Hoi Marc en Kees,
Ik heb de technische verklaring waarom plate solven beter werkt met de lineaire data voor jullie ;-).
Plate solven berust op patroon herkenning tussen de foto en sterren uit een catalogus. De patronen komen het best overeen als de sterlokaties in de foto die gesolved moet worden, optimaal zijn bepaald. Als je een sterlokatie wilt bepalen op subpixel niveau (middels regressie aan een bepaald intensiteitsprofiel) dan moet je dat doen met de lineaire data. Als de data niet meer lineair is, kan er ook geen realistische fit gemaakt en komt er een grote foutmarge in de bepaling van de sterlokatie op subpixel niveau.
Normaal kan je 0.1 pixel precisie halen bij de bepaling van de sterlokatie, beter is eigenlijk niet te doen en wordt ook niet vermeld in de literatuur voor zover ik weet. Gebruik je niet-lineaire data, dan is de fout al snel een halve pixel.
Ik moet hierbij ook zeggen, dat optiek vervorming de resultaten beinvloed. Dus data die correct wordt gecorrigeerd voor optiek vervorming zal beter te solven zijn. Het gebruik van thin plate splines ( wat PI doet bij optische vervorming) zal het resultaat niet verbeteren. Pi noemt het optische distortie correctie, maar dat is het zeker niet. Thin plates veroorzaken arbitraire niet-realistische vervormingen in je stacks en verslechteren daardoor de mogelijkheid om goed te kunnen solven…
Als laatste, ik denk dat de Thin plate splines van PI meer ellende veroorzaken dan het fitten aan niet-lineaire data. De fout die thin plates veroorzaken is snel een paar pixels bij sterke vervorming. Terwijl de niet-lineaire fit fout niet groter zal zijn dan 1 pixel.
En fouten < 1 pixel mogen geen probleem zijn voor een goede registratie en dus solve module. Mijn registratie module kan fouten aan die een factor 10 keer groter zijn en nog steeds dus het optimale registratie model vinden.