如何将图像中的点源/恒星转换为NaN值？基于SExtractor坐标实现

核心思路 #

• 利用SExtractor输出的FWHM_IMAGE（半高全宽）确定每颗恒星的覆盖像素范围，通常取2-3倍FWHM作为有效区域（可根据实际观测数据调整）
• 对每张抖动图像，遍历每颗恒星，计算其覆盖的像素坐标范围，将范围内所有像素设为NaN
• 强制处理坐标边界，避免超出图像的行列索引范围引发错误

具体实现代码 #

假设dcals是存储9张抖动图像的数组（每张为2D数组），dse是对应每张图像的SExtractor结果列表：

import numpy as np

# 遍历所有图像及对应恒星数据
for img_idx in range(len(dcals)):
    # 复制原图像，避免修改原始数据
    processed_img = dcals[img_idx].copy()
    # 转换为浮点型，确保能存储NaN（若原图像是整数类型）
    processed_img = processed_img.astype(np.float64)
    
    star_list = dse[img_idx]
    img_h, img_w = processed_img.shape
    
    # 遍历当前图像中的每颗恒星
    for star in star_list:
        # 获取恒星坐标与FWHM（注意：若SExtractor输出为1-based坐标，需减1转0-based）
        x = star['X_IMAGE'] - 1  # 若为0-based则去掉-1
        y = star['Y_IMAGE'] - 1
        fwhm = star['FWHM_IMAGE']
        
        # 计算恒星覆盖区域的半宽，这里取2倍FWHM，可根据需求调整
        half_size = int(np.round(fwhm * 2))
        
        # 计算像素范围上下界，确保不超出图像边界
        x_start = max(0, int(np.floor(x - half_size)))
        x_end = min(img_w - 1, int(np.ceil(x + half_size)))
        y_start = max(0, int(np.floor(y - half_size)))
        y_end = min(img_h - 1, int(np.ceil(y + half_size)))
        
        # 将区域内所有像素设为NaN
        processed_img[y_start:y_end+1, x_start:x_end+1] = np.nan
    
    # 替换原数组为处理后的图像，或存入新列表
    dcals[img_idx] = processed_img

# 验证处理结果：绘制第一张图查看恒星区域
import matplotlib.pyplot as plt
plt.imshow(dcals[0], cmap='gray', vmin=0, vmax=255)
plt.scatter([s['X_IMAGE']-1 for s in dse[0]], [s['Y_IMAGE']-1 for s in dse[0]], 
            s=[(e['FWHM_IMAGE']/0.608)*2 for e in dse[0]], c='blue', marker='.')
plt.show()

关键细节说明 #

• 坐标索引转换：SExtractor默认输出1-based像素坐标，而Python数组是0-based，必须做减1处理，否则坐标会偏移一个像素
• 区域系数调整：如果发现恒星边缘未被完全覆盖，可将2调整为2.5或3；若想减少背景误覆盖，可降低系数至1.5
• 数据类型转换：整数类型数组无法存储NaN，必须先转换为float64或float32类型

内容的提问来源于stack exchange，提问作者Ryan He