Код на все звезды розыска – это набор алгоритмов и готовых программных решений, позволяющих автоматически находить и идентифицировать звёздные объекты в астрономических изображениях, а также в больших каталогах небесных тел. Такие инструменты востребованы в:

• научных исследованиях (поиск новых звёзд, переменных и сверхновых);
• любительской астрономии (создание собственных каталогов);
• образовательных проектах (демонстрация методов обработки изображений);
• коммерческих сервисах (приложения для планетариев, мобильных «звёздных карт»).

В этой статье мы разберём, что представляет собой такой код, какие задачи он решает, какие алгоритмы используют, и приведём полностью работающий пример на Python с комментариями.

Что подразумевается под «кодом на все звёзды розыска»?

Термин сочетает два понятия:

1. Код – программный скрипт или библиотека.
2. Розыск – процесс поиска, то есть автоматическое обнаружение звёзд на изображениях.

Ключевые требования к коду

• Скорость обработки (десятки‑сотни мегапикселей за секунды).
• Надёжность в условиях различного уровня шума.
• Гибкость настройки порогов и параметров.
• Возможность интеграции с другими астрономическими пакетами (Astropy, SAOImage DS9, Aladin).

Алгоритмическая база

Самый популярный подход – пороговое выделение в сочетании с сепарацией связанных компонентов. Ниже перечислены основные шаги:

2.1 Предобработка изображения

• Темная коррекция (dark subtraction) – вычитаем темный кадр.
• Флат‑коррекция – делим на flat‑field, чтобы убрать неоднородности.
• Гауссово размытие (sigma ≈ 1‑2 пикселя) – подавляем высокочастотный шум.

2.2 Выделение звёздных точек

1. Вычисляем медианный фон и стандартное отклонение σ.
2. Устанавливаем порог threshold = median + k·σ, где k обычно 3‑5.
3. Создаём бинарную маску: пиксель = 1, если его значение > threshold.

2.3 Лейблинг (разметка) компонентов

С помощью функции scipy.ndimage.label или skimage.measure.label находятся отдельные связные области – потенциальные звёзды.

2.4 Вычисление параметров звёзд

• Центроид (x, y) – позиция звезды.
• Фотометрия: суммарный поток, интегральная яркость.
• Фитинг ПСФ (Point Spread Function) для более точного измерения.

2.5 Фильтрация ложных срабатываний

Отбрасываем объекты, которые:

• Меньше заданного числа пикселей (обычно 3‑5).
• Имеют аномально высокую/низкую яркость.
• Не соответствуют ожидаемому профилю ПСФ.

Полный пример кода на Python

Ниже – готовый скрипт, который принимает FITS‑файл, ищет звёзды и выводит их координаты в виде CSV‑файла.

#!/usr/bin/env python3

"""
Код на все звёзды розыска.
Пример реализации поиска звёзд в астрономическом изображении (FITS).
Требуемые библиотеки:
 astropy, numpy, scipy, scikit-image, pandas
"""
import numpy as np
import pandas as pd
from astropy.io import fits
from scipy.ndimage import gaussian_filter, label, find_objects
from skimage.measure import regionprops
import matplotlib.pyplot as plt

def load_fits(path: str) -> np.ndarray:
 """Читает FITS‑файл и возвращает массив данных."""
 with fits.open(path) as hdul:
 data = hdul[0].data.astype(np.float64)
 return data

def preprocess(image: np.ndarray,
 dark: np.ndarray = None,
 flat: np.ndarray = None,
 sigma: float = 1.5) -> np.ndarray:
 """Применяет темную, flat‑коррекцию и гауссово размытие."""
 if dark is not None:
 image = image ⏤ dark
 if flat is not None:
 image = image / flat
 # Гауссово размытие для подавления шума
 return gaussian_filter(image, sigma=sigma)

def detect_stars(image: np.ndarray,
 sigma_thresh: float = 4.0,
 min_pixels: int = 5) -> pd.DataFrame:
 """
 Находит звёзды и возвращает DataFrame со следующими колонками:
 x, y – центр звезды (пиксели)
 flux – суммарный поток внутри объекта
 npix – количество пикселей в объекте
 """
 # 1) Фоновая статистика
 median = np;median(image)
 std = np.std(image)

 # 2) Порог
 threshold = median + sigma_thresh * std
 mask = image > threshold

 # 3) Связные компоненты
 labeled, n_labels = label(mask)
 slices = find_objects(labeled)

 # 4) Сбор параметров
 records = []
 for i, slc in enumerate(slices, start=1):
 region = regionprops(labeled == i, intensity_image=image)[0]

 if region.area < min_pixels:
 continue # слишком мелко – шум

 y, x = region.centroid # обратный порядок!
 flux = region.intensity_image.sum
 records.append(dict(x=x, y=y, flux=flux, npix=region.area))

 df = pd.DataFrame.from_records(records)
 return df

def plot_results(image: np.ndarray, stars: pd.DataFrame, title: str = "Detected Stars"):
 plt.figure(figsize=(8, 8))

 plt.imshow(image, cmap='gray', origin='lower', vmin=np.percentile(image, 5), vmax=np.percentile(image, 99))
 plt.scatter(stars['x'], stars['y'], s=30, edgecolor='red', facecolor='none', linewidth=1.2)
 plt.title(title)
 plt.xlabel('X [pixel]')
 plt.ylabel('Y [pixel]')
 plt.grid(False)
 plt.show

if __name__ == "__main__":
 import argparse
 parser = argparse.ArgumentParser(description="Код на все звёзды розыска")
 parser.add_argument("fits_path", help="Путь к FITS‑файлу")
 parser.add_argument("-o", "--output", default="stars.csv", help="Имя CSV‑файла с результатами")
 parser.add_argument("-t", "--threshold", type=float, default=4.0, help="Коэффициент порога (σ)")
 parser.add_argument("-m", "--minpix", type=int, default=5, help="Минимальное количество пикселей в объекте")
 args = parser.parse_args

 # 1) Загрузка
 img = load_fits(args.fits_path)

 # 2) Предобработка (в данном примере без dark/flat)
 img_clean = preprocess(img, sigma=1.2)

 # 3) Поиск
 stars_df = detect_stars(img_clean,
 sigma_thresh=args.threshold,
 min_pixels=args.minpix)

 # 4) Сохранение
 stars_df.to_csv(args.output, index=False)
 print(f"Найдено {len(stars_df)} звёзд. Результаты сохранены в {args.output}")
 # 5) Визуализация
 plot_results(img_clean, stars_df, title="Звёзды, найденные кодом")

Пояснения к коду

• load_fits – читает файл формата FITS, который является стандартом в астрономии.
• preprocess – опциональная темная и flat‑коррекция; в примере используется только гауссово размытие.
• detect_stars – основной «розыск»: вычисляет медиану и σ, задает порог, ищет связные компоненты и собирает свойства.
• plot_results – быстрый способ увидеть, насколько корректно работает алгоритм.
• Для больших наборов данных рекомендуется использовать dask или параллельные вычисления.

Как адаптировать код под свои задачи

4.1 Работа с другими типами файлов

Если у вас изображения в формате PNG, JPG или TIFF, замените функцию load_fits на чтение через imageio.imread или OpenCV. Главное – привести массив к float64 и нормализовать.

4.2 Настройка порога

В полевых условиях уровень фонового шума может сильно различаться. Рекомендуется:

1. Провести несколько пробных запусков с разными k (3‑6) и посмотреть на количество найденных объектов.
2. Использовать адаптивный порог (например, skimage.filters.threshold_local), если фон неоднороден.

4.3 Улучшение фотометрии

Для точных измерений вместо простой суммы интенсивности используйте:

• Апертурную фотометрию (апертура радиуса 2‑3×FWHM).
• Фитинг ПСФ (Gaussian, Moffat) через photutils.

4.4 Параллелизация

При обработке сотен изображений можно обернуть основной цикл в concurrent.futures.ProcessPoolExecutor или воспользоваться dask.delayed. Это уменьшит общее время обработки в несколько раз.

Часто задаваемые вопросы (FAQ)

5.1 Почему в моём результате слишком много «шумовых» точек?

Возможные причины:

• Слишком низкий порог (sigma_thresh < 3).
• Не выполнена предварительная коррекция темного кадра.
• Изображение содержит космические лучи – их следует удалять методом median filter или sigma‑clipping.

5.2 Как избавиться от двойных detections (одна звезда считается двумя объектами)?

Увеличьте параметр sigma в gaussian_filter (размытие) или примените morphology.binary_opening перед лейблингом.

5.3 Можно ли использовать код для поиска галактик?

Да, но галактики обычно имеют более сложную форму и большую площадь. Для них рекомендуется:

• Снизить min_pixels до 20‑30.
• Использовать более продвинутый сегментационный алгоритм – например, photutils.detect_sources с threshold и kernel из Gaussian2DKernel.

Код на все звёзды розыска – это мощный, но при этом достаточно простой набор инструментов, позволяющих быстро и надёжно находить звёздные объекты в астрономических данных. Благодаря открытым библиотекам Astropy, SciPy и scikit‑image любой желающий может адаптировать пример под свои нужды, будь то научный проект, учебная лабораторная работа или собственное приложение для смартфона.

Помните о ключевых моментах:

• Тщательная предобработка (dark, flat, размытие) существенно повышает качество.
• Выбор порога – компромисс между полнотой и чистотой списка.
• Фильтрация и пост‑обработка (проверка размеров, формы, ПСФ) избавляют от ложных срабатываний.

Удачной охоты за звёздами! 🚀