Тема: Анализ двумерных астрономических ИЗОБРАЖЕНИЙ МЕТОДАМИ ФУРЬЕ И ВЕЙВЛЕТ АНАЛИЗА

Обработка и анализ данных становятся все более значимыми в астрономии. Это можно объяснить эволюцией приемников излучения - в наше время размеры ПЗС матриц могут достигать 16000 х 16000 пикселей и более. Следствием этого является огромное количество получаемой информации, которую невозможно обрабатывать вручную. Поэтому нужны методы и ал­горитмы, позволяющие автоматически обрабатывать полученные данные.
Большую часть данных получают из снимков, о них и пойдет речь в этой работе. Чаще всего изображения сильно зашумлены, объекты в низ­ком разрешении на них сложно идентифицировать, присутствует эффект проекции на снимке, особенно в переполненных звездами полях, что ослож­няет классификацию. Для того, чтобы извлечь информацию о каждом объ­екте, применяют методы математической обработки снимков, начиная от простых преобразований, например, матричной свертки, до сложных де­композиций изображений при помощи вейвлет преобразований. Это позво­ляет анализировать снимок на разных масштабах, составлять многоуров­невое представление объекта - выделить самые мелкие и более крупные образования. Этот подход является очень сильным инструментом в анали­зе данных.
В работе ставилась цель выделить характеристики скоплений, связан­ных с LBV, путем обработки снимков, идентифицировать аналогичные объекты на всем изображении. Решение этой задачи можно разделить на три этапа:
• Анализ и сбор данных - первичная редукция
• Обработка снимков - математическая обработка,например, очистка от шума, выделение исследуемых объектов, фильтрация изображения
• Выделение необходимых критериев для идентификации скоплений, классификация объектов на снимке
В данный момент существует большое количество алгоритмов и моде­лей, которые используются в обработке снимков. Применяют как простые преобразования изображений с помощью фильтров низких и высоких ча­стот (НЧ и ВЧ), так и обработка в частотной области при помощи Фурье и вейвлет анализа. Широко используется многоуровневое представление дан­ных. Отличным примером реализации такого подхода является SExtractor (Source Extractor, см. [3]). Это программное обеспечение, которое выделя­ет и классифицирует астрономические объекты на снимках. В ней заложен интересный подход к анализу данных: поиск объектов и оценка фона осу­ществляется после свертки изображения с выбранным фильтров, вариации фильтров позволяют искать объекты разной формы и размеров (например, Point Spread Function (PSF) для поиска одиночных звезд, для протяженных объектов широкий НЧ фильтр). Иногда специфика задачи не предполагает точных критериев - хорошим примером являются поиск молодых скопле­ний, которые могут занимать довольно обширную площадь, а применение широких фильтров приводит к размыванию и захвату лишних звезд в пе- реполненых звездами областях ("crowded fields").
В данной работе предлагается использовать многоуровневый подход в задаче - декомпозиция изображения на структуры разного уровня, поиск интересующих объектов с помощью набора фильтров на каждом уровне. Так можно найти как крупные, так и мелкие структуры.
Проблема поиска скоплений в переполненных областях все еще оста­ется открытой, нашу задачу упрощает тот факт, что производился поиск молодых скоплений рядом с которыми находится эмиссионная туманность (область HII с высоким излучением в линии На, возраст < 108-109 лет).
Купить

В работе были изложены основные методы обработки астрономических снимков при помощи пространственных и адаптивных фильтров,пороговой обработки, Фурье и вейвлет-анализа.
В первой части диплома на примерах показано преимущество много­уровневых преобразований над стандартными методами фильтрации изоб­ражений (например, Фурье). Далее представлен алгоритм trous-вейвлет преобразования, алгоритм и его отладка на модельных решениях — одно­мерных, двумерных(гауссов шум) и реальных данных (спектр NGC 4395, снимки NGC 2997, NGC 5194).
Во второй части работы изложены алгоритмы, используемые в совре­менном астрономическом программном обеспечении, например 3a-clipping или пороговая обработка(hard-thresholding), а так же их адаптация в рам­ках многоуровневой модели. Такой подход к фильтрации показал очень хорошие результаты, что показано в Гл.4.
Далее в рамках многоуровневой модели был представлен алгоритм по­иска объектов на снимках, а так же примеры использования ПО(SExtractor) с аналогичным подходом, который был улучшен в некоторых случаях с по­мощью представленных преобразований (например, при поиске объектов в переполненных звездами областях).
В последней главе представленные инструменты были использованы для поиска молодых звездных образований в галактике М33. Статисти­чески доказана связь LBV-звезд с найденными скоплениями.
Купить