ms55

La vidéo initiale un peu moins lissée :

Un nouveau traitement donnant moins de bruit et un meilleur contraste (image de droite) : A voir ce que cela apporte sur la vidéo.

Si on lie les acquisitions à la vitesse du Jetstream (on est ici à 30m/s, ce qui est beaucoup) les images 65 à 70 sont encourageantes. Dans de meilleures conditions càd avec une vitesse de l'ordre de 10m/s (36km/h), je pense que le résultat serait bien meilleurs. Ceci dit, il est déjà possible de sortir un vidéo même avec des conditions médiocres. De bonnes conditions c'est quand les 6000 images brutes sont utilisées en 60s à 100fps. Ici, il y a 3000 images rejetées donc l'acquisition d'une image corrigée demande 60+30=90s. Dans le cas de Jupiter, il est possible de rejeter 6000 images ce qui laisse un peu de marge surtout pour faire une vidéo assez homogène sur plusieurs heures.

Une petite vidéo, moins homogène, qui couvre de 0h50 à 3h50TL : Les prochaines vidéos de Jupiter seront plus homogènes et si possible plus longues (5 à 6 heures). Ici le système sélectionne 6000 images brutes en fonction d'un critère de qualité et cela en 120 secondes maximum. Voir les images 65 à 70 plus haut. Quand le délai de 120 secondes est écoulé, l'image résultante est obtenue par interpolation. Ne pas oublier que cela reste de la vidéo assistée et qu'il n'y a aucun post traitement, la vidéo correspond à ce que l'utilisateur voit à l'écran.

L'idée c'était de faire une animation sur 5h (demi-rotation de Jupiter) mais les nuages en ont décidés autrement.

Entre 2 passages nuageux de 1h30 à 3h10 TL. C11@f/20 + ASI 462MC + EQ6-R Pro. Images 65 à 70 :

Le passage de Io entre 0h25TL et 1h41TL. Est-ce du Locki imaging ou un artefact ? 🤔 Une vidéo de 48 images séparées de Jupiter : Alignement et addition des 48 images : Les 48 prises situées à des distances différentes du centre optique (la coma varie en fonction de la distance) ont pratiquement le même profil. 🤔 Un satellite bien circulaire sur cette image prise la même nuit, j'ai donc un artefact dû vraisemblablement à la barlow Kepler 2" que je remplacerais par la Big Barlow qui est mieux corrigée. 🤔

Merci, il semble que ce soit au même endroit mais dommage qu'il n'y ait qu'une image pour valider cela. Avec la vidéo c'est plus facile de le vérifier sur une quarantaines d'images (n°40 à 79). 😉 C'est du Loki imaging. 🤣🤣🤣

Appliquons la super résolution x4 au déplacement du satellite Io entre les images 40 et 79 de la vidéo. Io semble déformé sur la droite alors que le reste du globe reste bien rond (c'est vérifié sur toutes les images). On pourrait exclure un artefact et penser à une manifestation de l'activité volcanique sur Io ? Image 47 : Image 53 : Image 70 : Image 53 : C'est peut-être cela l'intérêt de faire des vidéos plutôt que des images isolées ? 😉 Est-ce possible de détecter l'activité volcanique sur Io à partir d'un télescope d'amateur de 280mm de diamètre ? 🤔

C'est plus parlant que le chat. 😃 1) une image obtenue avec des algorithmes traditionnels 2) l'image 1 agrandie 4 fois avec Gimp (interpolation cubique) 3) l'image 1 agrandie avec un algorithme de super résolution type GAN 4) remise à l'échelle 1 de l'image 3 L'image de droite correspond à l'image finale que je veux obtenir : 😉 Ne reste plus qu'à intégrer la super résolution à la vidéo floue obtenue avec des algorithmes traditionnels et mon petit programme de vidéo assistée sera terminé ... à tester lors de la prochaine éclaircie. 😃

1) Pour cette vidéo, il faudrait un fichier SER d'au moins 1,8 millions d'images brutes (299 x 6000 = 1 794 000 images). En fait, il y en faudrait beaucoup plus parce que l'algorithme sélectionne en moins de 120s, 6000 images brutes répondant à un critère de qualité. Suite à cela, j'obtiens la vidéo suivante qui ne met en œuvre que des algorithmes traditionnels (alignement, lucky imaging, flot optique, ...) écrits en langage C/C++. 2) Le deep learning n'est actuellement utilisé que pour "dé-flouter" la vidéo précédente, PyTorch ne servant qu'à tester rapidement de nouveaux modèles qui sont par la suite implémentés en langage C/C++. Pour cela, j'utilise la librairie ArrayFire pour gérer la couche CUDA/OpenCL sous Linux/Windows/MacOSX/JetsonNX. Il est certainement possible de faire cela avec des algorithmes traditionnels mais je n'ai pas encore trouvé de solution "temps réel" acceptable. Et puis avec tous ces jours de pluie, je finirai bien par trouver l'algorithme qui va bien. 😃 D'un autre coté, le deep learning fait des progrès rapides, voir l'exemple suivant : algorithme traditionnel (interpolation cubique) et deep learning (super résolution) : Vous pouvez faire l'essai avec l'image du chat x1 et un resize x4 dans Gimp ou Photoshop. C'est ce que je voudrais réussir à faire avec ma vidéo un peu floue obtenue avec des algos traditionnels ... opération en cours. 🤔

Durant l'acquisition, il est possible de voir l'évolution du ciel. Ici le minimum est à 15,8 (image corrigée n°197) et le maximum à 61,3 (image corrigée n°53). En cas de passage de nuages comme en début de soirée le 30 juillet, le programme interpole pour maintenir une qualité à peu près constante. Un bonne nuit correspond à des valeurs supérieures à 50, ici c'est une nuit en dessous de la moyenne avec un passage de quelques minutes au dessus de 50 en début d'acquisition. En abscisse 1 correspond à 0h25TL et le 299 à 5h00TL. La meilleure image (n°53) à 1h18TL. La plus mauvaise image (n°197) à 3h25TL. Le passage au méridien à 3h07TL (28°21') correspond à l'image n°177. Le temps d'acquisition moyen de 6000 images brutes retenues est de 55s (entre 50s et 60s). Le nombre total d'images brutes traitées en 4h35mn est de 299 x 6000 = 1,8 millions. Images 53, 177 et 197 :

Conditions pas terribles mais je poste quand même la petite vidéo à cause du passage de la GTR. C11 f/20 + EQ6-R Pro + ASI462MC :