Existe-t-il un logiciel d'analyse photo qui pré-trie les images en identifiant les problèmes techniques potentiels?

J'ai récemment pris des vacances et pris près de 1 000 photographies. Comme d'habitude, il y en a de bons, de mauvais, de flous, etc.

Afin d'accélérer le post-traitement, je me demandais s'il existe des logiciels capables de "présélectionner" un lot de photos et d'identifier les photos surexposées, sous-exposées, floues et d'autres caractéristiques susceptibles d'identifier photographies potentiellement moins souhaitables. L'idée est qu'en procédant à une présélection, il devrait faire un travail rapide de trier ces groupes pour trouver les bons et supprimer le reste. Ensuite, je peux passer plus de temps à regarder ceux qui comptent vraiment.

Je comprends que chaque photographie est unique, et il y a de superbes photographies qui enfreignent toutes les règles de base, mais j'ai pensé que cela pourrait être un moyen rapide d'accélérer mon flux de travail.

J'utilise Lightroom pour trier les photos. Dans le module Bibliothèque, j'ai défini le filtre sur Marqué et Non marqué, puis je fais remplir une photo avec l'écran. Ensuite, je commence juste à frapper la touche fléchée droite ou la touche "x". "X" marque la photo comme "rejetée" et la rend plus visible. Il est facile de parcourir 1000 photos en un rien de temps. Une fois que j'ai parcouru toutes les photos, je choisis simplement de supprimer les photos rejetées, et j'ai terminé.

Photoshop Elements a une fonction d'auto-analyse qui fait une partie de cela - il essaie de détecter si les photos sont floues, s'il y a des visages, etc. Je ne dirais pas que c'est brillant. Par exemple, il se peut que vous souhaitiez des composants flous dans votre photo et l'algorithme automatisé la marquera toujours comme floue.

Je ne pense pas que 1000 photos soient réellement autant à passer manuellement dans un processus de workflow utilisant quelque chose comme Lightroom. Commencez par une numérisation initiale marquant comme rejetés ceux qui sont manifestement inutilisables, puis affinez-les en utilisant des notes, des couleurs et des étiquettes comme bon vous semble.

En fait, je cherchais quelque chose qui m'aiderait au moins à démarrer le processus d'élimination des choses (des milliers d'images entre crochets).

J'ai créé un outil simple pour numériser un répertoire d'images et déplacer des images / sous-exposées dans un dossier différent. Il n'est pas parfait et ne permet en aucun cas les libertés artistiques que la photographie fait (mais cela me fait gagner du temps). Techniquement, il obtient la valeur moyenne en pixels de chaque image (de 0 à 1,0), puis vous pouvez la conserver ou la rejeter en fonction des seuils qui peuvent être définis. Consultez le projet AutoExposureChecker et les documents sur github pour plus d'informations.

Avec cet outil, je peux ensuite simplement vérifier que toutes les images peuvent être supprimées (en supprimant celles qui sont réellement souhaitées) et effacer tout le reste en un premier passage, ce qui me fait gagner des tonnes de temps.

Quoi qu'il en soit, je pensais que je partagerais et heureux de tirer!

C'est assez facile à faire si vous pouvez écrire en Python. Voici un bon article sur l'utilisation d'un package de vision par ordinateur open-source pour détecter le flou d'image global:

https://www.pyimagesearch.com/2015/09/07/blur-detection-with-opencv/

Voici un script rapide qui triera les images dans des répertoires flous / ok:

#
# Sorts pictures in current directory into two subdirs, blurred and ok
#

import os
import shutil
import cv2

FOCUS_THRESHOLD = 80
BLURRED_DIR = 'blurred'
OK_DIR = 'ok'

blur_count = 0
files = [f for f in os.listdir('.') if f.endswith('.jpg')]

try:
   os.makedirs(BLURRED_DIR)
   os.makedirs(OK_DIR)
except:
   pass

for infile in files:

   print('Processing file %s ...' % (infile))
   cv_image = cv2.imread(infile)

   # Covert to grayscale
   gray = cv2.cvtColor(cv_image, cv2.COLOR_BGR2GRAY)

   # Compute the Laplacian of the image and then the focus
   #     measure is simply the variance of the Laplacian
   variance_of_laplacian = cv2.Laplacian(gray, cv2.CV_64F).var()

   # If below threshold, it's blurry
   if variance_of_laplacian < FOCUS_THRESHOLD:
      shutil.move(infile, BLURRED_DIR)
      blur_count += 1
   else:
      shutil.move(infile, OK_DIR)

print('Done.  Processed %d files into %d blurred, and %d ok.' % (len(files), blur_count, len(files)-blur_count))

Votre problème le plus délicat sera d'installer python et opencv dans votre système. Google python3 pour votre système d'exploitation et comment installer pip avec, vous pouvez utiliser pip3 pour installer opencv. Ou, il existe également des installations de pré-construction python + opencv. Vous n'avez pas besoin de la dernière version d'opencv pour exécuter ce script.

Le script fonctionne très bien et il mesure le flou global de l'image. C'est bon pour la plupart des photos. Cependant, la mesure globale de l'image signifie que ces photographies d'arrière-plan remplies d'une face et d'un bokeh seront placées dans le répertoire flou, et vous devrez les trier. Quoi qu'il en soit, vous devriez parcourir les images floues pour vous assurer qu'il n'y a pas de gardes égarés là-dedans.

J'espère que ce script accélère votre flux de travail.

Une nette amélioration de ce script consiste à inclure la détection des visages, à calculer le flou sur les plus grands visages de la photo et à utiliser ces valeurs pour le seuil de flou, par défaut le flou général si aucun visage n'est détecté. Je vous laisse cette amélioration!

Je ne connais pas d'applications qui peuvent automatiquement filtrer les images potentiellement défectueuses pour vous, mais je ne les utiliserais pas, du moins pas aveuglément.

Le mérite technique n'est qu'une partie de ce qu'est une photo. Certaines des images les plus significatives présentent des défauts techniques. Dans de nombreux cas, préférable à une technique plus parfaite qui, par exemple, a une composition moins bonne ou moins de ce que Cartier Bresson a appelé "le moment décisif".

De plus, certains défauts peuvent être corrigés ou améliorés lors de l'édition. Bien que la mise au point et le flou soient pratiquement impossibles à corriger (bien que cela puisse changer à l'avenir ), cela peut ajouter un effet intéressant ou acceptable. L'exposition, par exemple, en fait partie. Une image légèrement surexposée ou sous-exposée (surtout si elle est prise en RAW) ne doit pas être préférée à une image "parfaitement" exposée sur cette propriété seule, car elle peut facilement être corrigée.

Par exemple, cette image était une photo unique qui est sortie presque 3EV surexposée parce que la caméra avait les mauvais réglages. Pourtant, grâce à la latitude fournie par les fichiers RAW, il a pu être récupéré, alors qu'un processus automatisé l'aurait rejeté.

Donc, j'appuie les réponses avant la mienne, en disant qu'un workflow pris en charge efficacement est meilleur qu'un processus automatisé. Des milliers d'images sont tout à fait gérables dans Lightroom en une heure ou deux.

Vérifiez le laboratoire photo DXO. Il peut corriger automatiquement les photos en fonction des profils de l'appareil photo et de l'objectif. Vous pouvez évaluer rapidement les photos en les parcourant et exporter uniquement les photos que vous avez notées.