Documentos de Académico
Documentos de Profesional
Documentos de Cultura
09 Deteccion de Objetos
09 Deteccion de Objetos
Deteccin
de
Objetos
Guillermo
Cabrera
(AURA-CTIO
/
CMM,
University
of
Chile),
Introduccin
Luz
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
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
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
DAOPHOT
Clasicacion
DAOPHOT
Resumen
threshold D Fiteo Gaussiana H Clasicacion round, sharp catlogo
DAOPHOT
Complejidad
threshold D Fiteo Gaussiana
O(nx ny m2 )
catlogo
O(nx ny )
convolucion separable:
O(nx ny m)
Nc Candidatos
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
DAOPHOT
Ejemplos
DAOPHOT
Ejemplos
Source Extractor
Background y ruido Deteccin Deblending Fotometra Clasicacin
Background y Ruido
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
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
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
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
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.
<>: Producto escalar de f(x) con la funcion escalada y dilatada. Esta ltima debe cumplir la ecuacin de dilatacin:
de donde se obtiene
El espacio de wavelets se genera escogiendo una funcin que satisfaga la ecuacin de dilatacin:
apropiada
TAREA
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