[论文解读] Blind Detection of Ultra-faint Streaks with a Maximum Likelihood Method

William A. Dawson, M. Schneider+1 more|arXiv (Cornell University)|Sep 22, 2016

Image and Signal Denoising Methods参考文献 10被引用 6

一句话总结

本文提出了一种最大似然检测方法，通过将彗星轨迹建模为与点扩散函数（PSF）卷积的有限直线，实现了对天文图像中超弱光痕的盲检测——其亮度比像素噪声低一个数量级。该方法在无需事先知晓源参数的情况下，实现了高灵敏度与高纯净度，支持多历元叠加，并成功在模拟和真实近地轨道（LEO）观测中去卷积多个微弱光痕。

ABSTRACT

We have developed a maximum likelihood source detection method capable of detecting ultra-faint streaks with surface brightnesses approximately an order of magnitude fainter than the pixel level noise. Our maximum likelihood detection method is a model based approach that requires no a priori knowledge about the streak location, orientation, length, or surface brightness. This method enables discovery of typically undiscovered objects, and enables the utilization of low-cost sensors (i.e., higher-noise data). The method also easily facilitates multi-epoch co-addition. We will present the results from the application of this method to simulations, as well as real low earth orbit observations.

研究动机与目标

• 开发一种统计上严谨、基于模型的检测方法，用于在恒速跟踪巡天中检测超弱光痕。
• 实现在不知晓光痕位置、方向、长度或表面亮度的情况下进行盲检测。
• 通过结合空间变化的噪声与PSF的最大似然估计，提升对微弱天体的检测灵敏度。
• 在最小化PSF与噪声变化引起的系统误差的同时，实现图像数据的稳健多历元叠加。
• 利用高斯混合模型（GMM）对后验参数分布进行去卷积，展示多个微弱光痕的分离效果。

提出的方法

• 该方法采用最大似然框架，其中似然函数定义为包含数据、模型与像素协方差的二次型：$\mathrm{ln}\mathcal{L} = -\frac{1}{2}(d - m)^T \Sigma^{-1}(d - m) + C$，其中$m$为源模型。
• 模型$m(\mathbf{x}, \omega)$定义为源$s$与PSF$\Pi$的卷积，由位置$\mathbf{x}$和参数$\omega$（包括通量缩放因子$\alpha$）参数化。
• 最大似然通量推导为$\alpha_{\mathrm{ML}} = \Psi / \Phi$，其中$\Psi$为噪声加权的数据-模型互相关，$\Phi$为噪声加权的模型自相关。
• 显著性通过$\nu(\mathbf{x}, \Omega) = \Psi / \sqrt{\Phi}$量化，支持检测阈值设定。
• 通过在各历元间求和对数似然，实现多历元叠加，即使PSF与噪声变化，仍保持统计严谨性。
• 通过在模型参数后验分布（赤经、赤纬、长度、位置角）上应用高斯混合模型（GMM），实现多个光痕的去卷积，使用贝信息准则（BIC）选择最优分量数量。

实验结果

研究问题

• RQ1 最大似然方法能否检测到比像素噪声水平低一个数量级的超弱光痕？
• RQ2 该方法在未知参数的情况下，对多个重叠光痕的检测与去卷积效率如何？
• RQ3 多历元叠加在多大程度上提升了检测灵敏度，同时避免了由PSF与噪声变化引起的系统误差？
• RQ4 该方法能否在统计上一致地估计源属性与不确定性，以支持后续轨道确定？
• RQ5 在参数后验分布上使用GMM对多个光痕进行去卷积时，最优分量数是多少？

主要发现

• 该方法成功检测到表面亮度约为像素噪声水平一个数量级以下的超弱光痕。
• 在模拟实验中，贝信息准则（BIC）分析确定三组分GMM为最优，正确检测到全部三个模拟光痕，无误报。
• GMM分析在四维参数空间的二维投影中揭示了非重叠的置信椭圆，实现了对重叠光痕的有效去卷积。
• 通过在各历元间求和对数似然，该方法实现了统计严谨的多历元叠加，即使PSF与噪声发生变化也成立。
• 显著性度量$\nu(\mathbf{x}, \Omega) = \Psi / \sqrt{\Phi}$提供了一种稳健的、噪声加权的检测阈值，支持高纯净度的源识别。
• 在STARE巡天数据中的实际应用验证了该方法在真实恒速跟踪观测中检测微弱近地轨道物体的可行性。