---
title: "读懂去混叠与差分图里的残差"
description: "对照 ZOGY、scarlet 和固定版本 Rubin 文档，区分亮度分配、图像差分与真实探测。"
canonical_url: "https://sandboxphysics.com/zh/stories/stellar-photometry/reading-crowded-images/"
language: "zh-CN"
page_type: "story"
alternate_languages:
  en: "https://sandboxphysics.com/stories/stellar-photometry/reading-crowded-images/"
last_modified: "2026-10-28"
---

[在拥挤天空里测准星光](https://sandboxphysics.com/zh/stories/stellar-photometry/)

AC02 · L4

# 读懂去混叠与差分图里的残差

Sandbox Physics · 2026-10-28

打开 Zackay、Ofek 与 Gal-Yam 的 arXiv:1601.02655v2，以及 Melchior 等人的 arXiv:1802.10157v2。一篇问天空哪里变了，另一篇问重叠的光属于谁。沿着这两种问题读，可以看清残差什么时候有用、什么时候会骗人。

## 开始前需要什么

会读像素图、信噪比和前一章的线性拟合。卷积表示把一个光斑平移到每个光源位置并相加；傅里叶变换把图像换成不同空间波纹的系数。下面只在解释论文图与方法时使用这些概念。

## 先区分两种要找的东西

去混叠要分配同一幅图像里重叠天体的光。时间差分则比较两次观测，寻找新出现、消失或变亮的部分。一个静止邻星可以让孔径测光偏高，却在理想差分中抵消；一颗变化的邻星则仍会留下信号。

带着这个区别看图，先问每个面板画的是观测、模型、相减结果，还是经过滤波的探测分数。颜色好看、残差很小，并不自动说明每一颗星的亮度都分对了。两种不同的分配可能产生很接近的总图像。

## ZOGY 的差分图和探测图各做什么

在 ZOGY 第 III.1 节先圈出假设：两张图已经对齐，光斑、亮度标定和背景已知，背景主导、近似高斯且像素噪声独立。随后找第 IV.1 节，看最优性对应的正是这些条件。

读第 III.6 节时，把差分图与点源探测统计量分开记。后者用预期点源形状把周围像素合起来；逐点检查它时，还要看相应误差。第 III.3 节继续处理亮源噪声与其他修正。不要把未经修正的亮星附近残差直接当成新天体。

对照第 VIII.1 至 VIII.4 节，按背景、光斑、采样和对齐四项检查输入。论文第 5 图提供实际图像测试；按图注确认各个面板的处理，查看亮星附近剩下的结构。

对应阅读：Zackay, Ofek & Gal-Yam (2016), Proper image subtraction, arXiv:1601.02655v2

## 自己推一个最简单的差分极限

考虑两次背景已扣除、曝光标定相同、光斑也完全相同的观测。对于没有变化的天空，直接相减后平均值应为零。若两次像素噪声独立，差的方差等于两张图方差之和。这里的推导不需要完整的傅里叶算法。

现在让其中一张整体向右偏一点。即使每颗星都不变，差分也会在光斑一侧留下正值、另一侧留下负值。把位移缩小，残差随之缩小。这是值得亲手做的诊断：一个看似有结构的信号，也可能只是坐标没有对齐。

$$
D_i=N_i-R_i,\qquad\mathbb E[D_i]=0,\qquad\operatorname{Var}(D_i)=v_{N,i}+v_{R,i}
$$

这个特例要求静态天空、相同标定和光斑、独立噪声。它是量纲与符号检查，尚未复现论文完整算法。

## scarlet 用多种颜色帮助分开天体

转到 scarlet 第 2 节和图 1。每个成分用一张空间形状和一组各波段亮度表示；观测时还要经过相应光斑卷积。不同颜色让互相重叠的天体多了一条区分线索。

阅读第 2.3 节，逐项记录非负、对称和单调等条件究竟施加在哪里。第 2.4、2.5 节再看噪声与光斑怎样进入测量。回到图 1，比较数据、模型与残差；一团剩余结构可能提示漏掉的成分。

用作者 Core Concepts 文档分清 component、observation 和 frame 的区别。观测掩膜里的像素可以权重为零，各波段光斑也可以不同。模型成分的颜色在其空间范围内保持一致，这一假设遇到强颜色梯度时值得特别检查。

对应阅读：Melchior et al. (2018), scarlet, arXiv:1802.10157v2 · scarlet authors, Core Concepts

## 明白论文，再核对实际管线

最后打开固定的 Rubin Science Pipelines w\_2026\_41 的 ip\_diffim 概览。该版本介绍 Alard–Lupton 匹配核及不同卷积模式，并提供去相关处理的说明。读过方法论文后，继续查看实际软件所用任务和配置，才能知道它怎样处理这两张图。

做比较时，保存模板与新图、掩膜、方差、光斑、对齐方法和版本。然后向输入注入一批已知变化源，画出回收率随亮度和邻星距离怎样变化。背景很亮与背景很暗的区域应分别检查。

对应阅读：Rubin Science Pipelines w\_2026\_41, ip\_diffim overview

## 把检查带到低表面亮度

暗淡延展结构把光分散在很多像素上。若每个像素背景都估错同一个小量，误差会随面积累积；把所有像素误差当作独立噪声再开平方，就会低估这个共同偏差。

若有 $n$ 个像素，每像素共享背景偏差 $\Delta B$，总偏差是 $n\Delta B$。独立噪声的标准差通常只随 $\sqrt n$ 增长。这个不同的尺度关系说明，增加面积也会把标定错误暴露出来。

下次阅读类似结果，依次记下：光属于哪些成分、背景从哪里估计、像素误差是否相关、残差在哪种统计量里显示，以及注入源有多少找回。这里完成的是固定文献与数据产品的阅读路线；没有运行 scarlet、ZOGY 或 Rubin 的全尺寸科学管线。

## 动手检验预测

### [把已知答案的演示当作阅读练习](https://sandboxphysics.com/zh/labs/crowded-star-photometry/)

1. 把两颗星移近，说明单色图像丢失了什么区分信息。
2. 用“背景扣得太多”预测孔径面积加倍时系统偏差怎样变化。
3. 打开保存的注入回收结果，区分指定位置回收率与巡天盲搜完备率。

[上一篇：从 TESS 的十二个像素提取亮度](https://sandboxphysics.com/zh/stories/stellar-photometry/tess-pixels/)

## 来源与计算范围

1. [Zackay, Ofek & Gal-Yam (2016), Proper image subtraction, arXiv:1601.02655v2](https://arxiv.org/html/1601.02655v2)

   阅读 III.1、III.3、III.6、IV.1 与 VIII.1–VIII.4，区分差分图与探测统计量。指南解读方法，没有声称复现巡天管线。

2. [Melchior et al. (2018), scarlet, arXiv:1802.10157v2](https://arxiv.org/abs/1802.10157v2)

   第 2 节与图 1：多波段成分、形态限制与残差，配合作者文档阅读。

3. [scarlet authors, Core Concepts](https://pmelchior.github.io/scarlet/1-concepts.html)

   作者实现中的成分、观测和点扩散函数卷积；核读日期 2026-10-28。

4. [Rubin Science Pipelines w\_2026\_41, ip\_diffim overview](https://pipelines.lsst.io/v/w_2026_41/modules/lsst.ip.diffim/overview_ipdiffim.html)

   固定版本的差分任务与 Alard–Lupton 核匹配，分清论文方法与实际管线。