Improved Identification of Satellite Trails in ACS/WFC Imaging Using a Modified Radon Transform

Resumo Técnico: Identificação Aprimorada de Rastros de Satélites em Imagens ACS/WFC usando uma Transformada de Radon Modificada

Referência: Stark, D. V., et al. (Dezembro 2022). Instrument Science Report ACS 2022-08.

1. O Problema

Imagens astronômicas brutas, particularmente as obtidas pelo Telescópio Espacial Hubble (HST) com a câmera ACS/WFC, estão sujeitas a diversos artefatos que devem ser identificados e removidos antes da análise científica. Entre esses, destacam-se os rastros de satélites (e outros artefatos lineares como raios cósmicos, luz espalhada e picos de difração).
Com o aumento significativo no número de satélites artificiais em órbita da Terra, a taxa de contaminação dos dados do HST tem crescido. Métodos anteriores de detecção, baseados em transformadas de Hough ou filtros de borda, muitas vezes falham em detectar rastros com brilho médio abaixo do ruído de fundo ou são excessivamente sensíveis a fontes astronômicas brilhantes (estrelas, galáxias), gerando falsos positivos.

2. Metodologia: A Transformada de Radon Mediana (MRT)

Os autores propõem um novo algoritmo, findsat_mrt, baseado em uma modificação da Transformada de Radon (RT) clássica.

• Transformada de Radon Padrão (RT): Calcula a soma dos valores de pixels ao longo de todos os caminhos lineares possíveis. Embora eficaz para detectar linhas, a soma é fortemente influenciada por fontes brilhantes isoladas (estrelas), que podem mascarar rastros de satélites mais fracos.
• Transformada de Radon Mediana (MRT): A inovação central é substituir a soma pela mediana ao longo de cada caminho linear.
  • Vantagem: A mediana é robusta contra valores extremos (outliers). Isso torna o algoritmo resistente a fontes astronômicas brilhantes pontuais, mantendo a sensibilidade a características lineares contínuas (os rastros), mesmo que seu brilho médio esteja significativamente abaixo do ruído de fundo.
• Fluxo do Algoritmo (findsat_mrt):
  1. Pré-processamento: Uso de imagens flc (corrigidas), remoção de pixels ruins (DQ), subtração de fundo mediano e rebinning 2x2 para eficiência computacional.
  2. Cálculo da MRT: Cálculo da mediana ao longo de caminhos definidos por ângulo ($\theta$) e distância ($\rho$).
  3. Identificação de Fontes: Detecção de picos de S/N (relação sinal-ruído) no espaço da MRT usando kernels derivados de rastros simulados.
  4. Refinamento e Filtragem:
     • Extração de cortes (cutouts) e rotação para alinhar o rastro.
     • Ajuste de perfil Gaussiano para determinar largura e brilho.
     • Métrica de Persistência: O rastro é dividido em seções; a persistência mede a continuidade do sinal ao longo do comprimento. Rastros curtos ou descontínuos (falsos positivos) são rejeitados se a persistência for < 0,5.
     • Filtros de Rejeição: Remoção de rastros em ângulos típicos de picos de difração (0°, 90°, 180°) e em regiões de alta densidade de fontes.

3. Contribuições Principais

• Novo Algoritmo: Desenvolvimento e implementação pública do findsat_mrt no pacote acstools (v3.6.0).
• Sensibilidade Aprimorada: Demonstração de que a MRT pode detectar rastros com brilho médio até ~0,1 vezes o nível do ruído de fundo, uma ordem de magnitude mais sensível que o método anterior (detsat).
• Análise de Espaço de Parâmetros: Identificação sistemática das regiões onde o algoritmo falha (cantos das imagens, campos densos) e definição de critérios de qualidade para filtrar falsos positivos.
• Estudo de Evolução Temporal: Primeira análise abrangente da frequência e brilho dos rastros de satélites nos dados do ACS/WFC ao longo de 20 anos (2002-2022).

4. Resultados

• Desempenho de Detecção (Validação Visual):
  • Taxa de Recuperação: O algoritmo recupera 85% dos rastros identificados visualmente no conjunto de dados "Frontier Fields".
  • Taxa de Falsos Positivos: Após remover picos de difração (que são facilmente filtrados por ângulo), a taxa de detecção falsa é de 2,5%.
  • Limitações: O algoritmo tem dificuldade em cantos de imagem (onde os rastros são curtos) e em campos muito densos, onde alinhamentos aleatórios de estrelas/galáxias podem imitar rastros.
• Análise de Grande Escala (2002-2022):
  • Frequência: A taxa de contaminação por rastros de satélites aumentou aproximadamente duas vezes nas últimas duas décadas.
  • Brilho: Não há evolução sistemática clara no brilho típico dos rastros ao longo do tempo (para filtros específicos F606W e F814W).
  • Filtros de Qualidade: Para obter uma amostra limpa, recomenda-se rejeitar rastros em imagens com parâmetro de assimetria de brilho ($b$) > 50 (campos densos) e com comprimento < 500 pixels. Nessas condições restritas, a taxa de falsos positivos estimada é de ~10%.
• Abordagem Multi-Chip: A técnica de rastrear rastros que cruzam ambos os chips do detector WFC confirma a robustez da detecção e permite recuperar rastros que seriam perdidos se analisados chip a chip.

5. Significado e Conclusões

Este relatório estabelece um novo padrão para a limpeza de dados do HST/ACS contra artefatos lineares. A Transformada de Radon Mediana (MRT) oferece um equilíbrio superior entre sensibilidade a sinais fracos e imunidade a fontes brilhantes, superando as limitações dos métodos baseados em soma ou detecção de bordas.

A ferramenta findsat_mrt é essencial para garantir a qualidade dos dados científicos do HST em um cenário onde a poluição orbital está aumentando. Embora a taxa de contaminação tenha dobrado, a capacidade de identificar e mascarar esses rastros com alta precisão (85% de recuperação e baixa taxa de erro) permite que os cientistas continuem a extrair dados de alta fidelidade. O trabalho também destaca a necessidade de futuras melhorias, como a aplicação em imagens corrigidas de distorção (drc) para eliminar a necessidade de correspondência manual entre chips e aumentar ainda mais a sensibilidade.