EN:
We continue the M101 project this season. I accumulated several more hours last Sunday. Last year, I had accumulated 16 hours, it seems to me. Now, I am at almost 20 hours. Treatment in HaLRGB. For the HaR combination, I used PixelMath entirely. Also, I used the following two equations for the combination, which I have also modified since last year.
I plan to make a PixInsight script in PJSR (PixInsight JavaScript Runtime) so that it is easier and can be done in "one click". The script will take into account people who use color cameras (I am aware that most are OSC here).
Furthermore, if time permits, I will also make a PixInsight Module in addition to the script. The advantage of a module is that it is done in C++ (not more difficult than JS, I find, but it has interesting things). Since we use C++, we can include Python, and thus gain access to the TensorFlow and PyTorch libraries. These two libraries are pioneers in machine learning / deep learning. Thus, I can provide a vast database and the code will learn from its mistakes, while producing better results, until almost perfection. It's a lot of work, but I think it's worth it, especially to advance the scientific and astronomical field. Anyway, enough talking, here are the two equations I mentioned at the beginning.

Create the new H-Alpha more "clean":
((Hareduction)-(Rbandwith))/(reduction-bandwith)
Add the H-Alpha to R:
$T + (new_ha-med(new_ha))*amount

where the PixelMath symbols (amount, reduction, bandwith) are defined below:
amount is a constant (∈ ℝ) determining the multiplicity (power) of the mix/combination. The higher it is, the stronger the H-Alpha will be on the R layer.
reduction is a constant (∈ ℕ) determining the multiplicity of the reduction of the H-Alpha layer. The higher it is, the less "clean" the H-Alpha will be (less details removed).
bandwidth is also a constant (∈ ℕ) related to the bandwidth of your H-Alpha filter. Most filters are between 3nm and 7nm, although there is a wide variety of bandwidths. In the case of this image, the filters used are 3nm and 6.5nm. So I took an average of the two (3+6.5)/2.

Taken with:
Camera and accessories: ZWO ASI294MM Pro + Antlia 3nm + Baader Ha 6.5nm + Baader LRGB (all in 31mm) + ZWO EFW 8x1.25"/31mm
Optical tube: Celestron Edge HD 8" with focal reducer (F/7) and EAF
Mount: Sky-Watcher EQ6-R Pro
Acquisition: ZWO ASIair Plus
Treatment: AstroPixelProcessor (Pre-treatment) + PixInsight (Complete treatment)

FR:
On continue le projet de M101 cette saison. J'ai accumulé plusieurs autres heures la dimanche passé.
L'année dernière, j'avais accumulé 16 heures, il me semble. Là, je suis à presque 20 heures.
Traitement en HaLRGB. Pour la combinaison HaR, j'ai utilisé PixelMath entièrement. Aussi, j'ai utilisé les deux équations suivantes pour la combinasion, que j'ai d'ailleurs modifiées depuis l'année dernière.
Je compte faire un script PixInsight en PJSR (PixInsight JavaScript Runtime) pour que ce soit plus facile et que ça se fasse en "un click". Le script tiendra compte des personnes qui utilisent des caméras couleurs (je suis conscient que la plupart sont en OSC ici).
De plus, si le temps me le permet, je ferai un Module PixInsight en plus du script. L'avantage d'un module, c'est qu'il se fait en C++ (pas plus difficile que JS, je trouve, mais il comporte des choses intéressantes). Étant donné qu'on utilise C++, on peut y inclure Python, et par ce fait même, on gagne accès aux librairies TensorFlow et PyTorch. Ces deux librairies sont pionnières dans le machine learning /deep learning. Ainsi, je pourrai fournir une vaste banque de données et le code apprendra de ses erreurs, tout en produisant de meilleurs résultats, jusqu'à une quasi-perfection. C'est tout un travail, mais je crois que ça vaut la peine, surtout pour faire avancer le domaine scientifique et astronomique.
Bref, assez parlé, voici les deux équations dont je vous ai parlées au début.
Créer le nouveau H-Alpha plus "clean" :
((Ha*reduction)-(R*bandwith))/(reduction-bandwith)
Ajouter le H-Alpha au R :
$T + (new_ha-med(new_ha))*amount
où les symboles PixelMath (amount, reduction, bandwith) sont définis ci-dessous :
amount est une constante (∈ ℝ) déterminant la multiplicité (puissance) du mélange/combinaison. Plus il est élevé, plus fort le H-Alpha sera sur la couche R.
reduction est une constante (∈ ℕ) déterminant la multiplicité de la réduction de la couche de H-Alpha. Plus elle est élevée, moins le H-Alpha sera "clean" (moins de détails supprimés).
bandwith est aussi une constante (∈ ℕ) liée à la bande-passante de votre filtre H-Alpha. La majorité des filtres se situent entre 3nm et 7nm, bien qu'il existe une grande variété de bandes passantes. Dans le cas de cette image, les filtres utilisées sont 3nm et 6.5nm. J'ai donc fait une moyenne des deux (3+6.5)/2.
Prise avec :
Caméra et accessoires : ZWO ASI294MM Pro + Antlia 3nm + Baader Ha 6.5nm + Baader LRGB (tous en 31mm) + ZWO EFW 8x1.25"/31mm
Tube optique : Celestron Edge HD 8" avec réducteur focale (F/7) et EAF
Monture : Sky-Watcher EQ6-R Pro
Acquisition : ZWO ASIair Plus
Traitement : AstroPixelProcessor (Pré-traitement) + PixInsight (Traitement complet)