Python como herramienta para el análisis de las imágenes astronómicas del Telescopio Reflector

Este código toma la ruta de un archivo FITSs como argumento desde google drive, abre el archivo utilizando ’fits.open(path)’, lo que devuelve un objeto HDUList que contiene los datos de la imagen y el encabezado asociado. Extrae los datos de la imagen y el encabezado del primer HDU (unidad de datos principal) usando ‘hdul[0].data’ y hdul[0].header’ respectivamente. Utiliza ZScaleInterval de la biblioteca astropy.visualization para calcular los lı́mites mı́nimos y máximos de la escala de la imagen. Esto asegura que la visualización tenga un buen contraste y no pierda detalles importantes. Se normaliza los datos utilizando ’LogNorm’ para una escala logarı́tmica de los valores de intensidad. Muestra una barra de color con la intensidad en escala logarı́tmica utilizando ’plt.colorbar()’.

Para la visualización de la imagen de la Figura 2, se aplica una escala logarı́tmica para mejorar la variación de intensidad de la luz en la imagen, en la barra de intensidad que esta a la derecha podemos observar la variación de intensidad, donde los valores más bajos representan niveles de intensidad más oscuros y los valores más altos representan niveles de intensidad más brillantes.

Como se explicó anteriormente, estas imágenes astronómicas al estar en formato FITS tienen una cabecera que aporta información importante para los astrónomos, de manera que se desarrolló un código en Pyhton en donde se puede visualizar la cabecera de cada imagen astronómica, además, los astrónomos no solo desean visualizarlo, sino también necesitan tener acceso a ellos, para modificarlos, usarlos o incorporar nuevas variables en la cabecera.

Si se desea extraer alguna información en especı́fico de la cabecera, como por ejemplo: telescopio empleado, fecha de observación, hora local de la observación, tiempo de exposición, tamaño del detector CCD, tamaño de las imágenes, equinoccio, filtro, RA (ascensión recta) y DEC (declinación) del centro de la imagen, etc., luego de conocer como están escritas en la cabecera, la podemos imprimir por pantalla, asignarle un nombre para que el investigador pueda emplearlas en diversos cálculos durante su investigación. Las informaciones de la cabecera de una imagen son de gran importancia para los astrónomos, ya que gracias a ella, podrán referenciar sus observaciones con los catálogos estelares, de manera que el código para imprimir los valores de ciertos parámetros en la cabecera se puede observar en la Tabla 2.

Al ejecutar el código de la Tabla 2 obtenemos los siguientes resultados: Telescopio empleado: Reflector 1m f20.9, fecha de observación: 2024-01-21, tiempo de exposición: 120,06 segundos, tamaño del detector CCD: 1:2048,1:2048, tamaño de las imágenes: 16 números de bits por pı́xel, equinoccio: 2000,0, filtro: 3- Bessell R, RA del centro de la imagen: 08 34 53,546, DEC del centro de la imagen: +15 04 33,784 y hora local de la observación: 01:06:25,127.

Estos son algunos de los datos más elementales almacenados en la cabecera de las imágenes astronómicas, aunque pueden variar de acuerdo al investigador y al estudio a realizar. Por ejemplo, la fecha de observación ’2024-01-21’ indica que la observación se realizó el 21 de enero de 2024, la hora local de la observación, indica que la imagen fue tomada a 1 hora 6 minutos 25,127 segundos, el tipo de filtro empleado fue R, y están las coordenadas Ra y Dec del centro de la imagen.

El Tiempo Universal Coordinado (TUC) es el tiempo difundido por las señales horarias con una precisión de ±0,00002 s y es tomado como base para definir la hora oficial de cada paı́s o zona. El Tiempo universal coordinado nos da un tiempo medio común, pero referido al meridiano de Greenwich. Un sistema de estándares para todo el globo terrestre y está basado en las zonas o husos horarios, basados en incrementos de 15°(1 hora) de longitud, aunque, en la práctica, son los gobiernos de los distintos paı́ses quienes decretan el llamado tiempo de zona (TZ, ZT), tomando generalmente como base un número entero de horas que represente la longitud media λm de una zona o paı́s determinado, de modo que TZ = TUC + λ_m (Abad et al., 2002).

El TUC es fundamental para la astrometrı́a de asteroides y cometas, puesto que es necesario para reportar las posiciones (Ra y Dec) de los cuerpos en el tiempo exacto, en el que fueron capturado por el CCD del telescopio. Estos reportes se envı́an al Minor Planer Center (MPC) y con ello se contribuye con la observación de las órbitas de los cuerpos menores (Minor Planet Center Staff, 2024). De manera que para nuestra investigación es fundamental calcular el TUC de cada imagen astronómica observada en el OAN e incorporarla en su respectiva cabecera.

De acuerdo a la ubicación geográfica del OAN, el TUC de cada imagen astronómica debe ser calculada de la siguiente manera: TUC = LTOBS + 4 + (EXPTIME)/2 de manera que, el TUC de cada imagen astronómica tomada del Reflector del OAN, se calculará como la suma del tiempo local de observación (registrado en la cabecera de cada imagen como LTOBS), más 4 horas (por la ubicación geográfica de Venezuela de acuerdo al Meridiano de Greenwich), más la mitad del tiempo de exposición de cada imagen (registrado en las cabecera como EXPTIME), de esta manera tenemos el tiempo universal coordinado, en el cual el CCD del telescopio estaba recibiendo la luz de los cuerpos celestes de un campo determinado.

Si las condiciones atmosféricas son las idóneas en el OAN, en una noche de observación con el telescopio Reflector, y un tiempo de exposición de 120 s, se obtendrı́an aproximadamente 276 imágenes astronómicas, pero si el proyecto amerita reducir el tiempo de exposición a 30 s, se obtendrı́an 900 imágenes astronómicas por noche, siendo ya un volumen significativo de datos a trabajar, lo que nos obliga buscar alternativas para automatizar todos los procesos de corrección y de análisis, de manera que en este trabajo se propone el cálculo del TUC en cada imagen astronómica e incorporarlo a su cabecera, a través del código de la Tabla 3.

Calculado e incorporado el TUC en la cabecera de cada imagen, se procede a sus respectivas calibraciones, para retirarle a las imágenes astronómicas el ruido electrónico incorporado por el CCD, la corriente oscura del sensor y el viñeteo.

Según el articulo (AstroBasics, 2024) las imágenes de calibración son imágenes que se utilizan para corregir o eliminar los efectos no deseados introducidos por la cámara y el instrumento, durante la adquisición de imágenes cientı́ficas. Las imágenes de calibración no muestran objetos astronómicos reales, sino muestran información sobre el rendimiento y las caracterı́sticas del equipo de observación. Hay tres tipos principales de imágenes de calibración: bias, dark y flat. Cada uno de ellos corrige un aspecto especı́fico en la imagen de luz.

Es importante destacar que para aplicar efectivamente estas imágenes de calibración durante el proceso de corrección de las imágenes cientı́ficas, es necesario crear “imágenes maestras”. Las imágenes maestras son el resultado de promediar una serie de imágenes de calibración del mismo tipo, proporcionando ası́ una representación más precisa de las caracterı́sticas de las imágenes de calibración.

Para crear las imágenes maestras de calibración a través de Python, se emplea ’np.average()’ de la biblioteca ’Numphy’, para ası́ calcular el promedio de ellas (Lutz, 2009). El código que se propone para calcular el bias maestro, dark maestro y flat maestro se visualiza en la Tabla 4.

Las imágenes bias son tomadas con el tiempo de exposición más corto posible (suele estar en el rango de microsegundos) y con la tapa del objetivo en el telescopio puesta. Se utilizan para medir el ruido electrónico que genera el sensor al leer los valores de cada pı́xel. Este ruido es constante y estará presente en todas las demás imágenes de calibración y en las observaciones astronómicas, puesto que es el ruido electrónico producido por el CCD (AstroBasics, 2024). El bias maestro que calculamos con el código de la Tabla 4, es el resultado de promediar diez imágenes bias y se puede observar en la Figura 3 (izquierda).

Las imágenes darks son tomada con el obturador de la cámara cerrado, y con la misma configuración de la cámara para la adquisición de las imágenes astronómicas. Se utilizan para medir el ruido térmico que produce el sensor al calentarse durante una exposición larga. Al restar la imagen dark de las imágenes astronómicas, se elimina la señal causada por la corriente oscura del sensor, reduciendo el ruido del fondo y mejorando la calidad de la imagen final (AstroBasics, 2024). El dark maestro que calculamos en el código de la tabla 3, es el resultado de promediar diez imágenes darks a 120 s, de exposición y se puede observar en la Figura 4 (derecha).

Las imágenes flats son observaciones capturadas en frente de una pantalla blanca iluminada uniformemente, o éstas pueden hacerse de cielo, posicionando el telescopio a una zona del cielo nublada uniformemente. Éstas imágenes corrigen la iluminación no uniforme y el viñeteo existente causado por el instrumento. Las imágenes flats ayudan a identificar y a corregir las diferencias de sensibilidad de los pı́xeles, producto del sensor de la cámara, garantizando que las imágenes calibradas finales tengan una iluminación uniforme en todos los pı́xeles (AstroBasics, 2024). El flat maestro se calcula a través del código que se propone en la tabla 4, y es el resultado de promediar diez imágenes flats en el filtro R y el cual se puede observar en la Figura 4.

En la Figura 4 se puede observar manchas circulares producto de la humedad y el polvo recibido en la parte óptica del instrumento; también se puede observar que la imagen es mas clara en el centro de la imagen y se oscurecen hacia los bordes, producto del viñeteo. El viñeteo es un fenómeno óptico que causa una disminución en el brillo de la imagen hacia los bordes.

Calculadas ya las imágenes maestras de calibración: bias maestro, dark maestro y flat maestro, procedemos a aplicarlas a cada una de las imágenes astronómicas. La Figura 5, representa un esquema visual de como se aplicarı́an matemáticamente las imágenes de calibración a la imagen astronómica.

El primer paso consiste en promediar las imágenes bias, darks y flats para generar las respectivas imágenes maestras. Luego, a la imagen astronómica le restamos el dark maestro, con el fin de eliminar la corriente oscura y el ruido electrónico generado por el CCD (Craig, 2023). Seguidamente, al resultado de esa resta, se le divide por la diferencia normalizada entre el flat maestro y el bias maestro, matemáticamente hablando se aplica la fórmula 1.

Ahora bien, el código que se propone en Python para corregir cada imagen astronómica del ruido electrónico, la corriente oscura y el viñeteo, entre otros efectos, se puede observar en la Tabla 5.

La imagen resultante de la aplicación del código de la Tabla 5 a la imagen astronómica ’1130 R 120s01212024020627001.fit’ puede verse en la Figura 6. Visualmente se ve mayor uniformidad en la imagen, menor ruido de fondo y mayor definición en los cı́rculos blancos, los cuales representan las estrellas, los asteroides, cometas, etc., que en comparación a la Figura 2 de la imagen sin corregir.

No es suficiente mapear una imagen astronómica para poder medir la calidad de la observación, o determinar las caracterı́sticas de los cuerpos celestes que allı́ intervienen, de manera que, nosotros como investigadores, estudiantes y asistentes cientı́ficos, nos vemos en la necesidad natural de buscar o desarrollar herramientas que nos permitan mejor cuantificar las observaciones y los resultados, de allı́ surge la necesidad de estudiar los pı́xeles individualmente.

El valor de un pı́xel es también conocido como intensidad luminosa o brillo en ese punto. El valor de un pı́xel en una imagen astronómica representa la cantidad de luz o radiación electromagnética que incide en ese punto especı́fico (Astronomical Society of the Pacific, 2024). Esta medida se visualiza comúnmente como una escala de grises en una imagen en blanco y negro, donde los pı́xeles más brillantes tienen valores más altos y los más oscuros, valores más bajos. La determinación precisa de este valor se logra mediante la calibración de las cuentas del pı́xel, teniendo en cuenta factores como la ganancia y otras correcciones necesarias en la imagen para representar de manera precisa la intensidad de la luz.

Las cuentas son los valores numéricos almacenados en una imagen astronómica en bruto, obtenidos directamente del detector del telescopio y son expresadas en ADU (Unidad Digital Analógica). Estos valores representan la cantidad de luz o radiación electromagnética detectada por cada pı́xel en la imagen (Neira, 2024).

Continuando con las herramientas, ahora se incorporan nuevas funciones basadas en la definición de las coordenadas x,y de los pı́xeles a los que queremos conocer sus cuentas. Se define una función llamada ’mostrar imagen(path)’ para procesar y mostrar la imagen en general y los valores del pı́xel. El código que se propone en Python para conocer las cuentas en un pı́xel dado y visualizarlo en la imagen astronómica se puede observar en la Tabla 6, y como resultado de éste código, se obtienen la Figura 7, en la cual, se pueden diferenciar los valores de los pixeles en rojo y azul.

En la Figura 7, se observa el valor de 65.535 en color rojo, el cual corresponde al número de cuentas que tiene el pı́xel (901, 936). Ese pı́xel está prácticamente en el centro de esa estrella, y ese valor en las cuentas indica que este pı́xel llegó a saturación, debido a que es una estrella bastante brillante y el CCD en ese pı́xel recibió mucha luz durante la exposición. Por otro lado, las cuentas de 2.148 (en color azul), le corresponde a la estrella débil ubicada en el pı́xel (300, 300). Se observa que la luz recibida en ese pı́xel es mayor que el fondo del cielo, pero es menos representativa que la que recibió el pı́xel (901, 936). En decir, las cuentas más altas indican una mayor recogida de luz (cuerpos celestes brillantes, valores de magnitudes bajas), mientras que los valores más bajos en las cuentas indican una menor recogida de luz en los pı́xeles de la imagen (objetos débiles, valores de magnitudes altas). Este tipo de herramienta permite estudiar y valorar cada pı́xel en la imagen, permitiéndole al investigador o al asistente hacer ajustes en los protocolos de observación, bajando o subiendo el tiempo de exposición en la observación, ya sea subiendo el tiempo de exposición para observar mejor a los objetos débiles, o bajando el tiempo de exposición para no saturar al objeto celeste brillante en estudio.

Los perfiles son representaciones gráficas de la variación de la intensidad de la luz en una imagen a lo largo de una lı́nea especı́fica, ya sea en dirección horizontal (eje x), o vertical (eje y). Estos perfiles se calculan y se aplican a las imágenes astronómicas, con el propósito de analizar, entender y visualizar la distribución de la luz de las observaciones, y ası́ extraer información sobre las caracterı́sticas, tales como, la forma, el brillo, etc., de una estrella, un asteroide, un cometa, un satélite, de estructuras astronómicas, del fondo del cielo, etc., (Astronomical Society of the Pacific, 2024). Cabe destacar que dependiendo de la orientación, un perfil de intensidad en un eje muestra la distribución general de los pı́xeles de la imagen, mientras que en el otro eje, muestra los valores de la intensidad.

Caracterı́sticas generales para la interpretación del perfil de intensidad de una imagen astronómica:

1. Localización de objetos astronómicos: Las estrellas, satélites, cometas, asteroides y otros objetos astronómicos suelen aparecer como picos agudos en el perfil de intensidad. Estos picos representan regiones donde la intensidad de la luz es significativamente mayor que su entorno, lo que indica la presencia de objetos luminosos.
2. Detección de gradientes de fondo: El perfil de intensidad puede revelar la presencia de gradientes de fondo en la imagen. Un gradiente de fondo se manifiesta como una variación gradual en la intensidad de la luz a lo largo de una fila o columna. Estos gradientes pueden deberse a la presencia de la Luna, contaminación lumı́nica, el brillo del cielo nocturno, o la presencia de nebulosas o galaxias difusas.
3. Identificación de artefactos o defectos: Los picos anómalos o las discontinuidades inusuales en el perfil de intensidad pueden ser indicativos de artefactos de imagen, como pı́xeles calientes, pı́xeles muertos, o reflejos de luz no deseados. Estos artefactos pueden distorsionar la imagen y afectar su calidad.

En el marco de este trabajo, para calcular y graficar el perfil de intensidad de una imagen astronómica a través de Python, se utilizan las bibliotecas ’numpy’ y ’matplotlib.pyplot’ (Lutz, 2009). El código propuesto se encarga de calcular el perfil de intensidad en un pı́xel especı́fico de la imagen FITS. Primero se procede a abrir la imagen fit, se accede a sus valores de intensidad, luego, conociendo el pı́xel a estudiar, se obtiene los valores de las cuentas lo largo del eje horizontal (eje x) y del eje vertical (eje y) del pı́xel indicado.

Estos perfiles se calculan tomando los valores de intensidad a lo largo de la columna y de la fila especificadas por las coordenadas del pı́xel que se desea estudiar. Finalmente, la función devuelve los perfiles de intensidad vertical y horizontal, junto con la intensidad en el pı́xel de interés. El código se presenta en la Tabla 7 aplicado al pı́xel (901,936) de la imagen Astronómica corregida. Los perfiles son mostrados en la Figura 8. En ambos perfiles se ve un importante pico de aproximadamente 65.535 cuentas, lo que es de esperarse, puesto que los perfiles son calculados en el centro de una estrella. Por otra parte, se observa a largo del eje x, y del eje y, que sobresalen otras señales mas tenues, las cuales pueden representar estrellas, asteroides, cometas u otro cuerpo celeste, pero de menor brillo. Adicionalmente, el perfil de intensidad me permite determinar que el fondo del cielo está alrededor de 1800 cuentas. Este tipo de herramientas se puede aplicar a cualquier pı́xel y a cualquier imagen astronómica o de calibración, con el objetivo de caracterizarlas, cuantificarlas y evaluar su calidad.

Las estadı́sticas de una imagen astronómica proporcionan información cuantitativa sobre las caracterı́sticas clave de la distribución de intensidades de luz en la imagen. Entre ellas se pueden nombrar (Academia Balderix, 2024):

Al interpretar las estadı́sticas de una imagen astronómica, es importante considerar cómo estas medidas se relacionan entre sı́, y cómo pueden influir en la calidad y la interpretación de la imagen en general. Por ejemplo, una alta desviación estándar junto con una mediana baja puede indicar una distribución de intensidades sesgada o una presencia significativa de ruido en la imagen. Comprender estas estadı́sticas puede ayudar a ajustar el tiempo de exposición en la observación, y mejorar ası́ la calidad de la imagen astronómica.

Para calcular las estadı́sticas de una imagen astronómica con Python, primero se lee la imagen .fits con ’fits.open()’, luego se calcula el promedio, la mediana y la desviación estándar utilizando las funciones ’np.mean()’, ’np.median()’ y ’np.std()’ de Numphy (Lutz, 2009). El código que se propone para ello, se puede visualizar en la Tabla 8.

Las estadı́sticas de la imagen astronómica indican que, el promedio de intensidad de luz en la imagen está alrededor de 2.152,48 cuentas, con una mediana de 2.157,0 y una desviación estándar de aproximadamente 433,51. Esto sugiere que la distribución de intensidades de los pı́xeles varı́a alrededor del promedio, mostrando una tendencia central alrededor de la mediana. Es decir, el 34,1 % de los pı́xeles están a ±433,51 de la mediana, el 47, % de los pı́xeles están a ±867,02 de la mediana. La desviación estándar señala que la luminosidad en la imagen está muy dispersa, indicando la presencia de ciertos objetos celestes brillantes.

Este tipo de herramientas puede ser aplicado a cualquier imagen astronómica o de calibración, lo que resulta interesante para poder analizar sus cuentas de manera cuantificables. Las estadı́sticas de las imágenes bias indican que el promedio de intensidades es de aproximadamente 1.849,68, la mediana, es de 1.851 muy cercana al promedio y la desviación estándar es de 58,43. Estos resultados nos permite concluir que la imagen bias no tiene presencia de cuerpos celestes brillantes. El ruido electrónico producido por el CCD es recibido por cada pı́xel casi de manera uniforme, permitiéndonos concluir que los pı́xeles están en buen funcionamiento y tienen una eficiencia similar. Los valores resultante del dark, nos permite concluir que la corriente oscura es uniforme en cada pı́xel de la imagen, sin embargo, en la imagen flat, observamos fuertes valores en la desviación estándar, permitiéndonos concluir que la distribución de la luz no es uniforme en cada pı́xel, esto puede ser producto del viñeteo, puesto que tenemos valores altos de luminosidad en el centro del campo, y valores bajos en los bordes.

El histograma es una herramienta que resulta de gran utilidad cuando se pretende encontrar la tendencia que presentan datos colectados durante algun tiempo, los cuales una vez tratados, se presentan en forma de gráfica, lo que facilita identificar si estos datos siguen algun patrón o se comportan conforme a alguna distribución de probabilidad (Brassard y Ritter, 1994).

En este trabajo, se busca calcular el histograma a una imagen astronómica, con ello se busca conocer la distribución de los pı́xeles de la imagen en función de la intensidad de luz recibida. El histograma se distribuye mediante tamaños de intervalos definidos llamado “Binning”, donde cada bin representa un rango de valores de intensidad de los pı́xeles, y la altura del bin indica la frecuencia con la que aparecen los valores de los pı́xeles en ese rango (Izar y González, 2004).

El eje horizontal (eje x ) equivale a la intensidad luminosa, partiendo de cero, o negro absoluto, pasando por tonos medios, hasta alcanzar el blanco (de izquierda a derecha). El eje vertical (eje y) representa el número de pı́xeles de la imagen que tiene tal luminosidad. De este modo, la superficie de cada una de las barras que forman el histograma refleja la mayor o menor frecuencia de pı́xeles de la imagen, que tiene cada valor de intensidad en la imagen que tienen cada valor de luminosidad.

Es importante acotar que, un histograma con una distribución sesgada hacia la izquierda indica que la imagen tiene muchos pı́xeles oscuros, mientras que un histograma con una distribución sesgada hacia la derecha indica que, la imagen tiene muchos pı́xeles brillantes.

De manera que, para crear histogramas a partir de una imagen astronómica usando Python, primero se carga una imagen FITS en especı́fico, por la ruta “imagen path”, luego, se abre el archivo y se aplanan los datos para obtener una sola dimensión. Seguidamente, se calcula el histograma de los datos utilizando un número de bins adecuado (el cual es ajustable) para representar la distribución de intensidades en la imagen. Para evitar errores al calcular el logaritmo de cero, se eliminan los valores del histograma que son iguales a cero. Finalmente, se gráfica el histograma con el método ZScale (escala logarı́tmica), ver Figura 9. El código que se propone para esta tarea está visible en la Tabla 10.

En la Figura 9 se puede apreciar que la mayor acumulación de pı́xeles se encuentra a la izquierda de la distribución de intensidades, esto quiere decir que, la imagen analizada esta compuesta principalmente por pı́xeles oscuros, lo cual corresponde en efecto al fondo del cielo, los picos separados a partir de 10.000 son pı́xeles en donde tenemos presencia de objetos celestes brillantes. La mayor cantidad de pı́xeles se encuentra en una distribución de intensidades entre 0 a 3.000 cuentas, allı́ tenemos el fondo del cielo, y algunas estrellas o cuerpos celestes mas débiles. Esta gráfica complementa la información ya aportada anteriormente por el análisis estadı́stico de la imagen astronómica. A pesar que los rangos de las cuentas de la imagen varı́an entre 0 y 65.536, la media es de 2.204,818, la mediana es de 2.213,0 y la desviación estándar es de 350,950. Efectivamente el histograma está volcado a la izquierda, siendo los pı́xeles luminosos poco representativos: Este resultado corresponde con lo observado en la Figura 7.

Es importante remarcar que, este tipo de distribución es la esperada en las observaciones astronómicas, ya que los pocos puntos luminosos representarı́an a las estrellas, los asteroides, cometas, satélites, etc., en el campo. Por otro lado, si el histograma estuviese volcado a la derecha, entonces tendrı́amos una saturación en la imagen, por lo que se descartarı́a la observación para su estudio. En ese caso, si todas las imágenes salen de esa manera, el investigador, el aficionado, o el asistente cientı́fico (el cual es el operador de los telescopios) debe evaluar ¿el por qué de ese resultado? Puesto que debió ser producto de un tiempo de exposición muy largo, presencia de la Luna en el campo, o contaminación lumı́nica. De manera que, se debe ajustar el protocolo de observación, ya sea reduciendo el tiempo de exposición, cambiar las coordenadas, o suspender las observaciones, puesto que ese tipo de imágenes saturadas no son interesantes para la investigación en astronomı́a.

De manera que, este tipo de herramientas son muy interesantes a emplear en las imágenes FITS, ya sea para cuantificar la distribución de la luz en las observaciones, determinar la calidad de ellas, y/o corregirlas para las diversas investigaciones.

Los programas desarrollados en este trabajo como herramientas para el procesamiento y la caracterización de imágenes astronómicas, representan una contribución significativa al análisis de datos astronómicos, debido a su capacidad para facilitar y optimizar el tratamiento y la corrección en volumen de datos provenientes del observatorio Astronómico Nacional Llano del Hato. Estas herramientas proporcionan una forma mas eficiente y precisa de trabajar las imágenes FITS en volumen, y no individualmente como se venı́an trabajando a través de programas comerciales pagos, en donde solo puedes cambiar ciertas variable, o lo que el programa te permite, en cambio, a través de las rutinas realizadas en Python, los investigadores pueden obtener información detallada sobre cualquier pı́xel en la imagen, y/o controlar toda la información de la cabecera de la imagen. Con estas rutinas, ofrecemos independencia y autonomı́a al investigador, para que pueda controlar y manipular cada pı́xel y valor existente, pudiendo estudiar detalladamente y caracterizar cualquier estrella, asteroide, cometa, cúmulo, nebulosas, galaxia, o cualquier otro cuerpo celeste presente en la observación.

Las rutinas propuestas en este trabajo enseñan desde el inicio, a como leer a través de la programación con Python una imagen FITS, muestra como visualizarlos directamente sin la necesidad de depender de otros programas, y progresivamente va ofreciendo rutinas cada vez mas completas para entender la observación, extraer metadatos esenciales del encabezado de la imagen, corregir los efectos no deseados introducidos durante la observación, permitiéndole al investigador controlar la eliminación de ruido electrónico, térmico y la iluminación no uniforme del sensor CCD, contribuyendo a la investigación del universo y a la comprensión de los fenómenos celestes.

Un aspecto clave del proceso, es la calibración de las imágenes astronómicas, la cual consiste en la creación de imágenes como el bias maestro, dark maestro y el flat maestro. Estas imágenes maestras son fundamentales para la corrección precisa de las imágenes cientı́ficas. En este trabajo, el investigador puede controlar a partir de los códigos propuestos los detalles del proceso, o ajustar la ecuación de calibración de acuerdo al recurso de datos existentes en la noche de observación.

Las herramientas de análisis propuestas aquı́, tal como el de determinar el perfil de intensidad en cualquier pı́xel de la imagen astronómica, es una herramienta rápida, fácil de usar, y muy importante a conocer, puesto que, muchos programas comerciales pagos no lo ofrecen, ademas a través de estas rutinas se pueden controlar, manipular y operar directamente cada pı́xel de manera independiente.

Las herramientas de los histogramas y el estudio estadı́stico de las imágenes astronómicas nos permiten inmediatamente caracterizar la distribución de la luz en la observación, para ası́ entender e identificar objetos luminosos, conocer el gradiente del fondo de la imagen, determinar los valores de saturación, entre otras caracterı́sticas importantes que se pueden identificar. Los códigos que se proponen en este trabajo proporcionan una herramienta gratuita y muy valiosa para la comprensión profunda y detallada de las imágenes astronómicas, contribuyendo significativamente a la investigación astronómica.

Python es un lenguaje versátil que cuenta con una amplia gama de bibliotecas y herramientas especı́ficamente diseñadas para el análisis de datos astronómicos. Estas bibliotecas proporcionan funciones y métodos optimizados facilitando las tareas en astronomı́a, lo que simplifica y agiliza el proceso de análisis de datos. Python es una comunidad activa y colaborativa, que desarrolla constantemente nuevas herramientas y módulos para el análisis de datos. Esto garantiza que los cientı́ficos tengan acceso a las últimas técnicas y métodos de análisis, ası́ como a un amplio soporte y recursos en lı́nea para resolver problemas y compartir conocimiento. En comparación con otros lenguajes como C++, C, Fortran, Iraf, IDL, R, y otros programas comerciales pagos, Python ofrece una sintaxis más clara y legible, facilitando el desarrollo libre y gratuito de códigos, lo que lo convierte actualmente en la opción ideal para el análisis de imágenes astronómicas, ya que no existen limitaciones para operarlas y/o manipularlas.

Abad, A., Docobo, J., y Elipe, A. (2002). Curso de Astronomı́a. Colección textos docentes. Prensas Universitarias de Zaragoza.

Academia Balderix. (2024). Probabilidad y Estadı́stica. Academia Balderix. https://www.probabilidadyestadistica.net/media-y-desviacion-estandar/

Aldcroft, T., Robitaille, T., Refsdal, B., y Muench, G. (2013). Python for Astronomers. Smithsonian Astrophysical Observatory. https://python4astronomers.github.io/index.html

AstroBasics. (2024). Bias, Flats, Darks, Flats. AstroBasics. https://astrobasics.de/en/basics/ bias-flats-darks-darkflats/

Astronomical Society of the Pacific. (2013). What is an Astronomical Image? Astronomical Society of the Pacific. https://astrosociety.org

Astronomical Society of the Pacific. (2024). Astropy: A Community Python Library for Astronomy. Astropy v6.0.1. https://astrosociety.org

Brassard, M., y Ritter, D. (1994). Capital Services Memory Jogger II. Massachusetts, USA. Craig, M. (2023). Astropy Community. CCD Data Reduction Guide. https://www.astropy.org/ccd-reduction-and-photometry-guide/v/dev/notebooks/01-01-astronomical-CCD-image-components.html

Downes, J. (2006). Caracterización de la cámara FLI. Publicación interna. RevMexAA.

Izar, J., y González, J. (2004). Las 7 Herramientas Bàsicas de la Calidad. Capitulo V El Histograma. Edition:1. Editorial Universitaria Potosina.

Lutz, M. (2009). Learning Python. Fourth Edition. O’reilly.

Minor Planet Center Staff. (2024). MPEC 2024-G193: Observations and Orbits of Comets and a/ Objects (Minor Planet Electronic Circular) (April 2024). Minor Planet Center. https://doi.org/10.48377/MPEC/2024-G193

Neira, F. (2024). Cómo elegir cámara para Astrofotografı́a. Mas allá del azul pálido. https ://www.fernandoneirapaz.com/como-elegir-camara-para-astrofotografia/

Pérez, J. (2019). Python en Astrofı́sica. Instituto de Astrofı́sica de Canarias. https://research.iac.es/sieinvens/python-course/astropy.html

Pössel, M. (2019). A Beginner’s Guide to Working with Astronomical Data. The Open Journal Astrophys, 3 (2). https://doi.org/10.21105/astro.1905.13189arXiv:1905.13189[astro-ph.IM]

Strasbourg Astronomical Data Center. (2020). Astropy Community. CCD Data Reduction Guide. https://cds-astro.github.io/tutorials/intro.html

Wells, D., Greisen, E., y Harten, R. (1981). A Flexible Image Transport System. Astronomy & Astrophysics Supplement Series, 363.