Camera planétaire, une fois pour toutes...

[-ms- 2]

C'est très simple, tu as un convertisseur "Matlab -> Python" en ligne :
http://ompclib.appspot.com/m2py

Ensuite, tu auras quelques retouches mineures à faire dans le code Python.

Mon environnement de développement (Portable Python 2.7.3.2) tient sur une clé USB3.

Ce qui est très intéressant dans la méthode proposée par Xiang Zhu c'est le passage de l'anisoplanétisme (l'image brute complète) à l'isoplanétisme (Registered patch sequence) sans la nécessité d'avoir une étoile dans le champ pour mesurer une PFS (voir l'exemple lunaire).

Il y a un gros travail à faire pour augmenter la performance des algorithmes et pour cela j'utiliserai certainement CnC-Python :
http://www.usenix.org/system/files/conference/hotpar12/hotpar12-final50.pdf

Mon objectif reste la construction d'un outil permettant d'atteindre le pouvoir séparateur du télescope de 250 à 350mm lors de l'acquisition de vidéos dans un site non exceptionnel avec une camera courante. Dans un premier temps, la Lune sera une cible de choix mais l'outil devra permettre de traiter tous les objets déformés par la turbulence.

[Ce message a été modifié par ms (Édité le 19-02-2013).]

[brizhell 2 630]

Excellent, merci pour le lien,

je vais jouer un peu avec cela, j'ai pas mal de videos qui pourraient servir pour faire des tests ;-)

[-ms- 2]

Déjà avoir une idée des temps de calcul avec une centaine d'images en entrée.

[Thierry Legault 5 808]

quote:

---

La chaîne de traitement ne se limite pas à une reconstruction ou à une déconvolution aveugle. Le RSB n'est pas dégradé avec ces algos (voir "Performance of the Restoration Approaches Evaluated in PSNR Values" dans le premier lien). Enfin 10s c'est pour une image en sortie de la déconvolution aveugle, rien n'empêche d'en ajouter quelques dizaines si nécessaire.
http://users.soe.ucsc.edu/~xzhu/doc/download_tr.php

---

[mode provoc, dit aussi mode "ms-bistrot"]

Je ne suis pas impressionné plus que ça par ce papier. Des papiers qui promettent monts et merveilles (on annule les défauts optiques, on annule la turbu, tout ça sans toucher au bruit, et puis demain on rase gratis et on vous offre même le beurre et l'argent du beurre livré par le Père Noêl en personne), des étudiants et des mathématiciens de tous poils on dû en pondre des milliers (millions ?), surtout depuis le lancement de Hubble. Il n'en reste pas moins qu'on met toujours de l'optique adaptative sur les grands télescopes...

Les images lunaires présentées ne m'impressionnent pas vraiment non plus, du moins jusqu'à ce qu'on me montre que ça fait nettement mieux (et sans rajouter plus de bruit), que ce que font les softs récents qu'on utilise déjà. D'ailleurs, quand je lis le papier j'y trouve beaucoup de similitudes (recentrage par zones). Les résultats montrés pour la méthode [9] en comparaison avec la meilleure brute, me semblent bien peu convaincants par rapport à ce que j'obtiens avec un traitement Autostakkert suivi de traitement classique type LR ou ondelettes (la méthode présentée dans le papier comporte une déconvolution à la fin de l'algo : compareraient-ils des choux et des carottes pour favoriser leur nouvelle méthode ?).

[fin mode provoc]

[-ms- 2]

Ce qui est intéressant c'est que l'auteur (Xiang Zhu n'est pas un astronome) a pris le temps (dans un autre article) de comparer les possibilités de ses algorithmes avec ceux qui sont déjà utilisés par certains sur ce forum (AviStack, Registax, AutoStakkert).

Après avoir essayé quelques autres approches, je m'intéresse depuis quelques temps à celle de Xiang Zhu.

Quand j'aurai testé tous ses algorithmes dans mon environnement de travail Python, je pourrai :
- comparer avec les autres approches,
- me permettre de faire travailler une partie des modules des uns avec une partie de ceux des autres,
mais en aucun cas, je ne me permettrai (comme toi) de critiquer leur travail, même si les résultats ne sont pas toujours à la hauteur de nos espérances.

Moi, pour être franc, pas grand chose m'impressionne dans le minuscule monde des astronomes amateurs en recherche permanente de considération pour certains.

[Thierry Legault 5 808]

Pas la peine de jouer les vierges effarouchées ms, d'un j'ai dit que je faisais un peu de provoc, et de deux je ne vois pas pourquoi il serait interdit de critiquer un papier avec un titre aussi prometteur (j'allais dire pompeux) que "removing turbulence" (je n'y peux rien, ce n'est pas moi qui l'ai écrit ).

Si les essais montrent que les résultats sont à la hauteur des promesses, je serai le premier à en faire la pub. En attendant, quand je regarde leurs essais (ce serait bien qu'on en reste à parler technique et résultats...) en figure 12 du papier, je suis un peu perplexe. L'image (c) serait le résultat des algos qu'on utilise actuellement, or si je compare à ce que j'obtiens avec AS2 et du sharpening derrière, on est loin du compte. J'en déduis que (c) n'a pas subi, ou très peu, de déconvolution ou de sharpening. De l'autre côté, l'image (d) est plus nette mais, ainsi que le dit le papier, il y a de la déconvolution. D'où la question, que je répète : compare-t-on des choses comparables ?

[-ms- 2]

Bon quand je mets des émoticônes c'est pour taquiner.

Tu vas trop vite en besogne, je poste sur un autre fil le modèle proposé par Xiang Zhu (page 7). C'est la page 14 qui répond à ta question relative à la déconvolution : l'image F est estimée à partir de l'image Z.
La méthode proposée traite les effets de la turbulence atmosphérique :
- la distorsion géométrique (page 9),
- les portions d'image avec le flou variant dans le temps (pages 11 et 14).

[Ce message a été modifié par ms (Édité le 21-02-2013).]