@mauricetoet, bedankt voor het compliment.
Wat ik met name wilde aangeven is dat enkel een noise vergelijking tussen subs/stacks middels het PI noise script, echt niet veel zegt en dus makkelijk tot foute conclusies leidt. Zeker als de bron anders is. Enkel als lokatie en dispersie van de histogrammen gelijk zijn kan je een zinvolle ruis vergelijking doen. Op fora wereldwijd wordt deze fout aan de lopende band gemaakt ;-(
En komt PI vaak als winnaar uit de bus. En geregeld dus gewoon onterecht.
De oorzaak:
Pixinsight heeft de flat calibratie zo geimplementeerd dat de data qua dispersie sterk wordt gecomprimeerd. Waarom weet ik niet, en ik heb zelf geen wetenschappelijk verklaring kunnen vinden. Misschien dat bijvoorbeeld Wei-Hao Wang hieraan kan bijdragen in de beta groep. Die weet misschien wel waarom PI dit zo doet en of dit wel terecht/handig is.
De dispersie van een flat gecalibreerde sub in PI is veel lager (factor 10x soms, het is afhankelijk van de gebruikte flats) dan de dispersie van de niet-gecalibreerde sub.
Dit heeft 2 gevolgen:
1) als je data vergelijkt die flat gecalibreerd is, tussen PI en in dit geval DSS, zonder een correcte data normalisatie, zul je altijd tot de conclusie komen dat de ruis in de PI stack lager is.
2) de sterren in de PI stack kleiner zijn. In dit geval zijn de PI sterren ongeveer 10% kleiner, iets van 0,2-0,3 pixel in FWHM waarde.
Maar beide conclusies zijn dus niet helemaal correct en soms zelf gewoon fout dus. Na data normalisatie zie je in dit geval dat de DSS stack beter qua ruis is en dat het verschil in stergrootte is gereduceerd tot nog maar 0.1 pixel, wat maar weinig mensen zullen zien.
(in feite draait PI je een rad voor de ogen door de vreemde flat calibratie, dat is wel mijn stelling op dit moment)