagen que contrastan maravillosamente con el azul dominante. Éste es el tipo de cosas que perseguimos cuando procesamos una excelente astrofotografía, como la imagen de M45 que estamos usando en este ejemplo.

Ciertamente no podemos resistir la tentación de incrementar la saturación de color para las estrellas. Sin embargo, esto no es una tarea simple: si incrementásemos la saturación de color para toda la imagen obtendríamos un completo desastre. Las nebulosas brillantes quedarían sobresaturadas, y una gran cantidad de ruido en la crominancia se originaría sobre el fondo.

Así que una vez más tenemos que usar una máscara especial para aplicar la transformación de saturación de color que queremos sólo donde es necesaria. Necesitamos una máscara que incluya sólo las estrellas de la imagen. Pero aún más: no queremos saturar las estrellas más brillantes de M45, puesto que éstas ya están bastante saturadas en brillo.

La herramienta ideal para construir máscaras de estrellas es el proceso ATrousWaveletTransform en PixInsight. Con los wavelets podemos aislar las estructuras de la imagen en un rango de escalas determinado. Hemos diseñado muchas técnicas basadas en procesamiento multiescala para construir máscaras de estrellas. Una de ellas, bastante sencilla pero muy eficiente en la mayoría de los casos, puede verla en acción en la Figura 21. Preste especial atención a los siguientes aspectos de la transformación de wavelets (necesitará ver la Figura 21 a tamaño completo):

• La capa residual de wavelets (la capa 'R') ha sido desactivada. En el caso mostrado en la Figura 21, esto elimina todas las estructuras de la imagen con tamaños característicos de 16 píxeles o más. Esto es porque hemos utilizado cuatro capas de wavelets. Si se necesita incluir estructuras más grandes en la máscara, hay que utilizar más capas de wavelets.

• La primera capa de wavelets ha sido desactivada. Esto no es realmente necesario, pero nos garantiza que el ruido de muy pequeña escala no va a ser incluido en la máscara.

• Las capas tercera y cuarta de wavelets (escalas de 4 y 8 píxeles) han sido potenciadas mediante valores positivos de bias, especialmente la cuarta capa. Esto da más importancia a las estructuras con tamaños característicos entre 4 y 8 píxeles. En este caso, estas escalas dan soporte a la mayoría de las estrellas en las que estamos interesados. De nuevo, puede ser necesario potenciar otras capas de wavelets de otra forma, de acuerdo con las características de la imagen y los requerimientos de la tarea que se esté llevando a cabo.

• Finalmente, pero desempeñando un papel muy importante, se ha utilizado el método k-sigma de umbralización de ruido para aumentar la robustez del procedimiento. Este método hace que la máscara generada resulte inmune al ruido y otras estructuras espúreas de la imagen. Sin esta funcionalidad, nuestra máscara contendría estructuras no deseadas que no son estrellas sino otros elementos mucho más débiles que también se encuentran dentro del rango de escalas seleccionado. Habitualmente, el parámetro cantidad (amount) de umbralización k-sigma debe ser incrementado a su valor máximo. El parámetro umbral (threshold) ha de ser establecido para aislar las estrellas deseadas; usualmente se necesitan valores bastante altos de umbral, entre 4 y 8.

Para terminar, la máscara puede ser ajustada mediante HistogramTransform, si es necesario (por ejemplo para recortar objetos no estelares débiles que hayan podido colarse en la máscara), y también se puede aplicar otra transformación por wavelets para eliminar capas de pequeña escala, con el fin de suavizar los bordes de las estrellas.

Paso 10: Incremento Selectivo de la Saturación de Color

Figura 22— Aplicando un incremento selectivo de la saturación de color con la interfaz de CurvesTransform, para mejorar los colores de las estrellas. Haga clic en la imagen para ver una versión a tamaño completo.

La Figura 22 muestra la curva de saturación que hemos aplicado. Esta curva define un incremento de saturación tremendamente agresivo para los píxeles que están poco saturados. Por supuesto que esta transformación sería completamente inviable sin la ayuda de la máscara de estrellas que hemos construido en el paso anterior.

Reducción de Ruido de Gran Escala: Comparaciones

Las comparaciones mouseover en la tabla siguiente muestran claramente lo que llamamos ruido de gran escala, así como la forma en que hemos conseguido reducirlo con ACDNR. El ruido de gran escala afecta a las áreas con baja relación señal/ruido, especialmente al fondo del cielo y a las regiones nebulares más débiles. ACDNR con un filtro de gran tamaño y una apropiada protección mediante una máscara de luminancia bien construida puede entendérselas con este tipo de ruido muy eficazmente.

	Figura 23a— Comparación mouseover: Reducción de ruido de gran escala Recorte a tamaño completo de una zona cercana a la esquina inferior izquierda de la imagen. Los medios tonos han sido incrementados para mejorar la visibilidad del ruido. Tras la reducción de ruido de gran escala con ACDNR. Antes de la reducción de ruido de gran escala con ACDNR.
	Figura 23b— Comparación mouseover: Reducción de ruido de gran escala Recorte a tamaño completo de una zona cercana al centro de la imagen. Los medios tonos han sido incrementados para mejorar la visibilidad del ruido. Tras la reducción de ruido de gran escala con ACDNR. Antes de la reducción de ruido de gran escala con ACDNR.

Paso 11: Definir una Máscara de Luminancia de ACDNR para Reducción de Ruido de Gran Escala

Figura 24— Construyendo una máscara de luminancia de ACDNR para reducción de ruido de gran escala. Haga clic en la imagen para ver una versión a tamaño completo.

Observe en la Figura 24 cómo la máscara de ACDNR para reducción de ruido de gran escala es muy restrictiva. Esto es porque este tipo de ruido sólo existe en áreas de baja relación señal/ruido, las cuales corresponden a las zonas menos iluminadas de la imagen: el fondo del cielo y las partes más débiles de las nebulosas. Por lo tanto, sólo esas áreas deben quedar desprotegidas por las máscaras para reducción de ruido de gran escala. Recuerde que las zonas desprotegidas son siempre las zonas blancas en la máscara.

Por otra parte, se necesita un filtro de ACDNR bastante grande para actuar sobre este tipo de ruido, ya que éste se caracteriza por estructuras relativamente grandes. Sin la adecuada protección, la agresividad del filtro requerido destruiría las estructuras de pequeña escala y los finos detalles en las nebulosas.

En la máscara de gran escala de la Figura 24, observe que las zonas más débiles de las nebulosas de reflexión no son blancas ni negras, sino que van disminuyendo suavemente, pasando por una gama de grises. Esto es muy importante para asegurar transiciones suaves entre las áreas protegidas y las desprotegidas. Las transiciones bruscas (o sea, transiciones blanco/negro en la máscara) deben ser siempre evitadas porque producen diferencias visibles entre las regiones que han sido protegidas y las que no.

Paso 12: Reducción de Ruido de Gran Escala con ACDNR

Figura 25— Aplicando la reducción de ruido de gran escala con ACDNR. Haga clic en la imagen para ver una versión a tamaño completo.

En la Figura 25 tenemos el procedimiento de reducción de ruido de gran escala que hemos aplicado. El filtro utilizado es grande y muy agresivo: tres iteraciones y desviación estándar de cinco píxeles. La Figura 25 muestra los parámetros para la luminancia; los parámetros para la crominancia son muy similares. La máscara de luminancia que construimos en el paso anterior ha sido activada en los parámetros de ACDNR tanto para la luminancia como para la crominancia. Esto nos asegura que sólo las regiones con menor relación señal/ruido van a ser suavizadas. Adicionalmente, observe que la protección de bordes de ACDNR ha funcionado a la perfección con un filtro tan agresivo, incluso en las zonas desprotegidas de la imagen.