AS4501-CC4501

Deteccin de Objetos
Guillermo Cabrera (AURA-CTIO / CMM, University of Chile),

Introduccin

La deteccin de objetos en imgenes astronmicas no es trivial

Background Convolucin con la PSF Ruido Deblending

Di = (I P SF )i + bi + i

Luz

Convolucin con PSF

Aberracin debido a atmosfera e instrumento.

I P SF

Background

Producido por fuentes luminicas cercanas (luna, contaminacion luminica, estrellas brillantes, etc.)

I P SF + b

Ruido

I P SF + b +

Deteccion de Objetos

Algo de Historia

70s: placas fotogrcas comenzaron a ser escaneadas. 1970: charge-coupled device (CCD) 1974: primer arreglo de CCDs comercial (fairchild) 1979: primera cmara CCD instalada en un telescopio (telescopio de1metro en Kitt Peak National Observatory)
CATALOGO DE GALAXIAS

DETECCION ESTELAR Y FOTOMETRA

RICHFELD (Tody, 1981) ROMAFOT (Buonanno et al., 1983) WOLF (Lupton & Gunn, 1986) STARMAN (Penny & Dickens, 1986) DAOPHOT (Stetson, 1987).

FOCAS (Jarvis & Tyson, 1981) APM (Maddox et al., 1990) COSMOS system (Beard et al., 1990) PPP package (Yee,1991) Source Extractor (SE) (Bertin &
Arnouts,1996) Multiscale Vision Model (MVM) (Bijaoui & Rue,1995)

Introduccin

DAOPHOT (Stetson, 1987) Source Extractor (Bertin & Arnouts, 1996) Multiscale Vision Model (Bijaoui & Rue, 1995)

DAOPHOT
Creado para la deteccion de estrellas. Ajusta una PSF Gaussiana centrada en cada
pixel.

Gi,j = G(i i0 , j j0 ; )

DAOPHOT

Creado para la deteccion de estrellas. Ajusta una PSF Gaussiana centrada en cada
pixel.

DAOPHOT

Comparacion 1D entre D y H para (a) estrella, (b) blended estrellas, (c) galaxia, (d) rayo cosmico, (e) bad value pixel

Figure obtained from Stetson (1987)

DAOPHOT encuentra maximos locales en H. Sobre estos maximos se utiliza un threshold.

DAOPHOT

Ventajas de trabajar en el espacio H (segun Stetson, 1987)

Busqueda optimizada para objetos del tamao de las estrellas.

FWHM = 2 2 ln 2

Pendientes suaves se cancelan (incluyendo el background). Peaks en H son mas delgados, lo cual ayuda con la deteccion de estrellas. Threshold en H calculable a partir del ruido s1

Figure obtained from Stetson (1987)

Pixeles malos y/o mascaras.

DAOPHOT

Clasicacion

sharpness round DAOPHOT mantiene objetos con 0.2<sharp<1 y -1<round<1

DAOPHOT
Resumen
threshold D Fiteo Gaussiana H Clasicacion round, sharp catlogo

DAOPHOT
Complejidad
threshold D Fiteo Gaussiana
O(nx ny m2 )

Clasicacion round, sharp

O(Nc m2 )

catlogo

O(nx ny )

convolucion separable:
O(nx ny m)

Nc Candidatos

en espacio de frecuencias (Fourier):

O(nx ny (log nx + log ny ) + (nx + ny )m log m)

Complejidad Total:

O(nx ny m + NC m )

DAOPHOT
Parametros

daond: 18 parametros 2 inuyen el output datapars: 19 parametros ndpars: 9 parametros 8 inuyen el output

Ms de 49 parametros, 10 de los cuales inuyen en el resultado obtenido.

DAOPHOT
Ejemplos

DAOPHOT
Ejemplos

Source Extractor
Background y ruido Deteccin Deblending Fotometra Clasicacin

Background y Ruido

Estimacin del Background

SExtractor

Calcula desviacin estandard dentro de una ventana de tamao jo que corre a travs de la imagen. Iterativamente corta valores hasta que todos los valores estn dentro de 3 El valor del Background es calculado como Se realiza una interpolacin de splines bi-cubicas sobre los valores del background en cada ventana.

SExtractor
Deteccin

SExtractor usa thresholding ms 8-conectividad.

SExtractor
Deblending

Deblending

En el caso de tener 2 objetos muy cercanos, sern detectados como uno solo. nD niveles de threshold exponenciales para crear una estructura de rbol. Separar objetos si:

la intensidad de una rama es mayor que una fraccin C de la luminosidad total del objeto compuesto, Hay al menos otra rama de este objeto que satisfaga la condicin anterior.

Figura obtenida de Bertin and Arnouts (1996) Figure obtained from Bertin and Arnouts (1996)

SExtractor
Clasicacin

Clasicacion mediante una red neuronal

usando:

Esta red neuronal ha sido entrenada con

imgenes sintticas.

reas de 8 isophotas 1 intensidad central PSF

SExtractor
Resumen
D Background, ruido Deteccin Deblending Clasicacin catlogo

SExtractor
Complejidad
D Background, ruido Deteccin Deblending Clasicacin catlogo

Nmero iteraciones: NB

Nmero niveles: Ne

O(nx ny NB ) O(nx ny )

O(nx ny Ne )
Nmero objetos: NO

O(NO Nin Nhidden Nout ) O(NO Nhidden )

SExtractor
Parmetros

Extraccin: 13 parametros 11 inuyen resultado Peso: 4 parmetros 2 inuyen resultado Flaging: 2 parmetros Photometra: 13 parmetros Separacin EstrellaGalaxia: 1 set de parmetros (pesos red neuronal) Background: 7 parmetros 5 inuyen resultado

Check Image: 2 sets of parmetros Memory: 3 parmetros Association: 6 parmetros Miscellaneous: 9 parmetros
Aproximadamente 60 parmetros, 19 de los cuales inuyen en los resultados.

SExtractor
Ejemplos

SExtractor
Ejemplos

Multiscale Vision Model

MVM obtiene una decomposicin espacio-frecuencia usando wavelets

La imagen se decompone en I escalas. Se utiliza thresholding en cada escala para la deteccin. Si se detecta estructuras en la misma posicion a diferentes escalas, se identica un objeto.

Multiscale Vision Model

Figura obtenida de Stark and Murtagh (2006)

Multiscale Vision Model

Decomposicin espacio-frecuencia

En Mallat (1986) se explica que la manera correcta de muestrear a es exponecialmente.

<>: Producto escalar de f(x) con la funcion escalada y dilatada. Esta ltima debe cumplir la ecuacin de dilatacin:

Multiscale Vision Model

Decomposicin espacio-frecuencia

de donde se obtiene

El espacio de wavelets se genera escogiendo una funcin que satisfaga la ecuacin de dilatacin:

apropiada

Los coecientes wavelets pueden ser entonces calculados como:

Multiscale Vision Model

Algoritmo trous

Denir Calcular el valor inicial del producto interno

Para cada escala i:

Calcular Escoger g(n) tal que

Multiscale Vision Model

Ejemplo: funcin triangular

Multiscale Vision Model

Ejemplo: B3-spline

Multiscale Vision Model

36 parmetros 9 inuyen en los resultados

Los ms importantes: threshold para cada escala y nmero de escalas a utilizar.

Figura obtenida de Stark and Murtagh (2006)

Multiscale Vision Model

Complejidad

TAREA

Multiscale Vision Model

Ejemplos

Multiscale Vision Model

Ejemplos

Software para Deteccin

Parameters DAOPHOT SExtractor MVM 49 60 36 Inuential 10 19 9

Todos utilizan un threshold denido por el usuario

Conclusiones
Mtodos existentes necesitan gran canEdad de input de parte del usuario. La dependencia de los resultados con respecto a estos parmetros permite otener diferentes resultados sobre el mismo conjunto de datos. Sera muy benecioso un algoritmo de extraccin de fuentes astronmicas que requiera una interaccin mnima con el usuario.

Referencias