企业官网建设流程全解析

1. 是时候扔掉PS，用Montage给天文图像做专业级拼接了

手里攒了一堆深空的fits文件，单张视场太小，总想拼成一张完整的马赛克大幅面，这是每个涉足天文摄影或者巡天数据处理的人迟早都会遇到的坎。早期我试过用PS或者普通图像拼接软件，先不说CCD图像那16bit的位深会不会被暴力拉伸毁掉，就单说拼接之后背景亮度一块亮一块暗、接缝处像补丁一样的色块，就足够让人血压升高了。

后来转用天文圈专用的Montage图像处理工具，才算真正把图像拼接与背景噪声校正这两件事同时干漂亮了。Montage不是给单张深空照片做美化用的，它解决的是更硬核的问题：把一组有重叠区域的fits图像，按天体测量坐标精确对齐、重投影到一张大画布上，并且把每张图之间由于大气消光、不同曝光时刻、不同滤镜响应甚至不同望远镜设备引入的背景差异做掉，最终输出一张无缝的拼接产品。

这篇文章我打算把这套流程怎么跑通、每一步在干什么、哪些参数是坑、哪些技巧是很多文档里不会写的东西，一次性讲透。适合手里已经有几幅fits数据，想自己动手做一幅巡天拼接图，或者正在搭数据处理pipline的朋友参考。下面所有步骤我都按实际可操作性来写，命令行直接能跑通，争取让大家少走半个月的弯路。

2. 为什么偏偏是Montage：它解决的不是“拼图”，而是“光度一致性”

2.1 Montage和普通图像拼接工具的本质差异

普通图像拼接软件的核心思路是特征匹配，在重叠区域找相似纹理、角点、边缘，然后做几何对齐。这套方法对地面上拍的照片足够有效，但放到天文图像上就麻烦不断：暗弱天体密集的区域没有明显纹理特征，恒星在长时间曝光的图像上容易拖线甚至饱和，单靠特征点匹配很容易配错位置。

Montage的底层逻辑完全不同。它不靠图像内容做匹配，而是依赖每张fits头文件里的WCS（世界坐标系统）信息。每颗像素在天空中的实际位置（RA、Dec坐标）已经被定死了，拼接的过程本质上是一个坐标变换和重投影过程。这意味着即使两张图的拍摄分辨率不同、投影方式不同、旋转角不同，Montage也能把它们的像素统一重采样到目标网格里，空间上是严格一致的，不存在特征匹配带来的自由度误差。这一点在做科学级测量的时候是致命的区别，因为在天文领域，配准如果不够精确，后面的测光、源提取全都会崩。

2.2 背景校正模块在Montage中的地位

Montage整个工具链是分模块的，核心成员大致有mImgtbl、mProjExec、mBackground、mAdd等，每个工具只做一件事，然后通过脚本串起来。最初接触这个工具的人容易只把它当成一个几何拼接器，以为跑完mProjExec得到重投影图像就完事了。但真正的关键，也是决定最终成品质量的一步，就是mBackground这个背景匹配模块。

天文原始图像的背景是由天光亮度、暗电流、残余散射光等多种叠加构成的，不同帧之间会因为观测时间、天光变化、望远镜姿态差异而有整体亮度偏差。更麻烦的是，这种偏差往往不是均匀的整体加一个常数，而是具有空间梯度分布的。mBackground做的就是两件事：先精确计算相邻图之间重叠区域的背景差异，然后拟合一个多项式背景模型，把所有图像的背景统一到同一个光学校正基准上。这张背景校正不做好，拼出来的图就是一块块拼接色斑，再强大的后期软件也没法救回来。

2.3 用Montage做科学级拼接的核心工作流

Montage的经典工作流可以概括为：图像列表生成、重投影、背景校正、拼接叠加。具体流程是先用mImgtbl扫描一个目录里所有fits，生成记录文件，再用mProjExec按目标投影参数把每张图重投影到统一坐标系，接着用mBackground基于重叠区域做背景匹配，最后用mAdd把校正后的图合成大画布。下面几章我按照实际操作顺序，逐步展开每一步的做法和背后的逻辑。

3. 开工前的硬核准备：fits头信息检查、输出投影规划与误差预算

3.1 检查fits头里的关键信息，少一个都跑不动

很多人的Montage之旅死在起步阶段，不是命令写错了，而是输入的fits头缺东西。如果不够了解自己数据的头文件内容，不如先跑一条命令把关键信息打印出来看看：

mHdr frame1.fits frame1.hdr

这一步是让Montage解析fits头并生成一个标准头文件。正常输出的hdr文件里应该包含NAXIS1、NAXIS2（像素尺寸）、CRVAL1、CRVAL2（参考点的天空坐标）、CRPIX1、CRPIX2（参考像素坐标）、CD矩阵或者CTYPE等内容。如果这里面哪一项缺失了，Montage的各种模块都会在后续工作中直接报错，最常见的错误是“No WCS information found”。

这里有个容易被忽略的细节：Montage对每张图的CTYPE要求比较挑剔，它要求图像具有合适的WCS投影类型，常规巡天数据多为TAN投影。如果你是拿一些老设备或者格式不正规软件导出的图，投影类型写得乱七八糟，建议先用工具统一标准化头文件。还要特别注意RA和Dec单位是度而不是时分秒，CD矩阵的单位也要一致，否则坐标换算会差很离谱。我处理过低质量的头文件，因为CRVAL和CRPIX混入了注释字符，解析直接失败，排查了半天才发现是导出软件写了带度分秒符号的坐标字符串。

3.2 规划拼接投影方式和目标分辨率

拼接之前要想清楚最终图像用什么投影。全天空巡天通常会用TAN或者SIN投影，如果你的目标区域很大跨越了很多度，还要考虑是否用MOL、AIT等全球投影。Montage官方文档推荐先运行mProjExec去查看现有各图的覆盖范围，再根据覆盖范围设置目标图像的投影参数。

作为参考，我自己拼接本地面巡天数据时，一般先把所有图用mImgtbl合并表格，再用mMakeHdr来生成模板头文件。mMakeHdr会自动读取每张图的覆盖范围，算出目标画布的中心坐标和合理尺寸：

mImgtbl images_dir images.tbl mMakeHdr images.tbl template.hdr

生成的template.hdr里包含目标图像的像素尺度、画布大小等信息。如果觉得它自动决定的像素尺度不合适，可以手动调整模板里的CDELT1和CDELT2。这里建议不要低于原始数据采样率，重采样总会有信息损失，如果是为测光服务，宁可像素尺度不变或者略有增加，也不要为了图像显得大而强行超采样。

3.3 处理畸变图像：不要跳过mTran这一层

天文图像常有光学畸变，尤其在视场边缘。如果只做刚性的WCS重投影，畸变区域的星星会呈弧形弯曲，后续叠加源的位置也会系统性偏移。Montage提供了一个工具mTran专门应对这种情况，它读取记录表中的FITS头信息，将其转化为一个无畸变的“理想”图像，在重投影前先把畸变去掉。

这一步很多人初次使用时会觉得没必要，因为小视场的图像畸变肉眼几乎看不出来。但我建议，只要你是从折射望远镜、老式反射镜拍的广域图，或者来源相机没有做过极好的平场矫正，最好不要省略。我处理一套135mm镜头的广域拼接数据，单个视场四角星点变形本不大，但拼到第30张图时，边缘星点相对中心的位置偏差已经积累到几乎4角秒，跑完mTran再做后续流程，源对齐残差立刻降了一个数量级。畸变修正的顺序必须在重投影之前，修正完再进入坐标投影链路。

准备阶段最后做一次文件路径检查，图像文件所在的目录不要有中文和空格，fits头别带奇怪的坐标单位备注。这些琐碎问题看着不起眼，会导致脚本断在一半，排查成本远高于从一开始就规范起来。

4. 核心步骤拆解：从mImgtbl到mAdd的完整流水线实操

4.1 mImgtbl：建立图像清单和重叠关系表

所有Montage处理都基于一个记录表（.tbl文件），它记录每张fits图的文件名、尺寸、WCS参数、角点坐标，以及图像之间的空间邻接关系。mImgtbl的任务就是扫描图像目录并生成这张表：

mImgtbl images_dir images.tbl

生成的表格打开可以看到一行行文本记录，每行对应一张图。Montage后续工具在计算重叠时，都是通过读取这张表里面的角点坐标进行几何判断，而不是真的去打开像素数据，所以速度很快。如果发现生成表格后，某些图像没有被正确识别，可以把对应fits的hdr单独打出来对一下WCS。

表格准备好后，还会派生出一个区域覆盖率信息，可以用mtile或mCoverageCheck查看图像覆盖是否连续。如这几张图之间存在无重叠的空洞区域，mBackground后面会报错，因为背景匹配依赖相邻图之间的重叠像素。

4.2 mProjExec：把每张图重投影到目标网格上

有了包含所有文件WCS信息的表格，又有了目标模板头部template.hdr，接下来的工作就是批量重投影。mProjExec的作用是按template.hdr的投影参数，把所有输入图重采样为统一坐标网格的图像：

mProjExec images.tbl template.hdr proj_dir stats.tbl

输出目录proj_dir里的文件命名和原文件基本一致，但内容已是投影到同一坐标系下的重采样结果，一般文件名后缀是_area.fits。如果你拿FITSView打开这些文件，会看到它们形状相同、坐标系吻合，而且每幅图的有效区域形状各不相同，这与天空中的实际覆盖区域对应。图像之间重叠区域的背景亮度差距此时还是可见的，这里的重投影只是几何层面的一致，没有做光度一致性处理。

mProjExec运行期间会打印很多进度消息，最后输出的stats.tbl里记录了每张图重投影的时间、输出文件大小、覆盖像素数等信息。如果发现某些图输出的信息是“0 pixels”，大概率是模板头参数设得有问题，或者图像本身WCS与目标区域完全不重叠，此时优先去检查WCS和template覆盖范围。

4.3 mBackground：全局背景匹配和单图背景估计

背景校正是关键中的关键。mBackground的任务是找出每张图相对整体基准的背景偏差，拟合出一个背景模型，最后用另一个工具mBgModel计算全局解，再用mBackground把校正量应用回投影图。

基本用法分两步。先计算各图的背景差值：

mBackground proj_dir images.tbl bg.tbl

这一步并不会马上修改任何图像，而是生成一张背景拟合表bg.tbl，里面记录了每张图全局背景的一个常量项、水平梯度系数和垂直梯度系数。它通过分析相邻图之间重叠区域的中值差异，把差异归因于每张图各自的背景偏差，利用最小二乘解出一组每张图相对全局系统的背景参数。

然后运行：

mBgModel images.tbl bg.tbl corrections.tbl

这里mBgModel求解的是整个图像集合的全局最优背景模型，它不是一个简单平均，而是通过迭代使所有重叠区域匹配误差最小化。求解得到corrections.tbl后，把它作为参数重新输入mBackground，把校正量以fits文件形式写出来：

mBackground proj_dir images.tbl bg.tbl corrections.tbl

上述命令执行完成后，proj_dir里的投影图会附加上与背景校正相关的扩展信息文件，例如每张图对应的背景模型fits。这样等到mAdd合并时，系统会自动把这些背景模型减掉再进行加权叠加。如果你的原始fits头中有平均曝光时间或灵敏度信息，mBackground也会把这些信息纳入拟合，进一步提高全局光度一致性；这套机制在天文数据处理中叫web-mounted背景模型，实测对宽场马赛克尤其有效。

4.4 mAdd：加权叠加并合成最终拼接图

背景校正完成后，汇总所有投影图和对应的权重图。mAdd的输入参数很有讲究，它读取images.tbl中每张图对应的背景校正后的投影图和权重图，以它们为输入执行最终叠加：

mAdd -p proj_dir images.tbl template.hdr mosaic.fits

这里需要注意，Montage对每张图对应的权重图命名是有约定的，一般img目录下会生成一个与投影图对应的权重文件，扩展名可能是_wt.fits。权重通常基于原始图像噪声模型或者曝光时间生成。mAdd会自动读取这些权重，在叠加时对不同区域加权平均。

在无重叠的位置，输出像素就是单张图像的值直接复制；在重叠区域，则是多张图像按权重组合。因为背景校正已经把各帧背景统一，所以重叠区域不会出现跳变，这是Montage优于任何普通拼接工具的核心原因。

叠加完成之后别急着收工，建议先跑一个检查命令，比如用mView或FITSView打开mosaic.fits，看一下整体背景是否平滑、有没有明显的矩形区块痕迹、有没有单张图上的坏点被叠加出来。这一步实际上是质量控制，很多人跳过这步直接发布一幅有明显人工痕迹的拼接图，真的很可惜。

5. 背景噪声校正的数学逻辑与参数选择：什么时候该信任mBackground的默认值

5.1 背景模型的数学本质：厚度模型还是多项式平面模型

mBackground默认用每张图的重叠区来估计一个二维修正平面，模型公式大体是这样的：

$$B_i(x,y) = c_i + a_i \cdot (x - x_{c,i}) + b_i \cdot (y - y_{c,i})$$

这里的x和y是像素坐标，下标i代表第i张图。c_i是背景常量项，a_i和b_i是水平和垂直方向的梯度系数。之所以选择线性梯度模型而不是更复杂的曲面，是因为天光背景在小尺度范围内变化通常可以用平面近似；如果你用高次多项式反而容易把真实的天体结构，尤其弥散的星云发射特征，当作背景给拟合掉，导致拼接结果出现人为的暗斑和空洞。

mBackground在生成bg.tbl时，会默认分析重叠区的中值、均值以及分布形态。对于大多数地面巡天数据，默认拟合是可靠的。但如果数据里包含了不同滤镜的窄带图像，背景的水平梯度差异会很大，默认的平面模型可能不够，需要自己定义拟合区域参数，例如使用两级重叠判定（两级匹配模式）来避免遮盖区域带来的错误估计。这种参数命令在官方文档里叫“Level”相关的一些子选项，具体名字照着安装目录下的README查一下就能找到。

5.2 多波段拼接的坑：不同响应的统一与重新定标

这里要单独提醒：如果你正在拼的不是单波段灰度数据，而是彩色合成前的多波段数据，比如R、G、B或者Ha、SII、OIII窄带数据，千万不要把这些波段混合在同一个images.tbl里直接跑mBackground。正确做法是各个波段分别单独建立清单、单独重投影、单独做背景校正，得到叠加结果后再到后期合成阶段做颜色映射。混合在一起跑的结果会让窄带发射星云的信号被背景拟合当成异常值抹掉，拼出来的Ha数据像被熨过一样平，细节全无。

有一种情况可以让mBackground跨波段参与，就是你有多个波段的重复曝光且知道各自的零点和曝光时间，福种相机的响应系数可以写进头文件。即便如此，我也不会图方便把不同滤镜数据丢进一个目录里跑，风险远大于省下的那点时间。

5.3 mShrink功能与超大图像拼接的内存管理

Montage还有个相对冷门但实用的工具mShrink，它能在不损失精度的情况下对图像进行压缩重采样，用于处理单张图像尺寸过大的场景。你在做图像金字塔或者从大视场数据中抽取小区域时，会用到它。它基于FFT算法实现图像缩放，对天文图像而言能比较好地保留高频细节。我处理过单张1.2GB的巡天CCD图像，直接跑mProjExec时内存吃紧甚至OOM，用mShrink先降采样到合适的尺寸再进入拼接流程，稳定性立刻提升。

还要提醒一个细节：mAdd的输出类型和压缩方式默认适合大多数场景，但如果你打算对结果做源提取或者PSF测光，建议输出时用32位浮点格式，避免整型化损失背景小数位的精度。天文背景噪声的量级有时候只有几个ADU的百分之几，整型输出会把微弱信号直接量化掉，后面做测光根本就无从谈起。

6. 日常最容易遇到的5个坑和我最终的排查链路

6.1 第一步：检查输入路径和文件权限

不管是跑mImgtbl还是mBgModel，先确认路径下所有文件都能被正常读取和写入。尤其项目目录挂在移动硬盘或者网络磁盘上时，很容易出现隐形权限问题，导致某个中间文件写入失败后工具毫无提示地跳过。

遇到不明错误时，我习惯先把输入目录拷到本机工作目录，完全在本地跑，这一步能排除至少40%的奇葩问题。同时注意不要在路径里使用中文、特殊符号以及文件名中的“-”、“.”过多的情况，这些字符在处理重投影文件命名时会产生不可预期的解释错误。

6.2 第二步：判定头文件坐标系统是否自洽

如果mProjExec输出大量0像素面积图像，首先要做的是核对目标模板头里的投影参数是否覆盖了这批图像。可以临时写个小脚本把所有输入图的CRVAL1/CRVAL2提取出来，对比模板头里的中心坐标和范围，再检查CDELT和NAXIS的乘积是否能覆盖目标范围。

另一种常见错误是输入图像中混入了不同坐标系的数据，比如部分图像是FK4、部分是FK5，虽然视觉上差别很小，但拼接累积误差达到角秒级。建议所有输入统一使用ICRS或者J2000坐标系，处理前把头文件中的RADESYS参数检查一遍。

6.3 第三步：判断是否真的生成了背景校正图像

mBackground这步最容易给新手造成误导：命令跑完没有报错，以为背景校正已经成功完成，直接跳到mAdd后拼出的图还是一块一块的。这里我需要特别说明一点：mBackground初次执行时生成的是bg.tbl，它没有直接修改图像本身；你必须经历“生成bg.tbl → mBgModel求解全局模型 → 再次运行mBackground应用模型”三个阶段，应用阶段才会在proj_dir目录下产生新的校正后图像和对应的背景模型文件。如果缺少了第二次mBackground执行，叠加时就会使用未校正的投影图，出现明显的区块效应。

6.4 第四步：逐层检查重叠区域残差而不是直接看全图

拼接完成后的检查，不要光看整体图像亮度是否均匀，而是直接在重叠区域中间位置做横向剖面，看灰度分布是否存在台阶跳变。我通常用SAOImage DS9或者Python里的astropy+matplotlib工具，在同一行像素上画出亮度曲线，重叠区如果平滑连续，说明背景匹配成功；如果有明显的阶跃跳变，先回查对应几张图的bg.tbl参数是否异常。

还有个小技巧：对输出的mosaic.fits做一个轻量级的高通滤波，比如将原图减去一个平滑版本，得到的高频残差图可以非常直观地揭示那些肉眼不易察觉的拼接接缝和背景起伏。这一步在普通亮度调整里根本看不出来，但对测量级别的数据是必需的。

6.5 第五步：检查最终图像的背景直方图

最后看全图的背景直方图是否近似对称单峰高斯分布。如果直方图出现多个峰，大概率背景校正还有残余块状效应；如果直方图非常狭窄而两翼出现反常长尾，可能是坏帧或饱和星点没有掩模，在叠加时污染了周边像素。对于饱和区域，Montage默认使用权重图后会自动降低其贡献，因此权重图的生成质量也会直接影响直方图形态。

上述排查链路是固定的，按顺序执行真的能省下大量调试时间。不少人在网上问为什么Montage拼出的图不如预期，我一问大多数是漏在“没有执行mBgModel之后的应用步骤”，这个坑几乎占了报错案例的一半以上。

7. 进阶操作：mShrink、Tegula思想与批量自动化处理

7.1 用mShrink处理海量高分辨率单张

如果要拼接的数据动辄上百GB，建议在重投影之前先对原始图做一次mShrink降采样，不仅可以大幅减少中间文件和叠加时间，而且能通过平均降低单个像素的噪声。

mShrink input.fits output.fits 0.5

上面命令中的0.5表示在x和y方向各自缩放一半，最终像素数是原来的四分之一，适合用于整体性快速预览或者噪声不敏感的大视场拼图。如果数据本身就是科学测量级的，理论上降采样要慎重，但如果你拼接的目标区域非常大且单张看不太重要，这个操作会大大降低内存压力。

7.2 借鉴Tegula思想做并行化任务划分

Montage官方文档里有一个叫作Tegula的概念，它是把大区域的拼接任务划分成许多个小的瓦片（tile）并行处理，最后再通过一组拼接命令合并。这与地图切片的思想相似，处理超大巡天区域时，如果一次性交给mProjExec跑上百张图，中间进度难以监控，出错后也难定位；划分成瓦片后每个瓦片相对独立，并行度高，错误也容易隔离。

实际操作中，我通常用一个Python脚本为每个瓦片生成对应的子目录和images子表，然后在多核服务器上用GNU parallel批量执行mProjExec和mBackground，最后把所有瓦片的输出再合并。这个过程本身不复杂，但能把整个处理周期缩短好几倍，尤其是当你处理的图像数量达到百张以上时，收益非常明显。

7.3 脚本化完整的Montage流水线：从零到成品一键处理

手动执行每一步的流程都懂了之后，要尽快把整个过程脚本化。我常用的线路是先用bash脚本定义变量，包括工作目录、输入图像目录、模板输出目录等；然后依次执行mImgtbl、mProjExec、mBackground、mBgModel、再次mBackground、mAdd，每个阶段加上结束判断语句，确保上一步成功后才进入下一步。这样出错时能直接定位在哪个模块，不用一步步回放日志。

每个阶段结束建议生成一个简单的统计文本，记录处理时间、图像数量、输出文件大小。当数据量增大后，这些统计信息对判断管道是否异常很有用。比如背景校正之后所有gradient系数的中位数突然比正常情况高出一个量级，那很有可能是混入了异常帧；这种数据驱动的检查比肉眼检查可靠得多。

8. 从拼接结果到测量数据：输出验证和科学可用性评估

8.1 用两张图的交叠区交叉验证坐标配准和背景残差

拼接完成后，验证坐标配准质量的办法是从两张不同的原始图中各取一块重叠区域，分别做星点检测，比较同一颗恒星的像素坐标差异。如果重投影和背景校正做得好，同一颗恒星在两张图中的坐标差异应该小于1个像素，且亮度差接近零均值、没有系统梯度。

这条验证一定要做，因为即便Montage不靠特征匹配，重投影使用的WCS本身也可能有微小误差，比如原图头文件里的CD矩阵精度不高，或者畸变校正不彻底，导致局部区域的配准偏移。这类误差靠肉眼极难发现，却会直接影响后续测量。

8.2 背景校正质量对测光零点和PSF形状的影响

背景噪声校正做得是否理想，会直接反映在后续测光结果上。如果背景校正过量或者模型选得过于复杂，会在源周围引入负值的光圈，造成测光通量偏小；如果校正不足，重叠区背景偏高，等效于降低源信噪比。因此背景校正结束之后，对同样的重叠区再做一次源测光，对比同一颗星在单张图像和最终拼接图里的亮度，评估由拼接引入的通量残差是否在可接受范围内。

同时看PSF形状。拼接图里的星点PSF应该是接近对称的高斯形状，背景模型拟合不当会导致PSF沿某个方向有微小的裙边结构，看起来像椭圆尾巴，这在后续做PSF测光和形态分类时是灾难性的。如果你发现PSF有系统性椭圆率，大概率不是叠加问题，而是重投影时模板头里的像素尺度设太小导致重采样插值变钝，或者是畸变校正环节梯度过大。

8.3 发布数据时应该在文档里写明的元信息

项目中拼接出的所有图像，建议在fits头里写入处理历史，包括每个模块的版本号、运行参数、背景校正使用的模型类型和系数。这些信息对日后复现自己的结果或者让其他人复用数据时极其重要。很多资深天文数据处理者都吃过没有记录参数、返工重跑的亏，这个习惯值得从第一次拼接就开始养成。

9. 切身经验：默认参数以外的几个调整技巧与心得

最后分享几条我实际跑了无数遍数据之后攒下来的心得，这些在官方README里经常只是一句话带过，但在实际项目里真的能救命。

第一，mBackground默认采用包络估计和最小二乘法，碰到天光变化剧烈的时段数据时，请检查生成的bg.tbl里是否有异常大的图像系数，比如某个水平梯度系数比大部分图高出3个数量级。这种图很可能是薄云或者月亮在地平线附近的时段拍的，本身就不可用；趁早在处理前掩模或者剔除，比硬着头皮拼接后手动修图好得多。

第二，mProjExec的重投影过程非常吃磁盘写IO，投影目录最好放在SSD上，尤其是图像数量多的时候，机械硬盘会出现明显的瓶颈。一个小的优化是并行执行proj时控制并发数，避免IO通道过挤导致速度不升反降。

第三，如果你处理的是长条状巡天带，并且目标投影区几乎不旋转，可以考虑把模板头里的CTYPE和投影中心设置成与输入图像接近的值，这样重投影时插值损失小，输出图像也更锐利。当然这要在保证输出产品需求的前提下进行。

第四，对初学者来说，先拿三五张覆盖区域较小的数据完整跑通整个Montage流程，再扩展到大批量数据，会是最省时间的路径。全流程一次跑通的经验比一次性跑一百张图更有价值，因为在少数图像上你能认认真真对比中间文件的变化，建立起每步操作的直觉，而上了大批量数据之后往往只能看日志最后有没有成功。

Montage确实是一个有点年龄感的工具，界面简陋、文档零散，但它背后那套基于WCS坐标驱动和多项式背景匹配的拼接思想，至今仍然是天文图像处理领域最可靠、最科学的路径之一。我把这套流程完整跑过了太多次，希望这篇整理能帮大家少走一些弯路，早点做出自己满意的拼接成品。