Методы для правильного вырезания большого файла подгонки, чтобы изолировать определенные галактики в файлы подгонки меньшего размера

Question

В настоящее время я работаю над анализом нескольких галактик в файле подгонки.Файл подгонки представляет собой трехмерный гиперспектральный куб с осями x и y, представляющими прямое восхождение и склонение, и осью az, представляющей частоту.Я также знаю точное правильное восхождение и склонение каждой галактики.Моя цель состоит в том, чтобы нарезать большой файл подгонки на более мелкие, которые изолируют каждую из галактик, чтобы я мог провести дополнительный анализ отдельных галактик.Метод грубой и грубой силы просто заключался бы в том, чтобы вручную вырезать файлы подгонки вокруг галактики, и мой в настоящее время алгоритм груб, просто вырезая квадрат определенного числа пикселей вокруг галактики, но я хочу спросить, есть ли какой-то метод астропии иликакой-то другой численный / математический метод для более эффективного выявления и обрезания галактик?

Answer 1

Посмотрите на спектральный куб и photutils Пакеты Python.

спектральный куб имеет методы для вырезания вложенных кубов (см., Например, здесь ), а у photutils есть методы для обнаружения источников (см. здесь ) и другие, например, для измерения и анализа ваших источников.Для photutils, некоторые из методов будут работать только для 2D, и вам нужно будет сделать некоторые выражения Numpy для работы с вашими 3D данными.

В общем, все астрономические пакеты Python (Astropy, spectral-cube, photutils)) будет работать с пиксельными данными в массивах Numpy (например, читать с astropy.io.fits) и координатами неба с использованием объектов astropy.wcs.WCS и astropy.coordinates.SkyCoord, поэтому вам придется немного их изучить.Хорошее место для начала - учебники по Astropy .

Вы попросили эффективный способ сделать вырезы.Это достигается с помощью функции массива Numpy для «разрезания» массива данных больших трехмерных пикселей и создания «вида» этого выреза без создания копии.Если вы новичок в Numpy, хорошей отправной точкой для изучения является страница «Основы массивов Numpy» в Справочнике по науке о данных Python .