Ich war kürzlich im Urlaub und habe fast 1.000 Fotos gemacht. Wie üblich gibt es einige gute, schlechte, verschwommene usw.
Um die Nachbearbeitung zu beschleunigen, habe ich mich gefragt, ob es eine Software gibt, die einen Stapel von Fotos "vorab prüfen" und Fotos identifizieren kann, die überbelichtet, unterbelichtet, verschwommen und andere Merkmale sind, die identifiziert werden können möglicherweise weniger wünschenswerte Fotos. Die Idee ist, dass durch die Vorabprüfung diese Gruppen schnell sortiert werden sollten, um die guten zu finden, und der Rest gelöscht wird. Dann kann ich mehr Zeit damit verbringen, mir die wirklich wichtigen Dinge anzusehen.
Ich verstehe, dass jedes Foto einzigartig ist und dass es einige großartige Fotos gibt, die gegen jede Faustregel verstoßen, aber ich dachte, dies könnte eine schnelle Möglichkeit sein, meinen Arbeitsablauf zu beschleunigen.
Ich verwende Lightroom, um Fotos zu sortieren. Im Bibliothekmodul setze ich den Filter auf „Markiert“ und „Unmarkiert“ und lasse dann ein Foto den Bildschirm füllen. Dann fange ich einfach an, die rechte Pfeiltaste oder die "x"-Taste zu drücken. „X“ markiert das Foto als „abgelehnt“ und macht es nicht mehr sichtbar. Es ist einfach, in kürzester Zeit durch 1000 Fotos zu jetten. Nachdem ich alle Fotos durchgesehen habe, wähle ich einfach Abgelehnte Fotos löschen, und ich bin fertig.
Dies ist ziemlich einfach, wenn Sie in Python schreiben können. Hier ist ein guter Artikel über die Verwendung eines Open-Source-Computer-Vision-Pakets zur Erkennung von Gesamtbildunschärfe:
https://www.pyimagesearch.com/2015/09/07/blur-detection-with-opencv/
Hier ist ein schnelles Skript, das Bilder in unscharfe/ok-Verzeichnisse sortiert:
#
# 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))
Ihr schwierigstes Problem wird die Installation von Python und OpenCV in Ihrem System sein. Google python3 für Ihr Betriebssystem und wie Sie pip damit installieren. Sie können pip3 verwenden, um opencv zu installieren. Oder es gibt auch einige vorgefertigte python+opencv-Installationen. Sie benötigen nicht die neueste Version von opencv, um dieses Skript auszuführen.
Das Skript funktioniert hervorragend und misst die allgemeine Bildunschärfe. Das ist gut für die meisten Bilder. Die Gesamtbildmessung bedeutet jedoch, dass diese mit einem Gesicht und Bokeh gefüllten Hintergrundfotos in das verschwommene Verzeichnis verschoben werden und Sie sie wieder aussortieren müssen. Wie auch immer, Sie sollten die verschwommenen Bilder durchgehen, um sicherzustellen, dass dort keine verlegten Hüter sind.
Ich hoffe, dieses Skript beschleunigt Ihren Workflow.
Eine nette Verbesserung dieses Skripts besteht darin, die Gesichtserkennung einzubeziehen und die Unschärfe auf den größten Gesichtern im Foto zu berechnen und diese Werte für die Unschärfeschwelle zu verwenden, wobei standardmäßig die Gesamtunschärfe verwendet wird, wenn keine Gesichter erkannt werden. Diese Verbesserung überlasse ich Ihnen!
Photoshop Elements verfügt über eine Autoanalysefunktion, die einiges davon erledigt – sie versucht zu erkennen, ob die Fotos verschwommen sind, ob Gesichter darauf sind usw. Ich würde nicht sagen, dass sie brillant ist. Beispielsweise möchten Sie möglicherweise unscharfe Komponenten in Ihrem Foto und der automatisierte Algorithmus markiert es dennoch als verschwommen.
Ich glaube nicht, dass 1000 Fotos wirklich so viele sind, um sie in einem Workflow-Prozess mit etwas wie Lightroom manuell zu durchlaufen. Beginnen Sie mit einem anfänglichen Scan, der diejenigen, die offensichtlich unbrauchbar sind, als abgelehnt markiert, und verfeinern Sie sie dann mit Bewertungen, Farbanstrichen und Tags, wie Sie es für richtig halten.
Ich habe mich tatsächlich nach etwas umgesehen, das mir helfen würde, zumindest mit dem Aussortieren von Dingen zu beginnen (Tausende von Bildern in Klammern).
Ich habe ein einfaches Tool erstellt, um ein Verzeichnis mit Bildern zu scannen und über-/unterbelichtete Bilder in einen anderen Ordner zu verschieben. Es ist nicht perfekt und lässt keineswegs die künstlerischen Freiheiten zu, die die Fotografie bietet (aber es hilft mir, Zeit zu sparen). Technisch gesehen erhält es den durchschnittlichen Pixelwert jedes Bildes (von 0 bis 1,0) und Sie können es dann basierend auf einstellbaren Schwellenwerten beibehalten oder ablehnen. Weitere Informationen finden Sie im AutoExposureChecker-Projekt und in den Dokumenten auf GitHub .
Mit diesem Tool kann ich dann einfach überprüfen, ob alle Bilder gelöscht werden können (die tatsächlich gewünschten entfernen) und alles andere in einem ersten Durchgang löschen, was mir jede Menge Zeit spart.
Wie auch immer, ich dachte, ich würde teilen und viel Spaß beim Schießen!
Ich kenne keine Anwendungen, die möglicherweise fehlerhafte Bilder automatisch für Sie überprüfen können, aber ich würde sie nicht verwenden, zumindest nicht blind.
Der technische Wert ist nur ein Teil dessen, was ein Foto ausmacht. Einige der aussagekräftigsten Bilder sind technisch fehlerhaft. In vielen Fällen einer technisch perfekteren vorzuziehen, die zum Beispiel eine schlechtere Zusammensetzung oder weniger von dem hat, was Cartier Bresson "den entscheidenden Moment" nannte.
Außerdem können einige Fehler in der Bearbeitung behoben oder verbessert werden. Während Fokus und Unschärfe so gut wie unmöglich zu korrigieren sind (obwohl sich dies in Zukunft ändern kann ), können sie einen interessanten oder akzeptablen Effekt hinzufügen. Belichtung ist zum Beispiel eine davon. Ein leicht über- oder unterbelichtetes Bild (insbesondere wenn es in RAW aufgenommen wurde) sollte einem "perfekt" belichteten nicht allein auf dieser Eigenschaft vorgezogen werden, da es leicht behoben werden kann.
Dieses Bild war zum Beispiel eine einmalige Aufnahme , die fast 3 EV überbelichtet war, weil die Kamera die falschen Einstellungen hatte. Dank des Spielraums, den RAW-Dateien bieten, konnte es jedoch wiederhergestellt werden, während ein automatisierter Prozess es verworfen hätte.
Also antworte ich meiner zweiten und sage, dass ein effizient unterstützter Workflow besser ist als ein automatisierter Prozess. Tausende von Bildern sind in Lightroom innerhalb von ein oder zwei Stunden gut überschaubar.
Überprüfen Sie das DXO-Fotolabor. Es kann Fotos basierend auf den Kamera- und Objektivprofilen automatisch korrigieren. Sie können die Fotos schnell bewerten, indem Sie sie durchsuchen und nur die Fotos exportieren, die Sie bewertet haben.
Agisoft Metashape kann die Bildqualität schätzen. Dies ist im Handbuch auf Seite 14 beschrieben :
Schlechte Eingaben, z. B. ungenaue Fotos, können die Ausrichtungsergebnisse negativ beeinflussen. Um Ihnen dabei zu helfen, schlecht fokussierte Bilder von der Verarbeitung auszuschließen, schlägt Metashape eine Funktion zur automatischen Schätzung der Bildqualität vor. Es wird empfohlen, Bilder mit einem Qualitätswert von weniger als 0,5 Einheiten zu deaktivieren und somit von der photogrammetrischen Verarbeitung auszuschließen, vorausgesetzt, dass die restlichen Fotos die gesamte zu rekonstruierende Szene abdecken. Um ein Foto zu deaktivieren, verwenden Sie die Schaltfläche „Deaktivieren“ in der Symbolleiste des Bereichs „Fotos“.
Metashape schätzt die Bildqualität für jedes Eingabebild. Der Wert des Parameters wird basierend auf dem Schärfegrad des am stärksten fokussierten Teils des Bildes berechnet.
Überbelichtung, Unterbelichtung und Unschärfe führen alle zu Informationsverlust, wodurch die JPEG-Komprimierung die Dateien effektiver reduzieren kann.
Als sehr grobes Maß können Sie also die JPEG-Dateien nach aufsteigender Dateigröße sortieren und Ihren Culling-Prozess von der kleinsten Größe aus starten. Hier sollte der Anteil der Dateien, die Sie nicht behalten möchten, deutlich höher sein als bei den Dateien mit größerer Dateigröße, ähnliche Aufnahmebedingungen vorausgesetzt.
Dateien, die mit höheren ISO-Werten aufgenommen wurden, neigen jedoch dazu, lauter zu sein, und das Rauschen lässt sich nicht gut komprimieren. Es ist jedoch wahrscheinlich, dass die Rauschunterdrückungsalgorithmen Ihrer Kamera genügend Informationen wegwerfen, um diese Dateien wieder besser komprimierbar zu machen. Es kann sinnvoll sein, verschiedene ISO-Werte separat zu betrachten, aber es hängt von den Algorithmen Ihrer Kamera ab, ob diese Art der Vorsortierung einen großen Unterschied macht.
dpollitt
mattdm
Itai
Ryan K Dalton
AJ Fink
James Jungmann
mattdm
Alaska-Mann
Ryan K Dalton