Las cámaras de SO ultravioleta (UV) se han convertido en una herramienta común para medir y monitorear las tasas de emisión de SO, principalmente de volcanes, pero también de fuentes antropogénicas (por ejemplo, plantas de energía o barcos). En la última década, el análisis de los datos de las cámaras UV de SO ha visto muchas mejoras. Como resultado, para muchos de los pasos de análisis requeridos, hoy existen varias alternativas (por ejemplo, calibración de cámara basada en celda vs. DOAS; recuperación de velocidad de gas basada en flujo óptico vs. correlación cruzada). Esto inspiró el desarrollo de (thon ume maging oftware), un conjunto de herramientas de software de código abierto escrito en Python 2.7, que unifica los métodos más prevalentes de la literatura dentro de un único marco de análisis multiplataforma. Comprende una vasta colección de algoritmos relevantes para el análisis de datos de cámaras UV de SO. Estos incluyen varias rutinas para recuperar las radiancias de fondo de la pluma, así como rutinas para la calibración de cámaras basadas en celda y DOAS. Esta última incluye dos métodos independientes para identificar el campo de visión (FOV) de DOAS dentro de las imágenes de la cámara (basados en (1) correlación de Pearson y (2) método de inversión IFR). Las velocidades de la pluma se pueden recuperar utilizando un algoritmo de flujo óptico, así como correlación cruzada de señales. Además, incluye una rutina para realizar una corrección de primer orden del efecto de dilución de señal (también conocido como dilución de luz). Todos los cálculos geométricos requeridos se realizan dentro de un entorno de modelo 3D que permite recuperaciones de distancia a la pluma y características del terreno local a nivel de píxel. Las tasas de emisión de SO se pueden recuperar simultáneamente para un número arbitrario de intersecciones de pluma. Por lo tanto, proporciona un marco de vanguardia para análisis más eficientes y flexibles de los datos de cámaras UV de SO y, por ende, marca un paso importante hacia una mayor transparencia, fiabilidad e intercomparabilidad de los resultados. Ha sido extensamente y exitosamente probado utilizando datos de varias campañas de campo. Aquí, se introducen las principales características utilizando un conjunto de datos obtenido en el Monte Etna, Italia, el 16 de septiembre de 2015.