Algoritmos de detección de estrellas variables en imágenes astronómicas basados en factorización no negativa de matrices

Abstract

En este trabajo se presenta una metodología para de detectar estrellas variables en estampillas de 21 x 21 píxels provenientes de imágenes astronómicas a partir de un pipeline de procesamiento de imágenes para el telescopio Dark Energy Camera (DECam). Para aquello se realizará un aprendizaje con una muestra de imágenes que están etiquetadas como estrellas y no estrellas con el objetivo de detectar nuevas estrellas variables en imágenes desconocidas. Los objetos astronómicos que se observan en las imágenes, pueden ser agrupados en las categorías de: estrellas variables, estrellas fijas, rayos cósmicos, fuentes puntuales falsas, malas restas, supernovas y objetos desconocidos. Para la labor de detectar estrellas se ocuparon 2 algoritmos basados en NMF (Nonnegative matrix factorization) y un tercer algoritmo basado en Análisis de Componentes Principales (PCA). El enfoque del primer algoritmo NMF es la rapidez, mientras que el segundo se enfoca en la dispersión de información. Para el uso de los algoritmos anteriores se generó una metodología con la que trabajarán, los cuales ocupan técnicas de optimización no lineal y descomposición de matrices; finalmente se demuestra cual es el mejor de ellos para detectar estrellas gracias a una herramienta llamada Curva ROC. Una vez escogido el mejor método se realiza un estudio de sensibilidad de parámetros para mejorar la detección de estrellas y obtener una representación más genérica a través de la descomposición de matrices. El resultado final es que utilizando uno de los algoritmos basados en NMF, se obtienen los mejores resultados de clasificación, esto se concluye del análisis de la Curva ROC.