企业官网建设流程全解析

深空摄影这块有个老段子：拍星云最花时间的往往不是拍，而是后期怎么对付满屏的星星。尤其目标本身是暗淡云气的时候，密密麻麻的星点会把背景压得又脏又乱，星云云气反而成了配角。StarNet就是专门解决这件事的免费软件，用神经网络把星点从图中“摘”出去，留下干净的星云背景。我在后期流程里测试了相当长时间，也从各种失败案例里踩了不少坑，这篇把完整心得写出来，从安装到出图一条线讲清楚。

StarNet 是 Nikita Misiura 开发的开源项目，2019 年前后在 AP（Astro Photography，天文摄影）圈子里传开，2023 年放出 V2 模型后，分离速度和细节保真度都上了一个台阶。适合正在做窄带合成、宽带 LRGB 后期，想把星点和星云分开处理的人参考，也适合科研预处理时批量剥离恒星前景。对比传统手工抠星点的方式，它最大的价值不是“省时间”这么简单，而是把“画面中恒星和星云云气的关系”从像素层面拆开，让后期每个环节都能针对性地工作。

1. 为什么后期流程里必须有一道“分离星点”的工序

1.1 星点不仅挡画面，还挡了云气的动态范围

拍深空的时候，一个尴尬的事实是：传感器上真正占大头信号的往往是恒星，不是星云。星点虽然看起来小，但峰值亮度极高，亮星核的强度很容易超过目标云气的几百倍。一张图里如果同时包含亮星和暗云气，做 HistogramTransformation（直方图拉伸）的时候就有大麻烦：拉伸到云气可见时，星点早就过曝成了毫无层次的死白；压到星点不刺眼时，云气又暗得无法看。

这个矛盾在我处理 M31 仙女座星系的时候体会特别深。星系中央核球和旋臂的亮度差非常大，如果单一做全图层拉伸，旋臂里的暗尘埃细节几乎全丢。当时第一次用 StarNet 把星系主体往外摘，再对星点层单独做“压缩高光+保留颜色”，最后重新合成，整个画面的信息被彻底释放了。所以分离星点不是“为了画面干净”这种审美问题，它直接关系到动态范围利用率。

1.2 传统抠星的工作量让人崩溃

在 StarNet 出现之前，分离星点基本靠土办法。最笨的办法是 PS 里用套索选中星点、羽化、填充背景色，大星点还好，几百颗小星点选到眼花；稍微讲究一点的办法是 PS 里的“最小值”滤镜做星点收缩形态学处理，再配合蒙版把星点挖掉。这些方法的通病是：遇到密集星场、双星、衍射芒刺、星点饱和溢出的场景，很容易留下暗黑边缘或灰白色残留，处理一晚上可能只弄干净一小块。

另一个思路是用动态范围压缩后再调色差，比如DBE（Dynamic Background Extraction，动态背景提取）把渐变背景校准后，用“ATrousWaveletTransform”小波分层，把包含星点的高频层单独压低。这套方法花了很多年，仍然是很多人处理星点的核心手段，但很难真正做到“把星点从图像中物理移除”，高频层里既有星点也有云气的纤维细节，一损俱损。

1.3 现在的做法：让神经网络学会“无星世界”

StarNet 的模型底层是一个针对天文图像做过大量训练的卷积网络，输入一张图，输出的是“如果这张图里没有恒星，应该长什么样”。训练时用的是海量成对图，一张是真实带星点图，一张是对应星空背景图（通常由模拟或人工方式生成），网络在这个任务上迭代。实际使用的时候，它并不理解“什么是恒星”的物理定义，而是学会在像素尺度上识别星点局部形态，同时保留云气的光滑结构。

我第一次看到输出图的感受是“这根本不是滤镜效果，而是重新画了一张物理上说得通的星空背景”。云气纹理反而比原来更清楚。这就是它的独到之处：先做减法，去掉星点后再做增强，云气细节就自然浮出来了。

2. 动手前把环境准备好，模型选型也不必纠结太久

2.1 StarNet 的运行条件与安装

StarNet 官方提供 Windows x64 和 Linux x64 的二进制文件，Mac 用户没有官方包，常见做法是在 Linux 虚拟器或 Docker 里跑，或者在 Windows 虚拟机里跑。官方版本并不需要安装 TensorFlow 之类大环境，解压后直接用，但前提是系统里有 .NET 6 运行库。很多朋友卡在这一步，症状是运行命令后提示“You must install .NET to run this application”，装上对应版本的 runtime 就好了。

如果走 PixInsight 插件路线就更省事，在 PI（PixInsight 的简称）的 Resources 里更新即可，最新版本已经内置了 StarNet 脚本。安装后出现两个入口：一个是 Script > StarNet，另一个在 Process 菜单下；两个入口逻辑基本一样，只是弹窗参数略有差异。我自己更习惯用 Process 版本，因为可以在 Process Container 里批处理多张图，速度也稳定一些。

2.2 V2 模型和 V1 模型到底选哪个

StarNet 官方主推 V2 模型，我刚上手时用的还是 V1，两者差别非常明显。

V1 模型的特点是原生支持彩色图，但网络规模小一些，对细密小星点的识别不够彻底，如果用短焦镜头拍摄密集星场比如天鹅座一带的富氢区，跑完还会留一些“碎星星”没清干净。V2 模型整体采用双分支结构，一个分支处理星点形态，一个分支处理云气结构，参数规模明显加大，对碎星点和边缘星点的识别能力好了不少。

V2 的代价有两个：一是显存和 CPU 算力要求更高，老显卡或纯 CPU 跑会明显变慢；二是有“伪影问题”，在特别亮的大星周围偶尔出现奇怪的暗环或弧线，社区里常叫“burn-in”。针对这个问题，官方在 V2 模型上增加了一个 anti-burn-in 选项，PixInsight 插件界面里也有对应复选框。我建议默认选 V2 + anti-burn-in，如果目标亮度不高且星点稀疏，再考虑关掉抗伪影来换取细节。

2.3 命令行与插件的取舍

命令行版本叫 starnet_cli，它能精确控制线程数和模型版本，也方便批处理脚本调用。我最初就是用命令行在测试，下面这条命令是最基础的用法：

./starnet_cli input.tif output.tif -t 8 -n v2

其中-t指定线程数，一般设成物理核心数上下浮动，因为同时在跑其他软件的话需要留点余量；-n选模型版本，v1或v2都支持。实际运行中 CLI 不提供预览窗口，只能看到进度条，所以更适合“全流程脚本化”的情况。

PixInsight 插件的优势是当前图像窗口里直接出结果，而且预览神器小图窗能快速判断是否要调参数。我现在的标准做法是：日常处理用插件，纯批处理或需要在其他脚本中串联时用 CLI，两条路都值得留一份。

3. 实操流程：从一张素材图到星与云彻底分离

3.1 输入图像的正确姿势：先拉伸再喂，还是直接喂？

StarNet 的官方文档里明确指出，V1 建议输入已经拉伸到接近显示效果的非线性图，如果输入纯线性图（未做任何拉伸），输出的星云背景往往会偏灰、偏暗。V2 虽然整体鲁棒性提升，但依然建议先做一个前期拉伸。我在实际测试里，把同一张线性图分别用“直接输入”和“先用 HistogramTransformation 拉伸到中等亮度再输入”对比，后者的云气纹理明显更连贯，伪影也少。

PixInsight 插件里专门提供了一个 Linear stretch 复选框，勾选后插件会在内部对线性图做一次自动拉伸，输出仍然是线性尺度还是非线性尺度要分情况。我做摄取后处理的经验是：已经做完全部非线性拉伸的图，就别再勾 Linear stretch；如果输入的是线性图，勾上 Linear stretch 效果通常比不勾好。更高阶的做法是先用 STF（ScreenTransferFunction）预览理想拉伸强度，把这组参数应用到一张轻微拉伸图层，再交给 StarNet。

3.2 跑分离的标准流程

具体到 PixInsight 里，操作流程是这样走的：

1. 选中预处理好的图像，建议 16 位或 32 位浮点 TIFF，不要用 8 位 JPG 直接跑。
2. 打开 Process > StarNet，选择模型版本 V2，勾选 anti-burn-in。
3. 如果输入是线性图，勾选 Linear stretch；如果不是，保持不勾。
4. 点三角形 Apply 到当前窗口。

几分钟后输出一张 starless 图，这是第一份核心产物。判断这次分离是否成功，就看三个地方：星点是否彻底消失，云气有没有被连带削掉，亮星附近有没有出现暗晕或亮弧伪影。如果星点仍有残留，可以尝试在跑之前先对图层做一次轻微高斯模糊？不，我的经验是应该先对星点做过一次膨胀增强，让弱星点先显露信号，再喂给 StarNet，识别率会高很多。具体可以用 PI 的 Convolution 或 MorphologicalTransformation 对图像做微量开运算。

第二份核心产物是星点层。在 PixelMath 里用一张很简单的公式实现原始图减去 starless 图：$T - starless，$T 代表当前激活通道，starless 是 StarNet 输出层。注意两张图尺寸、位深必须一致，否则 PixelMath 会报错。减法之后得到的就是“只有星点”的图像，把这层存起来，后面用于星点锐化、颜色饱和、光晕压缩。这一步是整个后期工作流里性价比最高的投资，因为星点和云气从此各自为政。

3.3 星点层处理的核心参数

不少朋友第一次分离完就直接合成出图，发现星点层发灰、颜色不够鲜艳，或者星点背景有灰边。原因很简单：星点层直接保存时，它的黑点并不为 0，而是保留了一层因原始图拉伸而抬升的背景灰度。所以对星点层必须先做一个“黑点重定义”，用 HistogramTransformation 把直方图左端推到背景峰值附近，让星点外的区域基本归零。

我的参数习惯是：打开 STF 自动预览，记录 STF 的阴影点位置，然后应用到星点层，有时再补一次“饱和度提升”，比如 SCNR 绿通道降噪后加一个 CurvesTransformation 拉高中间调。这样星点层会被推到背景纯黑、星点亮色拉满的状态，再和星云背景层叠加时，基本不会出现发灰的情况。

3.4 分离后如何重新合成

重合成这件事，最基础的做法是 PixelMath 里：starless + star_layer，直接加回，恢复到“有星的画面”。但既然已经分开了，就可以做更多事。如果星层太硬刺眼，可以先用 MLT（MultiscaleLinearTransform，多尺度线性变换）对星层的小尺度层做轻微衰减，让大星柔和下来。如果想给星点添加颜色偏移，可以在星点层上用 LRGBCombination 或 ChannelCombination 分别调整 RGB。

我的个人偏好是“分层合成”：先把 starless 图层经过丰富的云气增强处理，拉高对比度、增加局域对比，再用高光压缩把星点层压到每颗星有渐变过渡，最后用 Screen 混合模式合成。这样做出来的星点不再是一个个刺眼白点，而是带颜色的光点。如果你还没试过，可以在这上面花点时间，回报非常明显。

4. 常见问题与排查技巧实录

4.1 输出慢、显存不足、CPU 满载正常吗

StarNet 推理过程对算力要求不算低。V2 模型跑一张 4000x4000 的全图，在 RTX 3060 级别显卡上通常要一到两分钟，如果只在 CPU 上跑，可能要三分钟以上，老旧笔记本跑十到二十分钟也不稀奇。遇到这种情况，先看任务管理器确认是不是有别的进程占着 CPU；在命令行里指定合适的线程数，不要一味拉满，因为模型内部并行度不是线性增长的，线程太多反而增加调度开销。

显存不足的典型报错是 CUDA out of memory 一类的信息。优先办法是把图像切成小块？StarNet 插件处理大图超过某个尺寸时会自动分块，但仍建议事先把图缩到合理尺寸，比如保留长边在 5000 到 7000 像素范围内，超过部分先用 Resample 缩小再跑，输出后再恢复尺寸。这样既降低显存占用，也避免 V2 在超边界区域产生伪影。

4.2 亮星周围的伪影 —— burn-in 和“海鸥翅膀”

V2 模型最烦人的问题就是亮星留下的伪影。在特别亮的星点周围，跑完后会出现一圈暗环，或者一道弧形光带，像“海鸥翅膀”。这其实是网络在预测“无星”图像时，对高强度像素区域产生了过度响应，并不是原始图像里的东西。

解决办法有这么几个，按优先级排：第一，在插件里勾选 anti-burn-in 再重跑，十次有七次能压住；第二，如果伪影只集中在集中在某几颗超亮星附近，可以在跑之前用 CloneStamp 或 RangeSelection 对超亮星做轻微压暗，跑完再接回；第三，保留原始图，用蒙版把伪影区域隔离，在星点层上动手修复，不影响星云背景。

4.3 输出太暗或背景发灰

输出太暗通常是输入图动态范围接近纯线性、云气信号低。遇到这种情况，先在输入图上做一次模拟拉伸，观察 STF 下的正常显示效果，再把 STF 应用到一份副本上，然后喂给 StarNet。背景发灰则是相反问题，拉伸过头导致背景噪声也被当作“星云”输出。判定标准是：输出的 starless 图背景均匀度是否和原始图背景一致，如果整体都被拉高了很多，多半是拉伸过头。

另一个常见坑是用 JPG 直接跑。8 位 JPG 丢失了大量暗部细节，输出后云气边界粗糙、背景有可见色块，强烈建议全程使用 16 位整数或 32 位浮点 TIFF。

4.4 快速排查参考表

5. 进阶玩法：让分离后的两半真正为最终出图服务

5.1 双图层分别做增强再合成

分离后最大的优势是“各自处理”。starless 图层专注于云气增强，可以做局部对比度提升、去背景渐变、窄带映射调色，不用担心星点被误伤；星点层则专注锐化、缩星、色彩统一。我早前处理 M16 老鹰星云时，用了两套完全不同的流程分别增强两个图层，最后合出来，中央云气的层状结构和周围星点的色彩都很难得。

举个例子：starless 图层用 HDRMultiscaleTransform 把云气里的暗尘埃细节拉出来，再用 CurvesTransformation 压低中间调让云气厚实；星点层用 Convolution 做一个轻微高光压缩，再用 Curves 拉高饱和度。合成后星点是柔软的、带颜色的，云气有体积感，整体提升的质感用单层流程很难做到。

5.2 用星点层给窄带图像“点色”

窄带图像的星点颜色往往不太正，因为 Ha 发射线下星点偏红，OIII/SII 偏蓝绿，合成后容易显得颜色死板。单层调整色相容易把云气也带跑，分离后就可以只调整星点层。我的做法是先对星点层做 SCNR 去除偏绿，再用 ColorCalibration 校准到白点，最后用 CurvesTransformation 强化蓝白、橙白对比。这样星点看起来更加符合真实恒星颜色，而对云气毫无影响。

5.3 批处理与脚本化

如果手上有一批素材，比如双窄带长时间序列，StarNet 命令行模式就派上用场了。写一个简单的循环脚本，对列表中的文件依次调用 starnet_cli，输出全部保存到 starless 文件夹，十几分钟的无人值守处理。注意批处理时尽量把所有输入先统一成同一尺寸、同一拉伸状态，否则不同帧的分离效果会不稳定，因为 StarNet 对输入亮度尺度比较敏感。

我自己用 PowerShell 写过一个简单的循环调用，效果稳定。伪代码如下：

$files = Get-ChildItem .\raw -Filter *.tif foreach ($f in $files) { .\starnet_cli.exe $f.FullName .\out\$($f.BaseName)_starless.tif -t 4 -n v2 }

这样跑完，后面的对齐、叠加再也不用担心星点位移问题，因为是同一份 starless 图直接合成的。

5.4 别忘了“原图优先”原则

StarNet 再强，也只是辅助工具。分离结果如果出现无法解释的变形云气，或者某些本不该消失的云气细节被大量削减，这时候千万不要硬套这个图层，宁可回到原始图上手工处理。最好养成“分离结果只作为参考/强化层，不替代原图”的习惯。我在处理猎户座马头星云的云气细节时，StarNet 的一版输出把一部分丝状结构误当作噪声去掉了，幸好保留了原始线性数据，最后手工合成才对。

我的经验是在每一次 StarNet 跑完后，都随手把 starless 图与原始图做一次图层叠加对比，重点看云气的亮部和暗部细节是否都还健在。做到这一点，即使偶尔出现伪影，也不会造成灾难性损失。

6. 踩过的坑与偏向方向

说到整个 StarNet 流程，我最大的心得是：前期准备比后面调参重要。很多人一开始图省事，拿一张线性图直接跑，结果输出灰蒙蒙一片，就下结论说软件不行。其实只需要先把 STF 预览应用到副本上再做一点拉伸，效果立刻天壤之别。这个细节官方文档里只是一笔带过，但我个人认为它决定了 80% 的成败。

另一个心得是 V2 的 anti-burn-in 选项不要太早关闭。虽然我测试时它在极个别图中会让云气稍微变软，但绝大多数场景下对出图质量的提升很实在。

跑 StarNet 这几年，我在窄带、宽带、彩色相机、单色相机素材上都测过，还拿它处理过月球拼接的边缘、行星土星的高倍图，效果有好有差。说到底，它最适合的依然是一般深空图像，尤其是目标云气丰富、星点密集的图。只要正确拉伸、合理选模型、细致检查伪影，这工具用起来相当省心。

如果你还没尝试过把“双图层流程”引入到自己的后期管线里，下次拿一张旧图跑一次，你会明显发现星点和云气各自的空间都变大了。