写在前面:本文是基于作者多次使用DeepSNR所总结出来的经验,仅供参考,若实际使用情况与本文有出入请以自己的实践结果为准。
关于DeepSNR:
DeepSNR是基于深度学习的一个降噪插件,作者是Mikita Misiura。目前DeepSNR只支持彩色图片的降噪。
其使用界面非常简单,只有强度以及目标图片是否线性两个选项。
DeepSNR的安装:
在网址https://www.deepsnrastro.com/download/ 下下载zip文件,解压后按照插件的安装方式安装即可。(pixinsight专属)
使用经验:
DeepSNR在线性图上对于彩色噪声的压制是非常好的,要明显好于NXT,ACDNR等降噪工具。
(左图为DeepSNR强度100%,右图为NXT强度100%)
同时DeepSNR对于细节的保存也很到位。
(左图为NXT强度100%,右图为DeepSNR强度100%)
可以看出NXT对于细节甚至有锐化的作用,但是效果不好。而DeepSNR则很好的保存了细节,没有锐化也没有抹平。
DeepSNR的缺点是运行时间很长,比NXT长好几倍。但DeepSNR能够被CUDA加速。
除此之外DeepSNR还有很多别的缺点:
1.在DeepSNR官网上可以看到标注:Only RGB images taken using monochrome sensors are supported at the moment. CFA Drizzle integration should be used for DSLR images to get good results.
翻译一下,只有黑白相机的片子才能有很好的使用效果,对于数码单反的片子要做CFA Drizzle integration。当然别以为把灰度图转为RGB彩色图就能使用DeepSNR。
2.如果使用后类似下图所示的令人不愉快的效果(线性图),可能是以下几个方面造成的:
1) 所作用的master是Drizzle过的,无论Drizzle时用哪一个kernel function都会导致这个效果。
2) 在星点对齐时用的内插算法为Mitchell-Netravali Filter。
3) 所作用的图为HOO通道(或ABB通道形式)。
4) 所作用的master为混叠得到的。
5) 彩机解拜尔时用的算法为VNG。
(注意,并不是说你作用的master包含了以上的因素就会导致这样的效果,而是如果产生了这样的效果那么很可能所作用的master包含以上因素)
在此提供解决办法:
1)针对Drizzle得到的master,先提取明度通道,
对RGB照片使用DeepSNR后使用ACDNR并仅对色彩降噪,
然后使用LRGB合成将明度通道合并进色彩通道。
(左图为直接使用DeepSNR,右图为进行LRGB合成的)
2)针对内插算法为Mitchell-Netravali Filter的,直接换一个内插算法或者同1)。
3)针对所作用的图为HOO通道的,先将O通道复制一份,利用其他的降噪方法对其中等力度的降噪,
(这里使用EZ Denoise进行降噪)
然后使用Noise Generator人工添加高斯噪声直到与原图的噪声力度相似,
(左图为人工添加噪声,右图为原图)
然后再使用H,O以及O_clone进行HOO通道合成,得到彩色通道,再使用DeepSNR进行降噪。
(左图为使用新制作的O的效果,右图为普通HOO的效果)
4)针对master为混叠得到的,同1)。
5)针对彩机,解拜尔时可用SuperPixel算法,但会损失解析力。
这些解决办法都是作者在多次尝试后得出的结论。总体思路很简单:使用DeepSNR只是降彩噪,因此与明度无关。只要提前把明度保护起来,无论RGB图片的效果有多歪,但只要它们“歪的一样”就可以通过LRGB合成来修正。
3.DeepSNR对于高亮度区域会有不愉快的效果,例如:
星点:
明亮星系核心:
以及明亮星云核心:
因此在使用的时候应分离或者保护这些高亮区域。
使用技巧:
不难发现DeepSNR在强度100%的表现依然不俗,不像某些降噪方法,一旦提高降噪强度画面就会变得油腻有涂抹感。作者在平时的使用过程中也确实一直在使用100%的强度,主要是可以节省运行时间,同时获得不错的降噪效果。
然而DeepSNR不像ACDNR一样可以将明度以及颜色分开降噪,使用就意味着会将明度以及颜色都会抹除。我们正好可以利用这点,使用DeepSNR对拍摄得到的L通道或者窄带合成的伪L通道进行降噪。
首先得到一张已经经过DBE,颜色校准,反卷积去星等操作过后的RGB图像以及经过DBE,反卷积去星等操作的明度通道。
(这里借用万佬的素材充当教具)
(如有需要就制作一蒙版保护高亮区域)
然后提取出RGB图像的明度,使用LinearFit以RGB的明度为参考作用到拍摄得到的明度通道上。
再使用LRGB combination将明度通道合进RGB图像中。
再使用DeepSNR对RGB图像降噪。
然后提取出降噪后的RGB图片的明度。
这样我们就得到了借用DeepSNR降噪的明度。当然这肯定是降噪过头的,这时我们就可以将新的明度与老的明度做线性混合:
(可以直接使用平均值函数)
在老的明度上作用1次,对比细节:
(左图为混合之前,右图为混合之后)
可以发现降噪效果不错。
之后就可以进行后续的操作了。
有人可能会问:为什么这么麻烦,这与直接用NXT降噪有什么区别么?
诚然,在混合力度不强的时候几乎分辨不出来。但如果你需要对明度通道进行强力降噪,两者的效果就会不同。
(左图为NXT强度90%的降噪效果,右图为使用公式混合3次的效果)
NXT降噪的效果有明显的涂抹感,而使用这种方法的降噪效果就会稍好。
更重要的是:DeepSNR免费。
总结:
掌握了DeepSNR后:我不用NXT好多年。
*感谢万佬的素材以及分子伴侣大佬提供的素材作为本文的教具。
Comments