【背景】NormalizeScaleGradient（NSG）是PixInsight（PI）的一个脚本插件。它的核心功能是在图像预处理过程中，通过算法平滑图像间的亮度梯度差异，起到消除背景梯度的作用。这一功能对于处理严重不均光照下的数据尤为有益，能够有效改善图像的背景均匀性。此外，NSG还能够计算图像叠加时的权重，为后续的图像集成（叠加）步骤提供优化依据，从而提升整体预处理流程的质量和效率。
作为一个付费的脚本，你可以在https://ko-fi.com/jmurphy上向他的作者John Murphy购买授权，当前的售价是£25。该脚本作者对均一化处理及信噪比比对有其独到的理解，因此脚本内置图像噪声评价体系与PixInsight所侧重的PSF Signal Weight（PSF）等指标不同，以“NOISE x.xx MRS”形式表达，数字越小的表示质量越高。当然，实际在筛选最优图像时，还必须考虑平坦度，因此该脚本将提供最MRS最低的10张（可选）图像，作为人工筛选。因这个过程存在一定主观性，在本文中不作为参考标准，仅以MRS来评定质量。其他更详细的算法原理在作者网站上有详细描述，本文作为应用向的测试，这里不进行深入探讨。
【方法】本测试采用了无月环境下的42张B通道作为数据源，并以完成ImageCalibration和StarAlignment流程。通过7种不同的处理流程叠加形成最终图像。通过SubframeSelector和NSG内置图像评价体系，来进行最终数据质量优劣的判定。部分涉及LocalNormalization（LN）流程的方法和内容，可参见我另一篇测试《LocalNormalization对信噪比提升效果分析》，这里不再累述。
【结果】测试结果汇总于图1中。在PSF评价中，不进行局部归一化的最传统得分最低，可认为无论LN或NSG流程对提高整体信噪比都有明显帮助。而对于进行过LN或NSG的图像而言，在Imagelntegration中，Normalization采用Local normalization将会有助于进一步提升信噪比。同时，在Imagelntegration中Rejection algorithm的设置中， Generalized Extreme Studentized Deviate (ESD) 算法优于Linear Fit Clipping算法。综上所述，LN和NSG流程有助于提高图像最终信噪比，且Imagelntegration的设置参数推荐为 Normalization：Local normalization & Rejection algorithm：Generalized Extreme Studentized Deviate (ESD)，即图1中最下方标红结果项。而在NOISE评价中，虽然最优项与PSF一致，但是最差质量的图像意外的评定为LN流程中的Normalization：Local normalization & Rejection algorithm：Linear Fit Clipping。不过，当Rejection algorithm设置为ESD时，图像质量得到了显著的提升。综合NOISE评价结果，其也推荐 Normalization：Local normalization & Rejection algorithm：ESD设置作为Imagelntegration最佳选择。图2是NSG和LN在最优评定下的实际影像情况，肉眼对比来看，NSG信噪情况确实优于LN。
【讨论】LN和NSG都可以有效的提升数据的信噪比，但是实际使用中，主观人为因素将可能影响最终结果，特别是NSG流程涉及多步骤的人工判定过程。实际的结果分析也表明，不同设置的情况下，LN和NSG结果互有高低，因此，只能说，在设置合理的情况下，NSG的上限应该比LN高。对于本文推荐的Rejection algorithm：ESD设置，因为仅比对了大宗数据的结果，对于较小数据量情况下，ESD是否优于Winsorized Sigma Clipping等经典算法仍有待进一步测试。同时，前文中也提及，作为局部归一化流程而言，除了信噪比外，平坦度也是重要标准，事实上在NSG实际使用中，MRS最优的数据常常未必是最终选择的Reference，因此本文选PSF和MRS作为评价体系存在一定的事实偏差可能。
图1：7种预处理方法的流程图，设置中的红字表示不同参数，结果中的红字对应LN和NSG中的最优结果。
图2：NSG与LN处理对比图，Normalization：Local normalization & Rejection algorithm (ESD)
星友评论