在星系连续谱图像中,电离氢区并不是恒星本身,而是被大质量恒星电离的周围气体。它们的亮度和延展范围常与真实的恒星形成区混淆,给恒星质量估算、尘埃消光修正带来系统性误差。DeHIIRegion 的目标就是把这类区域从图像中识别出来并做扣除处理,得到更干净的恒星成分。Node.js 虽然不像 Python 那样拥有完整的天文数据处理生态,但利用 Float32Array 和高效的数组操作,同样可以完成中等规模图像的扣除任务。

从图像特征到扣除策略
HII 区域在光学波段以 H-alpha 发射线为特征,在连续谱图像中表现为局部高亮、形状弥散的结构。扣除这类区域不能简单地将亮像素删除,因为恒星本身也是亮点。更合理的做法是估计这些区域若不存在时背景和恒星应有的贡献,然后用估计值替换原像素。中值滤波是实现这一目标的有效手段:对每个像素取邻域中值作为背景估计,由于中值对亮斑不敏感,即使窗口内包含 HII 区域,中值仍能反映局部暗背景的水平。
DeHIIRegion 算法可以拆成四个步骤。第一步读取图像并转换为 Float32Array,保证后续运算的内存效率。第二步应用中值滤波得到背景图,背景图代表了扣除弥散亮区后的平滑底图。第三步计算原图与背景的残差,统计残差的均值和标准差,用均值加三倍标准差作为阈值生成掩膜,高于阈值的像素标记为 HII 候选区。第四步对掩膜区域做邻域替换,只使用周围非掩膜像素的均值或中值填充,避免切割造成的边缘突变。
参数选择直接影响扣除质量。滤波窗口一般取 HII 区域典型尺寸的 2 到 3 倍,窗口过小无法完全覆盖弥散区域,过大会把真实的恒星结构也平滑掉。阈值倍数通常在 2.5 到 3.5 之间调整,噪声较低的图像可以取 2.5,噪声较高时可以取 3.5。实际处理时可以先跑一遍流程,检查掩膜是否覆盖了明显 HII 区域且没有大面积误伤恒星,再根据结果微调。
基于 TypedArray 的图像读取与背景估计
Node.js 处理图像矩阵时推荐使用 Float32Array,它的内存布局连续,支持子数组操作,适合科学计算。如果输入数据来自 JSON 格式的二维数组,可以先展平为一维,行优先存储。下面给出读取和展平的代码示例,函数返回包含数据、宽度和高度的对象,方便后续各步骤共同使用。
function readImageFromJSON(jsonArray) {
const height = jsonArray.length;
const width = jsonArray[0].length;
const data = new Float32Array(width * height);
for (let y = 0; y < height; y++) {
const row = jsonArray[y];
for (let x = 0; x < width; x++) {
data[y * width + x] = row[x];
}
}
return { data, width, height };
}
中值滤波的实现方式是滑动窗口遍历。对每个像素,收集以它为中心、半径为 half 的邻域像素值,排序后取中间值作为该位置的背景估计。处理图像边缘时不能访问越界下标,因此代码中通过条件判断跳过窗口外的部分。窗口尺寸为奇数,half 取窗口大小除以 2 的整数部分。窗口越大,背景越平滑,但计算时间也会明显增加。
function medianFilter(data, width, height, win) {
const result = new Float32Array(data.length);
const half = Math.floor(win / 2);
const values = new Float32Array(win * win);
for (let y = 0; y < height; y++) {
for (let x = 0; x < width; x++) {
let count = 0;
for (let j = -half; j <= half; j++) {
const yy = y + j;
if (yy < 0 || yy >= height) continue;
for (let i = -half; i <= half; i++) {
const xx = x + i;
if (xx < 0 || xx >= width) continue;
values[count++] = data[yy * width + xx];
}
}
values.fill(0, count, values.length);
const sorted = values.subarray(0, count).sort(function(a, b) { return a - b; });
result[y * width + x] = sorted[count >> 1];
}
}
return result;
}
背景估计只对原图操作,不需要预知 HII 区域的位置。如果图像背景本身存在大尺度梯度,可以在中值滤波前先做一次轻度的均值平滑,或者使用更大窗口来减弱梯度影响。对于背景变化非常复杂的图像,也可以考虑分块处理,每块单独估计背景后再拼接,避免全局参数无法适应局部特征。
掩膜生成与区域替换
残差图是原图减去背景图得到的,HII 区域在残差图中表现为明显的正异常。噪声水平可以用残差的标准差来估计,但当图像中存在大量 HII 区域时,标准差会被这些异常值拉高,导致阈值偏高。更稳健的做法是使用中位数绝对偏差,但为了简化实现,这里仍采用均值和标准差,并在生成掩膜时给阈值倍数留出调整空间。
function createMask(original, background, width, height, threshold) {
const mask = new Uint8Array(width * height);
let sum = 0;
let sqSum = 0;
for (let i = 0; i < original.length; i++) {
const diff = original[i] - background[i];
sum += diff;
sqSum += diff * diff;
}
const mean = sum / original.length;
const variance = sqSum / original.length - mean * mean;
const std = Math.sqrt(Math.max(0, variance));
const cut = mean + threshold * std;
for (let i = 0; i < original.length; i++) {
const diff = original[i] - background[i];
if (diff > cut) mask[i] = 1;
}
return mask;
}
生成掩膜后还需要进行一次形态学处理,避免孤立的噪声点被误判为 HII 区域。实际应用中可以先做连通区域标记,过滤掉面积小于几个像素的连通域。但为了保持代码简洁,这里的示例直接使用原始掩膜进行填充。填充时对掩膜区域的每个像素,收集邻域内所有非掩膜像素的值,计算平均值作为替换值。如果邻域内没有非掩膜像素,则保持原值不变。
function fillMaskedRegion(image, mask, width, height, radius) {
const output = new Float32Array(image);
const half = Math.floor(radius / 2);
for (let y = 0; y < height; y++) {
for (let x = 0; x < width; x++) {
const idx = y * width + x;
if (mask[idx] !== 1) continue;
let sum = 0;
let count = 0;
for (let j = -half; j <= half; j++) {
const yy = y + j;
if (yy < 0 || yy >= height) continue;
for (let i = -half; i <= half; i++) {
const xx = x + i;
if (xx < 0 || xx >= width) continue;
const nIdx = yy * width + xx;
if (mask[nIdx] === 0) {
sum += image[nIdx];
count++;
}
}
}
if (count > 0) output[idx] = sum / count;
}
}
return output;
}
替换后的图像可能仍然残留一些亮核,尤其是 HII 区域中心位置较亮、邻域也部分被掩膜覆盖的情况。此时可以迭代执行两次流程,第二次使用更小的中值滤波窗口和更小的填充半径,逐步逼近真实背景。迭代次数不宜过多,否则会开始侵蚀真实的恒星信号。
完整流程与性能考量
将上述函数组合起来,可以形成一个完整的异步处理函数。输入源对象包含 data、width 和 height,选项包含窗口、阈值倍数和填充半径。函数依次调用背景估计、掩膜生成和区域替换,最后返回扣除后的图像、背景图和掩膜,方便后续可视化或定量检验。
async function deHIIRegion(source, options) {
const win = options.window || 15;
const threshold = options.threshold || 3.0;
const radius = options.fillRadius || 3;
const image = source.data;
const width = source.width;
const height = source.height;
const background = medianFilter(image, width, height, win);
const mask = createMask(image, background, width, height, threshold);
const cleaned = fillMaskedRegion(image, mask, width, height, radius);
return { cleaned, background, mask };
}
性能是 Node.js 处理科学图像时的主要瓶颈。以 4096 乘 4096 的图像和 15 乘 15 的窗口为例,中值滤波需要遍历约 1.6 亿次窗口收集和排序操作,在单线程下可能需要数十秒甚至更久。可行的优化方案包括使用柱状图滑动中值算法,将排序复杂度从 O(k log k) 降到 O(k),或者先对图像降采样,在低分辨率上估计背景,再上采样回原始尺寸。Node.js 的 worker_threads 也能将图像分块并行处理,充分利用多核 CPU。
与 Python 生态中的 photutils 或 SExtractor 相比,这套 Node.js 实现更轻量,适合已经使用 JavaScript 技术栈的团队快速集成。TypedArray 的 API 在浏览器中同样存在,因此这套代码经过少量修改就能迁移到前端,直接在浏览器里对用户上传的天文图像做预处理。虽然算法功能不如专业工具全面,但在需要快速验证或提供 Web 服务的场景下,这种实现方式具有明显优势。