Gradient Teorisi

Durum: Teknik incelemeye hazır — Sprint 2.1

Amaç

Gradient düzeltmeyi “arka planı karartma” işlemi olmaktan çıkarıp gerçek sinyal, istenmeyen arka plan bileşeni ve tahmin edilen model arasındaki ayrım üzerinden öğretmek.

Modelleme ilkesi

Background extraction yalnız gözlenen veriden bir model tahmin eder. Modelin fiziksel olarak doğru olması, sample’ların gerçek background’u temsil etmesine ve seçilen model ailesinin probleme uygun olmasına bağlıdır.

Teori

Gradient nedir?

Gradient, image koordinatları boyunca değişen ve hedef sinyalle karışan istenmeyen arka plan bileşenidir. Basit bir modelde gözlenen image şöyle yazılabilir:

[ I(x,y)=S(x,y)+G(x,y)+N(x,y) ]

Burada (S) gerçek gökyüzü sinyali, (G) additive gradient ve (N) noise bileşenidir.

flowchart LR
    signal["Gerçek gökyüzü sinyali S"] --> observed["Gözlenen image I"]
    gradient["Additive gradient G"] --> observed
    noise["Noise N"] --> observed
    observed --> estimate["Background model tahmini"]
    estimate --> corrected["Düzeltilmiş image"]

Background model nedir?

Background model, gerçek hedef yapısı olmadığı varsayılan ölçümlerden tahmin edilen düzgün veya interpolated yüzeydir. Model, gradient’in kendisiyle aynı olmak zorunda değildir; yalnız verinin ve model varsayımlarının izin verdiği bir tahmindir.

Gerçek sinyal ve background model

Background sample içine nebula, galaksi halosunun zayıf uzantısı, IFN veya reflection nebulosity girerse model bu gerçek sinyali background sanabilir. Model image’ın hedefe benzemesi bu riskin en güçlü görsel uyarılarındandır.

Gerçek sinyal riski

Alanın büyük bölümünü gerçek diffuse signal kaplıyorsa yalnız image içinden güvenilir background modeli çıkarmak yetersiz belirlenmiş bir problem olabilir.

Additive ve Multiplicative etkiler

Additive modelin sade gösterimi:

observed = signal + gradient
corrected ≈ observed - estimated_gradient

Bu çıkarma yalnız additive model varsayımı geçerliyse anlamlıdır.

Multiplicative modelin sade gösterimi:

observed = signal × response
corrected ≈ observed ÷ estimated_response

Bu bölme yalnız multiplicative response varsayımı geçerliyse anlamlıdır. Gerçek image’da iki etki birlikte bulunabilir. Flat-field calibration ile gradient removal birbirinin alternatifi değildir; correction seçimi veri ve model kanıtıyla yapılmalıdır.

Sprint kapsamı

Subtraction ve Division yöntemlerinin ayrıntılı karşılaştırması Sprint 2.2’de ele alınacaktır. Bu gösterimler yalnız kavramsal ayrımı öğretir; PixInsight algoritmasının eksiksiz tanımı değildir.

Polynomial model mantığı

Düşük dereceli polynomial yüzey, yavaş değişen background’u sınırlı sayıda coefficient ile temsil edebilir. Degree arttıkça model esnekliği artar; bunun PixInsight 1.9.3 içindeki kesin uygulaması ve sınır davranışı Doğrulama bekliyor.

Polynomial derece ile “gradient şiddeti” aynı kavram değildir. Güçlü ama basit bir gradient düşük karmaşıklıkta; zayıf ama şekil olarak karmaşık bir gradient daha farklı bir model gerektirebilir.

Interpolation kavramı

Interpolation, ölçülen sample değerleri arasındaki background yüzeyini tahmin eder. Sample coverage yetersizse model, sample olmayan bölgelerde gerçeği garanti etmez. Kenarlarda ve geniş gerçek sinyal bölgelerinde extrapolation benzeri belirsizlikler artabilir.

flowchart TD
    image["Lineer calibrated image"] --> candidates["Background aday bölgeleri"]
    candidates --> samples["Temsilî samples"]
    samples --> fit["Polynomial veya interpolation modeli"]
    fit --> model["Model image"]
    model --> review{"Model gerçek sinyal içeriyor mu?"}
    review -- "Evet" --> revise["Samples ve model karmaşıklığını değiştir"]
    review -- "Hayır" --> correction["Uygun correction türünü test et"]
    correction --> validate["Residual ve signal preservation kontrolü"]

Neden her gradient aynı değildir?

• Kaynak additive veya multiplicative olabilir.
• Gradient tek eksenli, radial, lokal, yansıma kaynaklı ya da çok bileşenli olabilir.
• Narrowband ve broadband kanallarda arka plan yapısı farklı olabilir.
• Mosaic, wide-field ve güçlü diffuse signal alanlarında güvenilir background bölgeleri azalabilir.
• Calibration residual’ı ile sky gradient üst üste binebilir.

Gradient düzeltmenin sınırları

Model yalnız sample’ların taşıdığı bilgiyi ve seçilen matematiksel esnekliği kullanır. Gerçek sinyalle gradient aynı spatial scale’deyse ayrım belirsizleşir. Overfitting gerçek sinyali kaldırabilir; underfitting residual gradient bırakabilir.

Flat neden gradient yerine geçmez?

Flat, aynı optical train’de pixel sensitivity, vignetting ve dust gibi multiplicative response bileşenlerini ölçmek için acquisition sırasında elde edilen calibration verisidir. ABE/DBE ise science image içinden background modeli tahmin eder. Biri diğerinin güvenilir ikamesi değildir.

Gradient neden tamamen yok edilemeyebilir?

• Background sample bulunmaması
• Gradient ile gerçek diffuse signal’ın aynı bölgeleri paylaşması
• Yansıma veya lokal yapıların seçilen model ailesine uymaması
• Flat-field residual ve additive gradient’in birlikte bulunması
• Image sınırlarında yetersiz model desteği
• Noise ve clipping nedeniyle background ölçümünün belirsizleşmesi

Doğru hedef

Amaç sıfır varyasyonlu siyah bir zemin değil; gerçek sinyali korurken kanıtlanabilir istenmeyen background bileşenini azaltmaktır.

Ne zaman kullanılır?

• ABE veya DBE öncesinde correction türünü anlamak için
• Flat residual ile sky gradient’i ayırırken
• Model image’ın fiziksel anlamını değerlendirirken
• Polynomial veya interpolation karmaşıklığını seçerken

Ne zaman kullanılmaz?

• Bu teoriyi tek başına evrensel parameter preset’ine dönüştürmek için
• Calibration problemi çözülmeden sentetik modelle gizlemek için
• Gerçek diffuse signal’ın bulunmadığını varsaymak için

Menü yolu

Bu dosya teorik referanstır; bir PixInsight process’i değildir.

Parametreler

Model bileşeni	Anlam	Ana risk
Sample support	Background’u temsil ettiği varsayılan ölçümler	Gerçek sinyal contamination
Model complexity	Polynomial degree veya interpolation esnekliği	Underfitting/overfitting
Correction type	Subtraction veya Division	Yanlış fiziksel model
Normalization	Çıkış seviyesini/ölçeğini korumaya yönelik seçenek	Kesin 1.9.3 davranışı doğrulanmalı
Model inspection	Tahmin edilen background image	Modelde gerçek sinyali kaçırmak

Adım adım kullanım

1. Calibration geçmişini doğrulayın.
2. Gradient’in spatial biçimini STF ile inceleyin.
3. Additive ve multiplicative hipotezleri ayırın.
4. Gerçek diffuse signal bölgelerini belirleyin.
5. Temsilî background ölçümlerini seçin.
6. En basit yeterli modeli üretin.
7. Model image’ı hedef yapısıyla karşılaştırın.
8. Correction sonrası residual, noise ve signal preservation kontrolü yapın.

Gerçek kullanım senaryosu

Emission nebula alanı

Ha master’ın büyük bölümünde zayıf emission bulunuyorsa karanlık görünen her alan gerçek background değildir. Model, yalnız güvenilir bölgelerle sınanır. Tam gradient kaldırma hedefi yerine gerçek filamentlerin model image’a geçmemesi kabul ölçütü yapılır.

Sık yapılan hatalar

1. Her gradient’i additive kabul etmek.
2. Flat-field residual’ını DBE ile fiziksel olarak çözülmüş saymak.
3. Polynomial Degree yükseldikçe modelin otomatik iyileştiğini sanmak.
4. Sample bulunmayan bölgelerde interpolation’ı kesin gerçek kabul etmek.
5. Model image’ı incelememek.
6. Background’u sıfıra yaklaştırmayı doğruluk ölçütü yapmak.

Sorun giderme

Belirti	Modelleme yorumu	Eylem
Model nebula içeriyor	Sample contamination/overfitting	Sample ve karmaşıklığı yeniden kurun
Residual geniş ölçekli yapı	Underfitting veya yetersiz coverage	Model ailesini ve coverage’ı inceleyin
Division çok güçlü	Multiplicative model uygun olmayabilir	Correction hipotezini yeniden değerlendirin
Subtraction clipping üretiyor	Seviye/normalize davranışı	Statistics ve 1.9.3 option davranışını doğrulayın
Kenar hatası	Yetersiz sample desteği	Kenar coverage ve model sınırını inceleyin

SSS

Gradient her zaman ışık kirliliği midir?

Hayır. Ay, atmosfer, airglow, yansımalar ve calibration residual’ları benzer görünüm oluşturabilir.

Additive ve multiplicative aynı anda olabilir mi?

Evet. Bu durumda tek bir basit correction bütün bileşenleri doğru modellemeyebilir.

Polynomial Degree neden yükseltilmez?

Daha yüksek esneklik gerçek sinyali modelleme riskini artırabilir; yalnız veri kanıtıyla değerlendirilir.

Interpolation sample olmayan yerde gerçeği bilir mi?

Hayır. Seçilen model ve komşu sample’lardan tahmin üretir.

Flat neden ABE/DBE ile üretilemez?

Science image içindeki background modeli pixel-level response ve dust gibi flat bilgisini güvenilir biçimde yeniden kuramaz.

Residual gradient başarısızlık mıdır?

Her zaman değil. Gerçek sinyali korumak için kontrollü residual bırakmak aşırı düzeltmeden daha güvenilir olabilir.

Quick Reference

Tek sayfalık kontrol listesi

• [ ] Calibration zinciri doğrulandı
• [ ] Additive/multiplicative hipotez ayrıldı
• [ ] Gerçek diffuse signal bölgeleri belirlendi
• [ ] Sample coverage temsilî
• [ ] En basit yeterli model kullanıldı
• [ ] Model image gerçek sinyal içermiyor
• [ ] Residual ve clipping kontrol edildi

Decision Tree

flowchart TD
    start["Arka plan değişimi var"] --> calibrationq{"Calibration residual olasılığı var mı?"}
    calibrationq -- "Evet" --> calibrate["Flat ve master zincirini incele"]
    calibrationq -- "Hayır" --> additiveq{"Etki additive görünüyor mu?"}
    additiveq -- "Evet" --> subtract["Subtraction modelini kontrollü test et"]
    additiveq -- "Hayır" --> multiplyq{"Multiplicative kanıt var mı?"}
    multiplyq -- "Evet" --> divide["Division modelini kontrollü test et"]
    multiplyq -- "Hayır" --> uncertain["Belirsizliği kaydet ve iki modelin model image'ını karşılaştır"]

Teknik doğrulama durumu

Sınıf	Durum
A	Additive/multiplicative ayrımı ve model belirsizliği sürümden bağımsız
B	ABE/DBE’nin kesin model ve Normalize davranışı Doğrulama bekliyor
C	Kamera veya exposure için kesin değer verilmedi
D	Polynomial ve interpolation uygulama ayrıntıları birincil kaynak gerektirir

Doğrulama durumu

PixInsight 1.9.3’te ABE ve DBE’nin polynomial, interpolation, correction ve normalization uygulama ayrıntıları yerleşik process documentation ile doğrulanmayı bekliyor.