Bestandsgrootte vertelt maar de helft van het verhaal. Hier lees je hoe een perceptuele metriek je laat vertrouwen op een lossy-instelling — en die verder laat opschroeven dan je op het oog zou durven.
Een afbeelding kleiner maken is makkelijk. Het moeilijke deel is weten of hij nog goed oogt — op schaal, over een hele bibliotheek, zonder bij elk bestand te turen. Dat is precies het gat dat een perceptuele kwaliteitsmetriek opvult, en de beste die vandaag beschikbaar is voor stilstaande beelden, is <b>SSIMULACRA2</b>.
Een 90% kleiner bestand klinkt geweldig, tot je de blokkerige lucht of de uitgesmeerde tekst opmerkt. Grootte meet de kosten, niet het resultaat — dus alleen op grootte optimaliseren duwt je stilletjes richting zichtbaar verslechterde afbeeldingen. Je hebt een tweede getal nodig dat <i>kwaliteit</i> meet, zodat je het zoete punt vindt waar het bestand klein is <b>en</b> er nog goed uitziet.
De klassieke metrieken schieten tekort. <b>PSNR</b> meet alleen pixelfouten en volgt nauwelijks wat mensen daadwerkelijk zien. <b>SSIM</b> was een stap vooruit maar is makkelijk te misleiden en verzadigt bij hoge kwaliteit. Beide kunnen twee afbeeldingen als "gelijk" beoordelen terwijl de ene duidelijk slechter oogt — wat ze tot wankele gidsen maakt voor het kiezen van een compressie-instelling.
SSIMULACRA2 is een moderne metriek die is afgesteld aan de hand van grote databases met menselijke kwaliteitsbeoordelingen. Het modelleert de afbeelding zoals perceptie dat doet — op meerdere schalen en in een kleurruimte die gewogen is naar hoe het oog reageert — zodat de scores overeenkomen met wat mensen <i>daadwerkelijk</i> opmerken. Als het zegt dat twee afbeeldingen er hetzelfde uitzien, is dat meestal ook zo.
De score loopt tot 100, en de onderstaande banden zijn een betrouwbare vuistregel. Voor de meeste webfoto's geeft mikken op <b>~80–90</b> je visueel lossless resultaten met betekenisvolle besparingen; onder de 70 duiken zie je het al terug in verlopen, huid en tekst.
In plaats van een kwaliteitsgetal te gokken, bepaal je in je hoofd een <b>kwaliteitsdrempel</b> en gebruik je een perceptuele metriek zoals SSIMULACRA2 om te bevestigen dat een instelling die haalt. Score een paar representatieve afbeeldingen, vind de kwaliteit die in je doelband valt, en pas die dan toe op de hele batch — zodat een hele bibliotheek uitkomt op consistente, betrouwbare kwaliteit. Je stopt met op zeker spelen bij "kwaliteit 90" en publiceert de besparing die je liet liggen.
# Vind een kwaliteit die je perceptuele doel haalt, en verwerk dan de batch imageforge photo.jpg --convert avif --quality 88 imageforge ./batch/*.jpg --convert webp --quality 85 --json
Stel een kwaliteit in waarop je kunt vertrouwen, en publiceer daarna lichtere afbeeldingen — 100% op je Mac.