Autour de Tycho hier soir peu avant minuit

[ms55]

Je ne sais pas si je dois poster sur le forum Visuel Assisté ou Astrophotographie parce que la technique utilisée est commune à ces deux domaines.

 

Pour plus d'informations sur cette technique, vous pouvez suivre la vidéo suivante :

 

Matériel utilisé : C11 sur monture EQ6R-Pro + ZWO ASI 224MC à 60ips.
La turbulence était bien présente.
Le deep learning permet de conserver le meilleur de chaque trame afin d'en extraire le moindre détail (voir vidéo ci-dessus).
Reste à comparer le résultat obtenu avec des techniques plus traditionnelles.
Je vais continuer à faire des essais sous différentes conditions de turbulence.

 

 

Le même cirque 3 jours plus tôt avec la même technique de prise de vue :

Modifié 25 février 2021 par ms55

[sebseacteam]

Je suis ce sujet 😉

Ça m'intéresse.

Et belles images au passage.

[Ryo]

Bravo excellent  

[sebseacteam]

Tu as pu utiliser toi même le logiciel présentant la technique de reconstruction d'image ?

[ms55]

Il y a un exemple d'implémentation Python/PyTorch au lien suivant :
https://github.com/FrederikWarburg/Burst-Image-Deblurring
 

Le principe est celui exposé dans la vidéo youtube postée plus haut et qui peut se résumer de la façon suivante :
 

 

C'est une approche qui relie l'Assistance Visuelle à l'Astrophotographie avec pour seul paramètre la taille de la rafale d'images brutes.
Ce paramètre N est contrôlé soit par l'astram qui regarde l'image se former sur son moniteur, soit par un algorithme qui calcule la qualité des images obtenues.
Toutes les images brutes sont prises en compte (passage de nuages, augmentation brusque de la turbulence, ...) sans perturbation du résultat final (voir exemple ci-dessous).
Le suivi de la monture n'a pas besoin d'être parfait car chaque image (2, ..., N) est alignée sur la première.
Il me reste à embarquer ce système sur les cartes de la famille Jetson de NVIDIA (Nano et Xavier NX).
 

GT : image de référence
Pred : image estimée
Burst : rafale de 8 images brutes

Une image brute astro contient du bruit, du flou et des distorsions comme dans les 2 exemples ci-dessus.

 

Modifié 25 février 2021 par ms55

[ms55]

Prochain essai, tracer la qualité en fonction du nombre de trames.

 

Modifié 27 février 2021 par ms55

[sebseacteam]

ça a l'air de bien tenir la route.

reste à voir le côté utilisation, si pas trop technique comparé aux logiciels traditionnels  

[ms55]

En fait l'image obtenue est celle qui s'affiche à l'écran quand l'astram décide d'arrêter la séance de Vision Assistée, il n'y a donc aucun traitement comparé aux logiciels traditionnels.
C'est de la Vision Assistée pour l'acquisition et de l'Astrophotographie pour le résultat de l'acquisition.
En plus, le deep learning pourrait aussi être utilisé pour la reconnaissance automatique des cirques, cratères, mers, vallées, ... de la Lune. 

 

Le proto actuel sous Ubuntu 18.04 (Jetson Nano, alim 5V, écran tactile 13.3") pèse moins de 2,5kg pour une autonomie de 4h (pas de clavier et souris mais écran tactile) :

 

Modifié 27 février 2021 par ms55

[sebseacteam]

Une sorte de Google Assistant Lunaire...

Le pied 😉

[ms55]

La lune du 25 février avec un peu plus de relief.
 

[sebseacteam]

Belle différence entre les deux 😉

[ms55]

Le ciel n'était pas terrible comme le montre cet extrait des images brutes, à voir ce que cela pourrait donner avec de meilleures conditions. 😉
 

Modifié 23 mars 2021 par ms55

[sebseacteam]

Oui curieux de voir ça  

[ms55]

Un petit zoom x2 à partir d'une image de Saturne obtenue à partir de la Terre.
Le but est de tester l'algorithme BSR-GAN (Blind image Super-Resolution) qui utilise le deep learning en complément de l'algorithme Burst-Image-Deblurring défini plus haut.
Le rendu fait plus penser à l'image obtenue à partir d'une sonde qu'à partir d'une observation terrestre. 🤔
 

 

Modifié 18 avril 2021 par ms55

[jp42]

Super intéressant !

Merci du partage.

Jean-Paul