[论文解读] Detecting Diffuse Sources in Astronomical Images

Tony Butler-Yeoman, Marcus Frean+3 more|arXiv (Cornell University)|Jan 3, 2016

Geochemistry and Geologic Mapping被引用 4

一句话总结

本文提出 Oddity，一种基于狄利克雷复合多项分布的贝叶斯分层算法，通过反转树状结构的生成模型来检测弥散、低表面亮度的天体源。该方法可同时在所有尺度上运行，无需事先了解源或背景分布即可检测嵌套源，且与图像尺寸近乎线性地扩展，在复杂且微弱的扩展源（包括真实的射电巡天数据）上优于传统方法。

ABSTRACT

We present an algorithm capable of detecting diffuse, dim sources of any size in an astronomical image. These sources often defeat traditional methods for source finding, which expand regions around points of high intensity. Extended sources often have no bright points and are only detectable when viewed as a whole, so a more sophisticated approach is required. Our algorithm operates at all scales simultaneously by considering a tree of nested candidate bounding boxes, and inverts a hierarchical Bayesian generative model to obtain the probability of sources existing at given locations and sizes. This model naturally accommodates the detection of nested sources, and no prior knowledge of the distribution of a source, or even the background, is required. The algorithm scales nearly linear with the number of pixels making it feasible to run on large images, and requires minimal parameter tweaking to be effective. We demonstrate the algorithm on several types of astronomical and artificial images.

研究动机与目标

• 解决传统点源检测方法难以识别的微弱、扩展、低表面亮度源在天文图像中的检测挑战。
• 开发一种无需事先了解源形态、强度分布或背景统计特性的源发现算法。
• 通过树状边界框的分层空间结构建模，实现对嵌套或重叠源的检测。
• 实现在大型天文图像上的可扩展性能，特别是针对下一代设施（如平方公里阵列）预期产生的数据。
• 提供一种统计上合理、参数极少的方法，输出源位置为边界框，同时估计背景。

提出的方法

• 该算法使用狄利克雷复合多项分布（DCM）对图像区域进行建模，其中边界框内像素的强度从参数服从狄利克雷分布的多项分布中抽取。
• 采用四叉树结构递归地将图像划分为嵌套的边界框，每个节点代表一个潜在的源或背景区域。
• 活跃节点（源）优先于其祖先节点，根节点始终代表背景，以确保分层一致性。
• 第一阶段使用吉布斯采样探索活跃节点的合理配置，状态更新基于 DCM 模型的对数似然函数。
• 第二阶段在相同的对数似然函数上执行优化，以精炼源位置、合并重叠源或去除虚假阳性，允许在父节点约束范围内自由放置边界框。
• 该方法采用等频像素分箱，并利用计算机图形学技术高效计算分箱计数。

实验结果

研究问题

• RQ1 贝叶斯分层模型是否能在不假设源或背景强度分布的前提下，检测弥散、低表面亮度的源？
• RQ2 树状结构的生成模型在天文图像中检测嵌套或重叠源的效率如何？
• RQ3 该算法是否能随图像尺寸高效扩展，特别是在下一代望远镜产生的大规模数据集上？
• RQ4 该方法是否能在微弱、扩展且结构复杂的源上优于传统源探测器（如 SExtractor）？
• RQ5 该算法在无需手动调参的情况下，能在多大程度上同时恢复背景并检测微弱源？

主要发现

• Oddity 在模拟的高斯分布和指数分布图像中成功检测到微弱、扩展的源，包括复杂的嵌套结构，而 SExtractor 无法识别暗淡或重叠的源。
• 该算法在模拟的银河系平面图像中检测到银河系平面及三个大而微弱的源，并正确识别出八个点源中的六个。
• 在澳大利亚低亮度射电巡天（ATLBS）的真实数据中，Oddity 正确识别出一个微弱且嵌套的射电星系源，该源对传统方法具有挑战性。
• 该算法在图像尺寸上表现出近线性扩展，100万像素图像的运行时间不到一秒，最坏情况下的时间复杂度为 O(n log n)（以像素数计）。
• 吉布斯采样阶段收敛迅速，仅需 20 次预 burn-in 和 10 次采样迭代即可收敛，表明对状态空间的高效探索。
• 最终优化阶段提升了源定位精度并减少了虚假阳性，展示了对复杂源构型的鲁棒性与适应性。