Deconvoluzione e rumore.
Le due tecniche che separano un’immagine buona da una eccellente.
Hai stackato 8 ore di dati. Il cielo era buono. L’autoguida funzionava. Eppure le stelle hanno un alone morbido attorno, le strutture fini della nebulosa sembrano un po’ sfocate, e il fondo ha una granulosità che non riesci a togliere senza perdere il dettaglio. Non è un problema di ripresa — è un problema di elaborazione. La deconvoluzione recupera la risoluzione reale dei tuoi dati. La riduzione del rumore AI separa il segnale dal rumore in modo che nessun algoritmo classico riesce a fare. Questa parte spiega come funzionano entrambe, quando applicarle e con quali strumenti.
Deconvoluzione: recuperare la risoluzione persa nell’atmosfera
Ogni immagine astronomica è il risultato della convoluzione del cielo reale con la Point Spread Function (PSF) del sistema ottico-atmosferico. La PSF è la risposta del sistema a una sorgente puntiforme ideale — in pratica, la forma che assumerebbe una stella perfettamente puntiforme dopo aver attraversato l’atmosfera, il telescopio e il sensore. Non è mai un punto: è un disco allargato dal seeing, deformato dalle aberrazioni ottiche, talvolta allungato da piccoli errori di inseguimento.
La deconvoluzione è il processo inverso: dato che conosciamo (o stimiamo) la PSF, proviamo a ricostruire il cielo reale rimuovendo l’effetto di sfocatura. Il problema è che la divisione nello spazio delle frequenze che risolverebbe il problema matematicamente amplifica anche il rumore — e qui sta tutta la difficoltà della deconvoluzione classica. Gli algoritmi moderni basati su AI aggirano questo problema stimando la PSF direttamente dai dati.
Deconvoluzione classica: Richardson-Lucy
L’algoritmo Richardson-Lucy (RL) è il metodo classico di deconvoluzione in astrofotografia. Funziona iterativamente: parte da una stima iniziale del cielo reale e affina la soluzione ad ogni iterazione confrontando la convoluzione della stima con la PSF con l’immagine osservata. La PSF viene stimata dall’utente misurando la forma di una stella isolata nell’immagine.
Il limite fondamentale del Richardson-Lucy è la sensibilità al rumore: più iterazioni migliorano la risoluzione ma amplificano il rumore, producendo artefatti ad anello (ringing) attorno alle stelle brillanti. Il bilanciamento tra nitidezza e artefatti richiede esperienza — trovare il numero giusto di iterazioni e la regolarizzazione corretta è uno dei passaggi più delicati dell’elaborazione classica. In PixInsight, la deconvoluzione Richardson-Lucy è disponibile nel processo Deconvolution con supporto per maschere di protezione stellare e regolarizzazione Total Variation.
Deconvoluzione AI: BlurXTerminator e GraXpert
La deconvoluzione basata su reti neurali ha rivoluzionato questo passaggio. Invece di stimare la PSF e risolvere il problema inverso matematicamente, un modello AI addestrato su milioni di immagini astronomiche impara a riconoscere la sfocatura e a invertirla senza amplificare il rumore. Il risultato è più robusto, meno soggetto ad artefatti e molto più semplice da usare — spesso basta un clic.
Quando applicare la deconvoluzione — e quando evitarla
✓ Applicala quando…
- Le stelle sono rotonde ma morbide (seeing mediocre)
- Le stelle hanno coma o astigmatismo (bordi del campo)
- Le strutture fini della nebulosa sono presenti ma sfocate
- L’immagine è ancora lineare (prima dello stretch)
- Il rapporto segnale/rumore è buono — molte ore di integrazione
✕ Evitala quando…
- Le stelle sono già allungate da tracking — la deconvoluzione non recupera il mosso
- Il rapporto segnale/rumore è basso — amplifica il rumore
- L’immagine è già non-lineare (dopo lo stretch)
- Le stelle mostrano già artefatti ad anello da elaborazione precedente
- Il target è una galassia con nucleo saturo — rischio di ringing grave
Questo è il punto critico che molti principianti sbagliano. La deconvoluzione deve essere eseguita prima dello stretch, sull’immagine lineare. Dopo lo stretch, le non-linearità introdotte rendono la PSF non più uniforme nell’immagine, e la deconvoluzione produce artefatti. In PixInsight: STF è solo un’anteprima visiva — l’immagine è ancora lineare se non hai applicato HistogramTransformation. In Siril: lavora sul file FITS prima del passaggio di stretch.
Riduzione del rumore: i metodi a confronto
Il rumore in un’immagine astronomica ha origini diverse: rumore di Poisson (fotoni — inevitabile, diminuisce con l’integrazione), rumore di lettura del sensore, corrente termica (ridotta dal raffreddamento), e rumore di quantizzazione. Ogni metodo di riduzione del rumore cerca di separare il segnale reale dal rumore casuale — con approcci e risultati molto diversi.
| Strumento | Qualità risultato | Facilità d’uso | Fase consigliata | Costo |
|---|---|---|---|---|
| NoiseXTerminator | Eccellente | Molto semplice | Lineare o non-lineare | ~55 € |
| GraXpert Denoise | Molto buono | Semplice | Lineare o non-lineare | Gratuito |
| Topaz DeNoise AI | Ottimo | Semplice | Non-lineare (preferibile) | ~80 € |
| Denoise classico (wavelet) | Discreto | Richiede calibrazione | Lineare | Gratuito |
Rimozione stelle: Starnet, StarXTerminator e quando usarli
La rimozione delle stelle dall’immagine è diventata una tecnica standard nel workflow moderno. L’obiettivo non è eliminare le stelle per sempre, ma separarle dalla nebulosa per poterle elaborare indipendentemente. La nebulosa può essere stretchata più aggressivamente e saturata di più senza che le stelle si gonfino o cambino colore. Le stelle vengono poi reintegrate nella composizione finale con controllo preciso sulla loro intensità relativa.
La ricombinazione si fa tipicamente con la modalità di fusione Screen in Siril o Photoshop: aggiunge le stelle al livello nebulosa senza bruciare le zone già luminose. Il parametro di opacità del livello stelle permette di controllare quanto le stelle dominano l’immagine finale — spesso un valore del 70–85% dà un risultato più equilibrato rispetto al 100%.
Starnet++ (integrato in Siril dalla versione 1.2, gratuito) e StarXTerminator (RC Astro, ~55 €, disponibile per PI, Photoshop e Affinity) producono risultati molto simili sulla maggior parte delle immagini. La differenza è più evidente su oggetti con nebulosità molto diffusa e bassa luminosità di superficie — in questi casi SXT tende a lasciare meno aloni residui. Per l’utilizzo tipico su nebulose a emissione di medie dimensioni, Starnet++ è pienamente adeguato.
La sequenza in cui si applicano deconvoluzione, riduzione rumore e rimozione stelle non è indifferente. L’ordine raccomandato per la maggior parte dei workflow è:
1. Calibrazione e stacking → 2. Rimozione gradiente → 3. Deconvoluzione (lineare) → 4. Riduzione rumore AI (lineare o dopo stretch leggero) → 5. Stretch → 6. Rimozione stelle → 7. Elaborazione nebulosa (saturazione, contrasto, maschere) → 8. Ricombinazione stelle → 9. Tocchi finali.
La deconvoluzione deve precedere la riduzione rumore perché lavora sulle alte frequenze del segnale: se prima si riduce il rumore si rimuovono anche le frequenze che la deconvoluzione userebbe per recuperare il dettaglio.
Il takeaway pratico di questa parte è semplice: per la deconvoluzione, BXT non ha rivali ma costa 110 € in più e richiede PI; GraXpert Deconvolve è una valida alternativa gratuita. Per la riduzione del rumore, GraXpert Denoise integrato in Siril produce risultati che competono con gli strumenti a pagamento nella quasi totalità dei casi.
Nella Parte 3 chiudiamo il cerchio con un workflow completo sullo stesso oggetto, elaborato prima con Siril (gratuito, workflow completo) e poi con PixInsight + plugin RC Astro — mostrando concretamente dove la differenza è visibile e dove invece non lo è.
Nessun commento:
Posta un commento