The Ultimate Guide to RAW Development: Data-Driven Insights

Introduction

I’ve been using SILKYPIX to develop RAW images captured with my RICOH GR IIIx. However, I’ve recently started wondering: Is it really worth continuing to use this software?

There are two main reasons for my hesitation:

  1. The processing takes a significant amount of time.
  2. The preview feature is sluggish, and the software frequently freezes after extended use.

With macOS now supporting RAW files natively, a variety of apps are available for editing these files. To explore my options, I wrote a Python-based image comparison tool and analyzed three images to see how they stack up:

  • Image 1: A JPEG file developed using the macOS version of SILKYPIX, without any adjustments.
  • Image 2: A JPEG file developed using Pixelmator Pro, also without adjustments. Pixelmator Pro takes advantage of macOS's native RAW support, ensuring high compatibility and efficient processing of RAW files.
  • Image 3: A JPEG image saved directly from the GR IIIx at the time of capture, with the "Negative Film" preset applied via Image Control.

私はRICOH GR IIIxで撮影したRAW画像の現像にSILKYPIXを使用してきました。しかし、最近こう考え始めています：このソフトウェアを使い続ける価値は本当にあるのだろうか？ ためらいの主な理由は2つあります。

処理に相当な時間がかかる。 プレビュー機能が遅く、長時間使用すると頻繁にフリーズする。

macOSが現在RAWファイルをネイティブにサポートするようになり、これらのファイルを編集するための様々なアプリが利用可能です。選択肢を探るために、Pythonベースの画像比較ツールを作成し、3つの画像を分析して比較しました。

画像1：macOS版のSILKYPIXを使用して現像したJPEGファイル（調整なし）。 画像2：Pixelmator Proを使用して現像したJPEGファイル（同じく調整なし）。Pixelmator ProはmacOSのネイティブRAWサポートを活用し、RAWファイルの高い互換性と効率的な処理を確保しています。 画像3：撮影時にGR IIIxから直接保存されたJPEG画像で、イメージコントロールを通じて「ネガティブフィルム」プリセットが適用されています。

1. Analyzing the JPEG Files Using Data

The image I used for comparison was a park scene with autumn leaves illuminated by the setting sun. Here are the results from my Python program:

比較に使用した画像は、夕日に照らされた秋の紅葉がある公園の風景です。 以下が私のPythonプログラムからの結果です。

Result of Comparison

❯ python three-image-comparison.py


Image 1 Analysis:
Size: (4000, 6000, 3)
Mean Brightness: 85.267
Standard Deviation: 72.58
Mean Saturation: 113.675
Contrast: 255
File Size(KB): 19070.3955078125


Image 2 Analysis:
Size: (4000, 6000, 3)
Mean Brightness: 66.147
Standard Deviation: 73.611
Mean Saturation: 135.691
Contrast: 255
File Size(KB): 29992.3681640625


Image 3 Analysis:
Size: (4000, 6000, 3)
Mean Brightness: 93.122
Standard Deviation: 74.255
Mean Saturation: 85.623
Contrast: 255
File Size(KB): 13395.0634765625


Comparison Results:
SSIM 1-2: 0.68
SSIM 1-3: 0.847
SSIM 2-3: 0.737
Histogram Correlation 1-2: 0.3822719180861183
Histogram Correlation 1-3: 0.7985840630919663
Histogram Correlation 2-3: 0.13442670111231494

2. Insights from the Image Comparison

2.1. Image Comparison Results

The characteristics of each image based on the data are as follows:

  • SILKYPIX Image
    • Moderate brightness with a calm tone.
    • Adequate saturation, achieving a balance of vibrancy and naturalness.
    • Stable brightness, resulting in a uniform finish.
  • Pixelmator Pro Image
    • The darkest output, emphasizing shadows.
    • The highest saturation, focusing on vibrancy.
    • Dynamic tonal changes, creating a dramatic impression.
  • GR IIIx Jpeg Image (Negative Film Style)
    • The brightest output, with a light and soft tone.
    • The lowest saturation, offering a calm and natural color palette.
    • Moderate brightness variation, providing smooth and natural gradation.

From the comparison results, the following observations can be made:

  • Based on SSIM (Structural Similarity Index), SILKYPIX and Pixelmator Pro exhibit significantly different structures, with notable differences in brightness and saturation. The GR IIIx Jpeg is relatively similar to SILKYPIX but with more subdued saturation.
  • According to the Histogram Correlation, SILKYPIX and Pixelmator Pro show distinctly different color distributions. When compared to GR IIIx Jpeg, SILKYPIX has some similarity, while Pixelmator Pro displays significant differences.

ータに基づく各画像の特徴は以下の通りです。

  • SILKYPIX画像
    • 穏やかなトーンの適度な明るさ。
    • 適切な彩度で、鮮やかさと自然さのバランスを実現。
    • 安定した明るさにより、均一な仕上がりになっている。
  • Pixelmator Pro画像
    • 最も暗い出力で、影を強調。
    • 最も高い彩度で、鮮やかさに焦点。
    • ダイナミックな色調の変化により、ドラマチックな印象を作り出す。
  • GR IIIx JPEG画像（ネガティブフィルムスタイル）
    • 最も明るい出力で、明るく柔らかいトーン。
    • 最も低い彩度で、落ち着いた自然な色調を提供。
    • 適度な明るさのバリエーションにより、滑らかで自然なグラデーションを提供。

比較結果から、以下の観察が可能です。

SSIM（構造的類似性指標）に基づくと、SILKYPIXとPixelmator Proは明るさと彩 度に顕著な違いがあり、構造が大きく異なります。GR IIIx JPEGはSILKYPIXと比較的 似ていますが、より控えめな彩度となっています。 ヒストグラム相関によると、SILKYPIXとPixelmator Proは明らかに異なる色分布を示しています。GR IIIx JPEGと比較すると、SILKYPIXにはある程度の類似性がありますが、Pixelmator Proは大きな違いを示しています。

2.2. Evaluating RAW Development Apps

Based on the analysis, here’s my evaluation of each tool:

  • SILKYPIX
    SILKYPIX delivers vivid colors and a balanced brightness level, making it ideal for landscapes or scenes where vibrant colors are essential. Its versatility makes it suitable for various scenarios.SILKYPIXは鮮やかな色とバランスの取れた明るさのレベルを提供し、鮮やかな色が重要な風景やシーンに理想的。その多様性により、様々なシナリオに適している。

  • Pixelmator Pro
    With its darker tones and shadow emphasis, Pixelmator Pro works well for dramatic compositions or print projects. However, additional adjustments might be required for darker areas.より暗いトーンと影の強調により、Pixelmator Proはドラマチックな構図や印刷プロジェクトに適している。ただし、暗い部分には追加の調整が必要な場合がある。

  • GR IIIx JPEG (Negative Film Preset)
    The GR IIIx JPEG provides a bright, soft tone with natural colors, making it great for everyday photography and relaxed scenes.GR IIIx JPEGは明るく柔 らかいトーンと自然な色を提供し、日常の写真や落ち着いたシーンに最適。

3. Final Thoughts

From this comparison, SILKYPIX proves to be a reliable tool, and the numerical data supports its strengths. Surprisingly, I found myself drawn to the GR IIIx JPEG with the Negative Film preset.

A practical workflow could be to shoot in RAW + JPEG mode, using the JPEGs directly for most situations and turning to SILKYPIX for advanced adjustments when needed.

この比較から、SILKYPIXは信頼性の高いツールであり、数値データがその強みを裏付けています。驚いたことに、ネガティブフィルムプリセットを適用したGR IIIx JPEGに魅力を感じました。 実用的なワークフローとしては、RAW + JPEGモードで撮影し、 ほとんどの状況では直接JPEGを使用し、必要に応じてSILKYPIXを使用して調整することが考えられます。

Appendix. Python Program for Image Analysis

Here is the Python program I used for this analysis. It’s a quick and simple script, so it includes hard-coded file names for convenience. Feel free to adapt it to your needs.

from PIL import Image
from skimage.metrics import structural_similarity as ssim


def compare_three_images(image1_path, image2_path, image3_path, output_path=None):
    """
    Compare three images and analyze them using various metrics


    Parameters:
    image1_path (str): Path to first image
    image2_path (str): Path to second image
    image3_path (str): Path to third image
    output_path (str): Path to save comparison results (optional)


    Returns:
    dict: Comparison metrics
    """
    # Load images
    img1 = cv2.imread(image1_path, cv2.IMREAD_UNCHANGED)
    img2 = cv2.imread(image2_path, cv2.IMREAD_UNCHANGED)
    img3 = cv2.imread(image3_path, cv2.IMREAD_UNCHANGED)


    if img1 is None or img2 is None or img3 is None:
        raise ValueError("Failed to load one or more images")


    # Normalize to 8-bit if necessary for visualization
    def normalize_to_8bit(img):
        if img.dtype != np.uint8:
            return cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U)
        return img


    img1_8bit = normalize_to_8bit(img1)
    img2_8bit = normalize_to_8bit(img2)
    img3_8bit = normalize_to_8bit(img3)


    # Convert to grayscale for SSIM
    gray1 = cv2.cvtColor(img1_8bit, cv2.COLOR_BGR2GRAY)
    gray2 = cv2.cvtColor(img2_8bit, cv2.COLOR_BGR2GRAY)
    gray3 = cv2.cvtColor(img3_8bit, cv2.COLOR_BGR2GRAY)


    # Calculate SSIM between each pair
    ssim_1_2 = ssim(gray1, gray2)
    ssim_1_3 = ssim(gray1, gray3)
    ssim_2_3 = ssim(gray2, gray3)


    # Compare histograms between each pair
    def calculate_hist_correlation(img1, img2):
        hist1 = cv2.calcHist([img1], [0], None, [256], [0, 256])
        hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])
        return cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL)


    hist_corr_1_2 = calculate_hist_correlation(img1_8bit, img2_8bit)
    hist_corr_1_3 = calculate_hist_correlation(img1_8bit, img3_8bit)
    hist_corr_2_3 = calculate_hist_correlation(img2_8bit, img3_8bit)


    # Visualization
    plt.figure(figsize=(15, 10))


    # Images
    plt.subplot(231)
    plt.imshow(cv2.cvtColor(img1_8bit, cv2.COLOR_BGR2RGB))
    plt.title("Image 1")
    plt.axis("off")


    plt.subplot(232)
    plt.imshow(cv2.cvtColor(img2_8bit, cv2.COLOR_BGR2RGB))
    plt.title("Image 2")
    plt.axis("off")


    plt.subplot(233)
    plt.imshow(cv2.cvtColor(img3_8bit, cv2.COLOR_BGR2RGB))
    plt.title("Image 3")
    plt.axis("off")


    # Histograms
    plt.subplot(234)
    plt.hist(img1_8bit.ravel(), 256, [0, 256])
    plt.title("Histogram - Image 1")


    plt.subplot(235)
    plt.hist(img2_8bit.ravel(), 256, [0, 256])
    plt.title("Histogram - Image 2")


    plt.subplot(236)
    plt.hist(img3_8bit.ravel(), 256, [0, 256])
    plt.title("Histogram - Image 3")


    if output_path:
        plt.savefig(output_path)


    plt.close()


    return {
        "SSIM 1-2": ssim_1_2,
        "SSIM 1-3": ssim_1_3,
        "SSIM 2-3": ssim_2_3,
        "Histogram Correlation 1-2": hist_corr_1_2,
        "Histogram Correlation 1-3": hist_corr_1_3,
        "Histogram Correlation 2-3": hist_corr_2_3,
        "Size": img1.shape,
        "Bit Depth 1": str(img1.dtype),
        "Bit Depth 2": str(img2.dtype),
        "Bit Depth 3": str(img3.dtype),
    }


def analyze_image(image_path):
    """
    Analyze one image


    Parameters:
    image_path (str): path to the image


    Returns:
    dict: results of analysis
    """
    img = cv2.imread(image_path)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)


    return {
        "Size": img.shape,
        "Mean Brightness": np.mean(img),
        "Standard Deviation": np.std(img),
        "Mean Saturation": np.mean(hsv[:, :, 1]),
        "Contrast": np.max(img) - np.min(img),
        "File Size(KB)": os.path.getsize(image_path) / 1024,  # KB単位
    }


def format_results(results_dict):
    """
    Format the results dictionary for better readability
    """
    formatted = {}
    for key, value in results_dict.items():
        if isinstance(value, (np.float64, np.float32)):
            formatted[key] = float(round(value, 3))
        elif isinstance(value, np.uint8):
            formatted[key] = int(value)
        else:
            formatted[key] = value
    return formatted


if __name__ == "__main__":
    # Compare three images
    results = compare_three_images(
        "image1.jpg", "image2.jpg", "image3.jpg", "comparison_result.png"
    )


    # Analyze each image
    images = ["image1.jpg", "image2.jpg", "image3.jpg"]
    for i, image_path in enumerate(images, 1):
        analysis = analyze_image(image_path)
        print(f"\nImage {i} Analysis:")
        for key, value in format_results(analysis).items():
            print(f"{key}: {value}")


    print("\nComparison Results:")
    for key, value in format_results(results).items():
        print(f"{key}: {value}")