AutomaticBackgroundExtractor (ABE)¶

Durum: Teknik incelemeye hazır — Sprint 2.1

Amaç¶

AutomaticBackgroundExtractor ile otomatik background model üretmenin çalışma mantığını, avantajlarını, sınırlarını ve farklı hedef türlerinde neden bağlama bağlı değerlendirme gerektiğini açıklamak.

Temel yaklaşım

ABE sample yerleşimini kullanıcıya tek tek göstermeden otomatik bir background model üretir. Hızlı bir ilk test sağlar; modelin doğru olduğu varsayılmaz.

Teori¶

ABE, image içinden otomatik bir background model üretmeyi amaçlar ve seçilen Correction türüyle bu modeli hedefe uygulayabilir. Otomatik ölçüm ve model üretiminin kesin PixInsight 1.9.3 algoritması Doğrulama bekliyor. Gerçek diffuse signal alanın büyük kısmını kapladığında background ile hedef ayrımı zorlaşır.

flowchart LR
    image["Lineer image"] --> automatic["Otomatik background ölçümü"]
    automatic --> function["Function Degree ve smoothing"]
    function --> model["Model Image"]
    model --> review{"Model gerçek sinyal içeriyor mu?"}
    review -- "Evet" --> reject["Modeli reddet veya DBE'ye geç"]
    review -- "Hayır" --> correction["Correction türünü kontrollü uygula"]

Avantajları¶

Hızlı ilk model ve karşılaştırma sağlar.
Otomatik modelin Model Image üzerinden doğrulanabildiği bazı veri setlerinde yeterli olabilir.
Model Image ile otomatik tahminin kapsamı incelenebilir.
Birçok image üzerinde tutarlı başlangıç testi sunabilir.

Dezavantajları¶

Background ölçümlerinin konumu doğrudan denetlenmez.
Galaxy halo, emission/reflection nebula ve IFN gerçek sinyal olarak korunamayabilir.
Karmaşık veya lokal gradient’i uygun modellemeyebilir.
Function Degree yükseltmek gerçek sinyali modelleme riskini artırabilir.
Aynı ayar narrowband ve broadband data’da aynı anlamı taşımayabilir.

Ne zaman kullanılır?¶

Otomatik modelin hızlı ve geri çevrilebilir biçimde sınanacağı ilk testte
Background alanı geniş ve gerçek diffuse signal’dan görece ayrılabiliyorsa
Model Image açıkça incelenecekse
DBE’ye geçmeden önce model karmaşıklığı hakkında fikir edinmek için

Hedef türüne göre genel yaklaşım¶

Hedef/veri	ABE değerlendirmesi	Ana risk
Galaxy	Çevrede geniş gerçek background varsa ilk test olabilir	Dış halo ve tidal yapı
Emission Nebula	Background ayrımı zorsa dikkatli	Zayıf emission’ın modellenmesi
Reflection Nebula	Renkli diffuse yapıda dikkatli	Gerçek yansıma sinyalinin çıkarılması
Narrowband	Kanal başına model değişebilir	Alanı dolduran zayıf emission
Geniş alan	Basit gradient’te test edilebilir	Karmaşık sky structure ve vignetting residual
Küçük gradient	Otomatik model test edilebilir	Modelin gerçek signal’a uyumu
Karmaşık gradient	ABE yine test edilebilir; kabul Model Image’a bağlıdır	Underfitting/yanlış yüzey

Bağlama bağlı seçim

Bu tablo kesin reçete değildir. Kabul kararı Model Image, residual ve signal preservation üzerinden verilir.

Ne zaman kullanılmaz?¶

Background’un nerede olduğunu güvenilir biçimde belirlemek mümkün değilse
Alanı galaxy halo, emission/reflection nebula veya IFN dolduruyorsa
Flat-field calibration hatasını örtmek için
Otomatik model incelenmeden batch sonucu üretmek için
Karmaşık lokal yansıma veya düzensiz gradient için tek çözüm olarak

Process adı: AutomaticBackgroundExtractor

Tam PixInsight 1.9.3 menü yolu: Doğrulama bekliyor.

Parametreler¶

Parametre	Amaç	Değişiklikte gözlenecek risk
`Correction`	Modelin Subtraction veya Division yaklaşımıyla uygulanması	Yanlış fiziksel model
`Function Degree`	Model esnekliğini etkileyen kontrol	Kesin algoritmik etkisi 1.9.3’te doğrulanmalı; Model Image ile değerlendirilir
`Smoothing Factor`	Model smoothness davranışını etkileyen kontrol	Kesin etkisi 1.9.3’te doğrulanmalı; residual ve gerçek signal korunumu incelenir
`Model Image`	Tahmin edilen background’u ayrı image olarak üretmek	Devre dışıysa model QA kaybolur
`Replace Target`	Düzeltilmiş sonucu target’a yazmak	Orijinal karşılaştırma dalı kaybolabilir
`Replace Background`	Background çıktısının nasıl ele alındığına ilişkin kontrol	Kesin 1.9.3 davranışı doğrulanmalı

Doğrulama durumu

Smoothing Factor, Replace Target ve Replace Background kontrollerinin tam 1.9.3 anlamı ve birbirleriyle etkileşimi yerleşik process documentation ile doğrulanmayı bekliyor.

Adım adım kullanım¶

Calibrated lineer image’ın bir clone’unu oluşturun.
STF ile gradient yönünü ve gerçek diffuse signal bölgelerini belirleyin.
ABE’yi düşük varsayım yüküyle bir başlangıç modeli üretmek amacıyla yapılandırın.
Model Image üretimini etkin tutun.
İlk çalışmada orijinal target’ın korunmasını sağlayın.
Model Image’ı yüksek STF ile galaxy halo, nebula ve yıldız çevreleri açısından inceleyin.
Subtraction/Division hipotezini Gradient Teorisi ile karşılaştırın; ayrıntılı yöntem karşılaştırmasını Sprint 2.2’ye bırakın.
Düzeltme sonrası STF’yi yeniden hesaplayın.
Model hedef sinyal içeriyorsa sonucu reddedin ve DBE değerlendirin.

Gerçek kullanım senaryosu¶

Basit broadband gradient

Küçük bir galaxy’nin çevresinde geniş gerçek background bulunan image’da arka plan değişimi görülür. ABE ile ilk model üretilir. Model Image galaxy’nin dış halosunu içermiyorsa correction clone üzerinde değerlendirilir. Bu senaryo başka galaxy alanlarına otomatik preset oluşturmaz.

Sık yapılan hatalar¶

ABE sonucunu Model Image incelemeden kabul etmek.
Function Degree yükselince sonucun otomatik iyileşeceğini sanmak.
Emission veya reflection nebulosity’yi gradient olarak modellemek.
Correction türünü gradient’in kaynağını düşünmeden seçmek.
Replace seçenekleriyle orijinal karşılaştırma görüntüsünü kaybetmek.
Düzeltme sonrası eski STF’yi kullanmak.

Sorun giderme¶

Belirti	Olası neden	Eylem
Model galaxy halo içeriyor	Otomatik background ayrımı başarısız	Sonucu reddedin; DBE/sample kontrollü yaklaşım
Model nebula içeriyor	Gerçek diffuse signal alanı dolduruyor	ABE’yi kullanmama seçeneğini değerlendirin
Gradient kısmen kaldı	Model complexity yetersiz veya gradient karmaşık	Function Degree’i körlemesine artırmadan model ailesini inceleyin
Yeni koyu/parlak bölgeler	Yanlış correction veya overfitting	Model Image ve correction hipotezine dönün
Sonuç aşırı farklı görünüyor	STF yeniden hesaplanmadı	STF’yi resetleyip yeniden uygulayın

SSS¶

ABE hangi durumda yeterlidir?

Otomatik modelin Model Image, histogram ve residual üzerinden doğrulanabildiği veri setlerinde yeterli olabilir.

ABE hangi durumda başarısız olur?

Gerçek diffuse signal alanı doldurduğunda, gradient karmaşık/lokal olduğunda veya otomatik background ayrımı yanlış olduğunda.

Function Degree için doğru değer nedir?

Evrensel değer yoktur. En basit yeterli model, Model Image ve residual üzerinden değerlendirilir.

Smoothing Factor noise reduction mıdır?

Background modelinin smoothness kontrolüdür; image noise reduction process’i olarak kullanılmamalıdır. Kesin davranış doğrulanmayı bekliyor.

Narrowband image’da ABE kullanılabilir mi?

Kullanılabilir; fakat zayıf emission’ın background sanılması riski kanal ve hedefe göre incelenmelidir.

ABE sonrası DBE yapılır mı?

Otomatik bir sıra kuralı yoktur. ABE modeli reddedilirse DBE bağımsız ve kontrollü alternatif olarak denenebilir.

Quick Reference¶

Tek sayfalık kontrol listesi

[ ] Image lineer ve calibrated
[ ] Otomatik modelin sınanabileceği background alanı var
[ ] Gerçek diffuse signal bölgeleri belirlendi
[ ] En basit yeterli Function Degree
[ ] Model Image üretildi
[ ] Model gerçek sinyal içermiyor
[ ] Correction hipotezi gerekçeli
[ ] STF yeniden hesaplandı

Decision Tree¶

flowchart TD
    start["Gradient düzeltme gerekiyor"] --> backgroundq{"Yeterli gerçek background var mı?"}
    backgroundq -- "Hayır" --> uncertain["ABE sonucunu güvenilir kabul etme"]
    backgroundq -- "Evet" --> model["ABE ile Model Image üret"]
    model --> signalq{"Model gerçek sinyal içeriyor mu?"}
    signalq -- "Evet" --> reject["Sonucu reddet ve kontrollü yönteme geç"]
    signalq -- "Hayır" --> correction["Correction sonucunu clone üzerinde doğrula"]

Teknik doğrulama durumu¶

Sınıf	Durum
A	Otomatik background model ve overfitting riski sürümden bağımsız
B	Process yolu ve control davranışları Doğrulama bekliyor
C	Hedef türlerine kesin preset verilmedi
D	Polynomial ve smoothing uygulama ayrıntıları birincil kaynak gerektirir