Excuses, ik wilde zeker niet bot over komen ;-)
Voor mijzelf is het nogal verbazingwekkend en ook wel een beetje frustrerend om op alle fora wereldwijd te zien dat de noise analyse van PI wordt gebruikt om noise te vergelijken tussen foto’s/stacks, zonder stil te staan bij het feit dat noise sterk gecorreleerd is met de dispersie van de data. Deze fout wordt gewoon erg veel gemaakt ;-(
PI legt het in de handleiding wel uit overigens. Je kan noise pas zinvol vergelijken na een data normalisatie voor dispersie, volgens mij.
https://pixinsight.com/doc/tools/ImageIntegration/ImageIntegration.html#description_004
Als je de data 2 keer inkrimt tov van de lokatie van het histogram, dan is de noise ook meteen 2x lager. De noise van een foto/stack is nog steeds een relatieve waarde, het is geen absolute waarde die je als zodanig kan hanteren voor een direct vergelijk met een andere foto/stack. Dat is de crux en de fout die wordt gemaakt.
Stel een foto heeft een SNR van 3 en een noise van 0.0001. Als deze foto genormaliseerd wordt voor lokatie en dispersie, dan gaat de noise waarde van die foto meteen veranderen. De SNR blijft echter gelijk.
Dus mijn advies in deze is, om eens te kijken wat er met de dispersie van de data gebeurd. Je zult zien dat PI in de flat calibratie de dispersie sterk verlaagd tov de dispersie in de niet-gecalibreerde sub. In APP blijft de dispersie van een gecalibreerde sub vrijwel gelijk aan de dispersie van de niet-gecalibreerde sub. PI maakt de data compacter, en de dispersie en de ruis zijn daarom automatisch lager, Maar dat hoeft helemaal niet te betekenen dat het beter is ;-)
En in een foto zoals deze, met veel hemelachtergrond, zijn dispersie en ruis ook nog eens heel sterk gecorreleerd.