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).
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.
