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
Hay disponibles siete algoritmos de rechazo. - <b>Recorte de percentiles<b> es un algoritmo de rechazo de un sólo paso ideal para pequeños sets de datos (hasta 6 imágenes). - <b>Recorte sigma</b> es un algoritmo iterativo que rechazará los píxeles cuya distancia de la mediana sea más de dos veces los valores especificados en unidades sigma. - <b>Recorte MAD</b> es un algoritmo iterativo que funciona como el recorte sigma excepto que el estimador empleado es la desviación mediana absoluta (MAD). Suele emplearse para imágenes infrarrojas con mucho ruido. - <b>Recorte sigma mediana<b> es el mismo algoritmo pero los píxeles descartados son reemplazados por el valor de la mediana. - <b>Recorte winsorized sigma<b> es muy similar al recorte sigma pero usa un algoritmo basado en el trabajo de Huber [1][2]. - <b>Recorte de ajuste lineal</b> es un algoritmo desarrollado por Juan Conejero, el principal desarrollador de PixInsight[2]. Ajustará la línea recta (y=ax+b) de la pila de píxeles y descartará los valores atípicos. Este algoritmo funciona muy bien con pilas grandes e imágenes que contienen gradientes en el cielo con diferentes distribuciones espaciales y orientaciones. El algortimo de <b>prueba de desviación extrema estudentizada</b> [3] es una generalización del test de Grubbs que se utiliza para detectar uno o más valores atípicos en un conjunto de datos univariantes que sigue una distribución aproximadamente normal. Este algoritmo tiene un rendimiento excelente en conjuntos de datos de más de 50 imágenes. 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>Recorte de percentiles<b> es un algoritmo de rechazo de un sólo paso ideal para pequeños sets de datos (hasta 6 imágenes).
- <b>Recorte sigma</b> es un algoritmo iterativo que rechazará los píxeles cuya distancia de la mediana sea más de dos veces los valores especificados en unidades sigma.
- <b>Recorte MAD</b> es un algoritmo iterativo que funciona como el recorte sigma excepto que el estimador empleado es la desviación mediana absoluta (MAD). Suele emplearse para imágenes infrarrojas con mucho ruido.
- <b>Recorte sigma mediana<b> es el mismo algoritmo pero los píxeles descartados son reemplazados por el valor de la mediana.
- <b>Recorte winsorized sigma<b> es muy similar al recorte sigma pero usa un algoritmo basado en el trabajo de Huber [1][2].
- <b>Recorte de ajuste lineal</b> es un algoritmo desarrollado por Juan Conejero, el principal desarrollador de PixInsight[2]. Ajustará la línea recta (y=ax+b) de la pila de píxeles y descartará los valores atípicos. Este algoritmo funciona muy bien con pilas grandes e imágenes que contienen gradientes en el cielo con diferentes distribuciones espaciales y orientaciones.
El algortimo de <b>prueba de desviación extrema estudentizada</b> [3] es una generalización del test de Grubbs que se utiliza para detectar uno o más valores atípicos en un conjunto de datos univariantes que sigue una distribución aproximadamente normal. Este algoritmo tiene un rendimiento excelente en conjuntos de datos de más de 50 imágenes.
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