Seven rejection algorithms are available: <b>Percentile Clipping</b> is a one-step rejection algorithm ideal for small sets of data (up to 6 images). <b>Sigma Clipping</b> is an iterative algorithm which will reject pixels whose distance from median will be farthest than two given values in sigma units. <b>MAD Clipping</b> is an iterative algorithm working as Sigma Clipping except that the estimator used is the Median Absolute Deviation (MAD). This is generally used for noisy infrared image processing. <b>Median Sigma Clipping</b> is the same algorithm except than the rejected pixels are replaced by the median value. <b>Winsorized Sigma Clipping</b> is very similar to Sigma Clipping method but it uses an algorithm based on Huber's work [1] [2]. <b>Linear Fit Clipping</b> is an algorithm developed by Juan Conejero, main developer of PixInsight [2]. It fits the best straight line (y=ax+b) of the pixel stack and rejects outliers. This algorithm performs very well with large stack and images containing sky gradients with differing spatial distributions and orientations. The <b>Generalized Extreme Studentized Deviate Test</b> algorithm [3] is a generalization of Grubbs Test that is used to detect one or more outliers in a univariate data set that follows an approximately normal distribution. This algorithm shows excellent performances with large dataset of more 50 images. [1] Peter J. Huber and E. Ronchetti (2009), Robust Statistics, 2nd Ed., Wiley [2] Juan Conejero, ImageIntegration, Pixinsight Tutorial [3] Rosner, Bernard (May 1983), Percentage Points for a Generalized ESD Many-Outlier Procedure, Technometrics, 25(2), pp. 165-172
Sieben Verfahren stehen zur Verfügung: <b>Perzentil Clipping</b> ist ein einstufiger Ablehnungsalgorithmus, der sich ideal für kleine Datensätze (bis zu 6 Bilder) eignet. <b>Sigma Clipping<b> ist ein iterativer Algorithmus, der Pixel verworfen, deren Abweichung vom Median-Wert größer ist als der der beiden vorgegebenen Werte. <b>MAD Clipping</b> ist ein iterativer Algorithmus, der wie Sigma Clipping funktioniert, mit dem Unterschied, dass als Abschätzer die Median Absolute Deviation (MAD) verwendet wird. Dieser Algorithmus wird im Allgemeinen für die Verarbeitung verrauschter Infrarotbilder verwendet. <b>Median Sigma Clipping<b> funktioniert genauso, aber Pixel werden nicht verworfen, sondern durch den Median-Wert für diese Stelle ersetzt. <b>Winsorized Sigma Clipping<b> ist dem Median Clipping sehr ähnlich, wurde aber modifiziert nach Huber [1][2]. <b>Linear Fit Clipping<b> ist ein von Juan Conejero, Hauptentwickler von PixInsight, entwicklter Algorithmus [2]. Es errechnet eine Best-fit-Gerade (y=ax+b) über den gesamten Stack und schleust Ausreißer aus. Dieser Algorithmus funktioniert sehr gut für große Stacks und Bilder mit Himmels-Gradienten mit unterschiedlicher räumlicher Verteilung und Orientierung. Der Algorithmus <b>Generalized Extreme Studentized Deviate Test</b> [3] ist eine Verallgemeinerung des Grubbs-Tests, der dazu dient, einen oder mehrere Ausreißer in einem univariaten Datensatz zu erkennen, der einer annähernd normalen Verteilung folgt. Dieser Algorithmus zeigt hervorragende Leistungen bei großen Datensätzen mit mehr als 50 Bildern. [1] Peter J. Huber and E. Ronchetti (2009), Robust Statistics, 2nd Ed., Wiley [2] Juan Conejero, ImageIntegration, Pixinsight Tutorial [3] Rosner, Bernard (May 1983), Percentage Points for a Generalized ESD Many-Outlier Procedure, Technometrics, 25(2), pp. 165-172
None
<b>Percentile Clipping</b> is a one-step rejection algorithm ideal for small sets of data (up to 6 images).
<b>Sigma Clipping</b> is an iterative algorithm which will reject pixels whose distance from median will be farthest than two given values in sigma units.
<b>MAD Clipping</b> is an iterative algorithm working as Sigma Clipping except that the estimator used is the Median Absolute Deviation (MAD). This is generally used for noisy infrared image processing.
<b>Median Sigma Clipping</b> is the same algorithm except than the rejected pixels are replaced by the median value.
<b>Winsorized Sigma Clipping</b> is very similar to Sigma Clipping method but it uses an algorithm based on Huber's work [1] [2].
<b>Linear Fit Clipping</b> is an algorithm developed by Juan Conejero, main developer of PixInsight [2]. It fits the best straight line (y=ax+b) of the pixel stack and rejects outliers. This algorithm performs very well with large stack and images containing sky gradients with differing spatial distributions and orientations.
The <b>Generalized Extreme Studentized Deviate Test</b> algorithm [3] is a generalization of Grubbs Test that is used to detect one or more outliers in a univariate data set that follows an approximately normal distribution. This algorithm shows excellent performances with large dataset of more 50 images.
[1] Peter J. Huber and E. Ronchetti (2009), Robust Statistics, 2nd Ed., Wiley
[2] Juan Conejero, ImageIntegration, Pixinsight Tutorial
[3] Rosner, Bernard (May 1983), Percentage Points for a Generalized ESD Many-Outlier Procedure, Technometrics, 25(2), pp. 165-172
<b>Perzentil Clipping</b> ist ein einstufiger Ablehnungsalgorithmus, der sich ideal für kleine Datensätze (bis zu 6 Bilder) eignet.
<b>Sigma Clipping<b> ist ein iterativer Algorithmus, der Pixel verworfen, deren Abweichung vom Median-Wert größer ist als der der beiden vorgegebenen Werte.
<b>MAD Clipping</b> ist ein iterativer Algorithmus, der wie Sigma Clipping funktioniert, mit dem Unterschied, dass als Abschätzer die Median Absolute Deviation (MAD) verwendet wird. Dieser Algorithmus wird im Allgemeinen für die Verarbeitung verrauschter Infrarotbilder verwendet.
<b>Median Sigma Clipping<b> funktioniert genauso, aber Pixel werden nicht verworfen, sondern durch den Median-Wert für diese Stelle ersetzt.
<b>Winsorized Sigma Clipping<b> ist dem Median Clipping sehr ähnlich, wurde aber modifiziert nach Huber [1][2].
<b>Linear Fit Clipping<b> ist ein von Juan Conejero, Hauptentwickler von PixInsight, entwicklter Algorithmus [2]. Es errechnet eine Best-fit-Gerade (y=ax+b) über den
gesamten Stack und schleust Ausreißer aus. Dieser Algorithmus funktioniert sehr gut für große Stacks und Bilder mit Himmels-Gradienten mit unterschiedlicher räumlicher Verteilung und Orientierung.
Der Algorithmus <b>Generalized Extreme Studentized Deviate Test</b> [3] ist eine Verallgemeinerung des Grubbs-Tests, der dazu dient, einen oder mehrere Ausreißer in einem univariaten Datensatz zu erkennen, der einer annähernd normalen Verteilung folgt. Dieser Algorithmus zeigt hervorragende Leistungen bei großen Datensätzen mit mehr als 50 Bildern.
[1] Peter J. Huber and E. Ronchetti (2009), Robust Statistics, 2nd Ed., Wiley
[2] Juan Conejero, ImageIntegration, Pixinsight Tutorial
[3] Rosner, Bernard (May 1983), Percentage Points for a Generalized ESD Many-Outlier Procedure, Technometrics, 25(2), pp. 165-172