🔭 astrophysics

Optimal mitigation of random telegraph noise for improved photometry at high frame rates

Dieser Beitrag bewertet die Pegel des zufälligen Telegraphenrauschens (RTN) in drei astronomischen CMOS-Sensoren und zeigt, dass ein neuer Algorithmus zur Korrektur von RTN-Sprüngen die traditionelle Pixelmaskierung übertrifft, insbesondere bei unterabgetasteten Quellen oder wenn die Rauschpegel vergleichbar sind, wodurch eine präzisere Photometrie mit hohen Bildwiederholraten ermöglicht wird.

Ursprüngliche Autoren: Christopher Layden, Daniel-Rolf Harbeck, Tejus Deo-Dixit, Nathan Lourie, Gabor Furesz, Kevin Burdge

Veröffentlicht 2026-05-20

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Christopher Layden, Daniel-Rolf Harbeck, Tejus Deo-Dixit, Nathan Lourie, Gabor Furesz, Kevin Burdge

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Das „Popcorn"-Geräusch in digitalen Augen

Stellen Sie sich vor, Sie versuchen, ein sehr leises Flüstern in einem Raum zu hören. Plötzlich beginnt jemand in der Ecke Popcorn zu machen. Plopp. Plopp. Plopp. Manchmal sind die Geräusche laut, manchmal leise. Sie können nicht unterscheiden, ob ein Geräusch das gesuchte Flüstern ist oder nur ein Popcornkorn, das auf den Boden fällt.

In der Welt der Astronomie sind Kameras (speziell CMOS-Sensoren) die „Ohren", die das schwache Licht entfernter Sterne hören. Allerdings leiden diese Kameras unter einem Fehler namens Random Telegraph Noise (RTN). Die Autoren bezeichnen dies als „Popcorn-Geräusch" oder „Salz-und-Pfeffer-Rauschen".

In den winzigen Transistoren der Kamera bleiben Elektronen in kleinen Fallen hängen oder werden von ihnen freigesetzt, wodurch die Messung eines Pixels plötzlich nach oben oder unten springt. Dies ist kein echter Stern, der heller oder dunkler wird; es ist lediglich ein Kamerafehler. Dieses Rauschen erschwert das Erkennen schwacher Objekte, insbesondere wenn die Kamera Bilder sehr schnell aufnimmt (hohe Bildwiederholraten).

Die Untersuchung: Test von drei Kameras

Die Forscher testeten drei verschiedene Arten von Kamerasensoren, die in Teleskopen verwendet werden:

Sony IMX455: Ein hochauflösender Sensor, der in vielen modernen Teleskopen eingesetzt wird.
Gpixel GSENSE400: Ein Sensor mit größeren Pixeln, der oft als Upgrade für ältere Kameras verwendet wird.
Fairchild Imaging HWK4123: Ein hochempfindlicher Sensor, der darauf ausgelegt ist, einzelne Photonen (Lichtteilchen) zu zählen.

Sie stellten fest, dass alle drei dieses „Popcorn"-Geräusch aufwiesen, wobei der Sony IMX455 am stärksten betroffen war. Bei dieser Kamera war das Rauschen so stark, dass es das gesamte „Statik"-Rauschen (Ausleserauschen) des Bildes um mehr als 20 % erhöhte. Die anderen beiden Kameras wiesen zwar ebenfalls das Rauschen auf, aber es war deutlich leiser.

Die alte Lösung vs. die neue Lösung

Wenn Astronomen feststellten, dass ein Pixel einen Fehler hatte, maskierten sie ihn früher einfach.

Die Maskierungs-Analogie: Stellen Sie sich vor, Sie betrachten ein Gemälde, aber auf dem Glas davor befindet sich an einer bestimmten Stelle ein Schmutzfleck. Die alte Methode bestand darin, einen schwarzen Aufkleber über diesen Fleck zu kleben, damit man ihn nicht sieht. Sie verlieren diesen Teil des Bildes, aber der Rest sieht sauber aus.
Das Problem: Wenn sich der Fleck genau in der Mitte eines Sterns befindet, den Sie untersuchen wollen, ruiniert das Aufkleben eines schwarzen Aufklebers Ihre Messung. Sie verlieren Daten.

Die Autoren entwickelten einen neuen Algorithmus (ein intelligentes Computerprogramm), um dies zu beheben.

Die Analogie zur neuen Lösung: Anstatt einen Aufkleber über den Schmutzfleck zu kleben, agiert das Programm wie ein Detektiv. Es betrachtet die Historie dieses spezifischen Pixels. Es weiß: „Dieses Pixel liegt normalerweise auf dem Niveau 100, springt aber manchmal auf 110 oder 90." Wenn es einen Sprung sieht, sagt es: „Ah, das ist nur Popcorn-Geräusch!" und schiebt die Zahl sanft dorthin zurück, wo sie sein sollte. Es behebt den Fehler, ohne die Daten zu löschen.

Was sie fanden

Die Forscher testeten dieses neue „Detektiv"-Programm an echten Bildern von Sternen und sogar an einem seltenen Ereignis, bei dem ein Asteroid das Licht eines Sterns blockierte (eine Sternbedeckung).

Bessere Klarheit: Bei schwachen Sternen verbesserte das neue Programm die Klarheit der Daten im Durchschnitt um mehr als 5 %. Das mag klein klingen, aber in der Astronomie ist es wie der Übergang von einem unscharfen Foto zu einem scharfen.
Wenn die Maskierung versagt: Die alte „Aufkleber"-Methode (Maskierung) funktionierte in einigen Fällen okay, aber wenn ein fehlerhaftes Pixel genau in der Mitte eines Sterns lag, machte die Maskierung die Daten tatsächlich schlechter. Das neue Programm behob den Fehler, ohne das Licht des Sterns zu verlieren.
Der Sternbedeckungstest: Beim Asteroidentest ließen die fehlerhaften Pixel den Asteroiden versehentlich so aussehen, als würde er mehr Licht blockieren, als er tatsächlich tat. Das neue Programm korrigierte dies und lieferte eine viel genauere Messung der Größe des Asteroiden.

Das Fazit

Die Autoren haben ihre Software kostenlos und für alle zugänglich gemacht. Sie ermöglicht Astronomen:

Zu identifizieren, welche Pixel in ihren Kameras „fehlerhaft" sind.
Die Fehler in Echtzeit oder im Nachhinein zu beheben.
Klarere, präzisere Messungen des Universums zu erhalten, ohne Daten zu verwerfen.

Kurz gesagt: Sie haben den Kameras beigebracht, ihr eigenes „Popcorn"-Geräusch zu ignorieren, sodass wir die leisesten Flüstern der Sterne klarer hören können.

Technisches Fazit: Optimale Minderung von Random Telegraph Noise für verbesserte Photometrie bei hohen Bildraten

Problemstellung
Random Telegraph Noise (RTN), auch als "Salz-und-Pfeffer"- oder Popcorn-Rauschen bekannt, ist eine signifikante Quelle von Ausleserauschen in für die Astronomie verwendeten Complementary Metal-Oxide-Semiconductor (CMOS)-Bildsensoren. Obwohl wissenschaftliche CMOS-Sensoren (sCMOS) im Allgemeinen ein niedrigeres Ausleserauschen bieten als herkömmliche Charge-Coupled Devices (CCDs), beeinträchtigt das Vorhandensein von RTN diesen Vorteil, insbesondere bei Anwendungen mit hohen Bildraten und geringem Fluss. RTN entsteht durch das Einfangen und Freisetzen von Elektronen durch Trägerfallen in der Nähe der Si/SiO2-Grenzfläche in Source-Follower-Transistoren. Bei Pixeln mit RTN schwankt das Bias-Niveau zwischen diskreten Zuständen, was einen langen Schweif in der Verteilung des Ausleserauschens erzeugt. Dies erhöht das Root-Mean-Square (RMS)-Ausleserauschen erheblich, selbst wenn das mediane Ausleserauschen niedrig bleibt, wodurch das Signal-zu-Rausch-Verhältnis (SNR) für schwache Quellen verringert wird. Bestehende Minderungsstrategien, wie das Maskieren defekter Pixel oder die Anwendung einfacher Medianfilter, berücksichtigen oft nicht die spezifischen Bias-Niveau-Verteilungen einzelner Pixel, können die photometrische Präzision verschlechtern, wenn die Point Spread Function (PSF) unterabgetastet ist, oder systematische Verzerrungen einführen.

Methodik
Die Autoren untersuchten drei kommerziell erhältliche CMOS-Sensoren, die in astronomischen Instrumenten verwendet werden: den Sony IMX455 (in QHY600M-Kameras), den Gpixel GSENSE400 (in QHY42-Kameras) und den Fairchild Imaging HWK4123 (in Hamamatsu ORCA-Quest-2-Kameras).

Charakterisierung: Das Team sammelte Tausende von Bias-Frames, um das Ausleserauschen zu messen und RTN-Pixel zu identifizieren. Zur Erkennung nicht-gaußscher Bias-Verteilungen wurde ein Anderson-Darling-Normalitätstest verwendet. Für Pixel, die diesen Test nicht bestanden, wurde ein Triple-Gauß-Modell angepasst, um die Bias-Niveau-Verteilung zu charakterisieren, wobei Parameter für die zentrale Gauß-Verteilung (Mittelwert $\mu_b$ , Standardabweichung $\sigma_r$ ) und die Seitenpeaks, die RTN-Sprünge darstellen (Amplituden $B_1, B_2$ und Sprungabstand $d$ ), extrahiert wurden.
Korrekturalgorithmus: Ein neuer Python-basierter Algorithmus wurde entwickelt, um RTN-Sprünge pixel- und frameweise zu identifizieren und zu korrigieren.
- Referenzerstellung: Der Algorithmus schätzt das erwartete Signalniveau für ein Pixel unter Verwendung entweder eines temporalen Medians (für Zeitreihendaten) oder eines räumlichen Medians (für Einzelbilder), angepasst an die spezifischen Bias-Parameter des Pixels.
- Sprungerkennung: Unter Verwendung einer Poisson-Gaußschen kumulativen Verteilungsfunktion (CDF) berechnet der Algorithmus Signifikanzschwellenwerte ( $\alpha = 0.003$ ), um festzustellen, ob das Signal eines Pixels signifikant von der erwarteten zentralen Gauß-Verteilung abweicht, unter Berücksichtigung der inhärenten Rechtsschiefe der Poisson-Statistik.
- Korrektur: Wird ein Sprung identifiziert, wird das Signal um die Sprunggröße $d$ (in Elektronen umgerechnet) verschoben. Der Algorithmus enthält einen Bias-Korrekturschritt, um eine künstliche Aufblähung der durchschnittlichen Flusswerte zu verhindern, die durch die asymmetrische Korrektur positiver gegenüber negativer Sprünge verursacht würde.
Validierung: Die Autoren verglichen ihren Algorithmus mit einer einfachen "Maskierungs"-Strategie (Behandlung von RTN-Pixeln als defekt) unter Verwendung von Monte-Carlo-Simulationen und realen astronomischen Beobachtungen. Zu den Tests in der realen Welt gehörten die Photometrie von Sternfeldern und ein Asteroidenokkultationsereignis, das mit dem kleinen Teleskopnetzwerk der Las Cumbres Observatory (LCO) beobachtet wurde.

Hauptbeiträge

Quantifizierung des RTN-Einflusses: Die Studie quantifiziert den Beitrag von RTN zum gesamten Ausleserauschen-Boden. Beim Sony IMX455 erhöht RTN das RMS-Ausleserauschen um $\gtrsim 20\%$ . Beim GSENSE400 und HWK4123 sind die Zunahmen geringer ( $\gtrsim 4\%$ bzw. $\gtrsim 2.5\%$ ), bleiben aber für Anwendungen mit extrem niedrigem Rauschen relevant.
Algorithmus-Entwicklung: Die Autoren stellen einen robusten, pixelweisen Korrekturalgorithmus vor, der sich an die spezifische Bias-Niveau-Verteilung jedes RTN-Pixels und den lokalen Photonfluss anpasst und damit die Fallstricke von Methoden mit festen Schwellenwerten vermeidet.
Vergleichende Analyse: Die Arbeit bietet einen detaillierten Vergleich zwischen dem vorgeschlagenen Korrekturalgorithmus und der Pixelmaskierung und zeigt, dass der Algorithmus die Maskierung übertrifft, insbesondere wenn die PSF unterabgetastet ist, maskierte Pixel nahe dem Quellzentrum liegen oder das Ausleserauschen mit dem Schrotrauschen vergleichbar ist.
Open-Source-Software: Die Autoren veröffentlichten die RTN-Corrector-Software-Suite, einschließlich Skripte zur Identifizierung von RTN-Pixeln (rtn_fitter) und zur Anwendung von Korrekturen (rtn_fixer), wodurch diese Techniken der astronomischen Gemeinschaft zugänglich gemacht werden.

Ergebnisse

Simulation: Monte-Carlo-Simulationen zeigten, dass der Korrekturalgorithmus im Vergleich zur Maskierung konsistent eine Verbesserung des SNR bewirkte. Es wurde festgestellt, dass die Maskierung in Fällen, in denen RTN-Pixel nahe dem Kern einer Quelle lagen, insbesondere bei unterabgetasteten PSFs, das SNR verschlechterte.
Sternphotometrie: Bei Beobachtungen eines Sternfelds mit dem IMX455 verbesserten sowohl der Korrekturalgorithmus als auch die Maskierung das SNR von Lichtkurven für schwache Quellen ( $< 3 e^-$ /Pix/Bild) im Durchschnitt um $>5\%$ . Der Korrekturalgorithmus zeigte eine geringere Varianz in der Leistung und behielt die absolute photometrische Genauigkeit bei, während die Maskierung dazu neigte, die Helligkeit zu unterschätzen.
Asteroidenokkultation: Während einer Okkultation des Trojaner-Asteroiden Anchises reduzierte der Korrekturalgorithmus die RMS-Residuen der Anpassung der Lichtkurve um $\approx 7\%$ und korrigierte eine systematische Überschätzung der Okkultationstiefe, die durch ein Ungleichgewicht negativer RTN-Sprünge während des Ereignisses verursacht wurde.
Sensorspezifika: Die Studie stellte fest, dass der IMX455 symmetrische RTN-Verteilungen (sowohl positive als auch negative Sprünge) aufwies, während der GSENSE400 und der HWK4123 hochgradig asymmetrische Verteilungen (überwiegend positive Sprünge) und kleinere Sprungamplituden zeigten. Das ultra-niedrige Kapazitätsdesign des HWK4123 führte in vielen Fällen zu RTN-Sprüngen, die kleiner als ein einzelnes Photoelektron waren, was die Wirksamkeit einer nachträglichen Korrektur für diesen spezifischen Sensor begrenzte.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die Minderung von RTN entscheidend ist, um das volle Potenzial von sCMOS-Sensoren zu realisieren, insbesondere für die Hochgeschwindigkeitsphotometrie und die Beobachtung schwacher Objekte, bei denen das Ausleserauschen dominiert. Die Autoren betonen, dass ihr Algorithmus eine zuverlässige Methode bietet, um photometrische Präzision wiederzugewinnen, die andernfalls durch RTN verloren gehen würde, und stellt eine überlegene Alternative zur einfachen Pixelmaskierung dar. Sie unterstreichen, dass die Maskierung zwar in bestimmten Bereichen wirksam ist (gut abgetastete PSFs, durch Ausleserauschen dominiert), der Korrekturalgorithmus jedoch konsistentere Verbesserungen über einen breiteren Bereich von Bedingungen hinweg bietet, einschließlich unterabgetasteter PSFs und variierender Quellhelligkeiten. Die Arbeit wird als praktisches Werkzeug für Astronomen präsentiert, die Detektoren mit RTN verwenden, und bietet eine unmittelbare Steigerung der Datenqualität ohne Hardwareänderungen. Die Autoren weisen zudem darauf hin, dass die RTN-Minderung für Weltraumteleskope besonders relevant ist, da Strahlenschäden bekanntermaßen die Häufigkeit von RTN erhöhen.