微信扫码即刻访问“巡星客”——国内领先的天文社区
Batch Preprocessing脚本能够一次性处理完所有预处理步骤，PI也提供了分步处理的模块来完成主要的任务。
包括以下进程：
Image Calibration（图像校准）
Star Alignment（星点对齐）,
以及Image Integration（图像整合）。
如果没有使用Batch Preprocessing脚本，上面排列的顺序就是很合适的步骤。
由于我们利用了脚本的便利，让我们从Image Integration开始讲起。
前面说过，为了取得最好结果，脚本建议我们只是使用它校准好的文件，最后叠加那步还是要自己调用Image Integration进程。让我们就遵循这个建议操作一遍。
首先，在使用前我重置了所有的参数为默认值
通过Add Files加载文件。
我们使用本章第四节用过的彩色图像。忽视我们之前生成的RGB主文件，我们从之前的输出文件Registered目录下，调出已经校准、反拜耳，并且对齐过的单张来叠加。
默认情况下，第一张图像是基准图像
但是如果有需要，你也可以自己另外设置基准图像。基准图像的统计特性将是随后计算归一化参数的基础，
也是随后计算其它要参与叠加的单张的相对权重的基础。
选择一个信噪比高的单张，并且图像没有明显缺陷的（比如说卫星什么的）。如果是叠加黑白图像，对不同的滤镜通道分别叠加，L通道叠一次，R通道叠一次，等等。
当各个通道的主文件都叠加好之后，我们下一步就能进入通道合并进程，这个我们后面再说。
花点时间，把鼠标放在这些参数上读一下他们的说明。Image Integration进程有很多这样有用的指南。
我们建议Average（平均）作为Combination类型以取得最好的信噪比。
我们推荐Additive作为亮场 Normalization（归一化）的方法。
在下一节中讲如何叠加校准文件的时候会再详细讲这些从参数。
用Noise evaluation作为权重(Weights),
并确认Evaluate noise勾选上。
其它参数使用默认值就好，但是也一定要读一下他们的含义。
我们再次推荐使用Winsorized Sigma Clipping作为排异算法
如果叠加的图像少，则选择Averaged Sigma Clipping。（图像文字：大于20张可以选Linear Fit Clipping).
归一（Normalization）算法选择Scale + zero offset
我们建议这些默认的选项都选上，除非你不想看生成的被排除的像素的图像。
最后是Sigma low 和 Sigma high滚动条，只有在Sigma方式的排异算法下才有效。这个数值越低，对异常值的排除就越严格。这个值越高，对异常值的排除就越宽松，在能够去除异物的前提下，能保存更多的信号。【译者注：为了更好的信噪比，这个数值，得慢慢优化，在能够去除卫星轨迹，高能辐射的前提下，这个值越高越好】
从默认的4 和 2 开始试验。
准备好之后，点击Apply Global（全局运用），进程开始执行。
如果异常值，比如说高能辐射或者人造卫星轨道还没有去除，一点一点地调低Sigma值再运行进程，直到他们刚好消失。和所有的东西一样，必须做出妥协和折中，排除更多的像素意味着丢失了更多的信号。
当试验过不同的设置后，你也许想关闭之前的图像，以清理工作空间。
记住，你可以创建这个设置的新实例(New Instances)，以方便以后使用。
有空看看Jordi Gallego的一个很精彩的幻灯片专门讨论怎么样充分榨干这个进程的潜力。
他利用 Process Console （进程控制台)和 Rejection Maps 的信息，达到了最高的信噪比，同时去除了图像里的异物。
下一课，讲校准文件的叠加。