Les méthodes d’accès aux images du Web

Du point de vue de la recherche d’images, le Web peut être considéré comme une véritable base faiblement structurée. Cette affirmation peut heurter les professionnels habitués à penser la structuration des bases iconographiques en termes de métadonnées explicites et précises, de schémas Dublin Core, de vocabulaires contrôlés, d’ontologies, etc. Pour de nombreux spécialistes des bases documentaires, le Web des images n’est qu’un gigantesque entrepôt chaotique, un fatras dont on ne pourrait connaître que des bribes approximatives puisque les moteurs n’indexent pas les hypothétiques descriptions rigoureuses des images mais seulement leur contexte de publication. Autrement dit, il serait abusif de considérer le Web des images comme structuré et accessible à travers des méthodes d’accès efficaces.

Ce billet propose un point de vue différent. Le Web des images est « flasque » mais il n’est pas inorganisé. Il possède effectivement une structure, mais c’est une structure faible, floue, peu apparente pour l’utilisateur, inaccessible en général à la recherche automatique. L’organisation des images disponibles sur le Web nécessite des méthodes d’investigation parfois ad hoc, irréalisables intégralement par des machines, mais il est tout à fait possible d’en extraire des échantillons cohérents qui forment alors de véritables vues fragmentaires structurées du Web des images. Ce sont essentiellement des tâches humaines, souvent longues et fastidieuses, réalisées en s’aidant d’une programmation informatique simple, qui constituent de véritables méthodes d’accès au Web considéré comme un agglomérat d’images. Ces méthodes permettent alors de construire des vues sous la forme habituelle de « mini-bases » locales.

Première constatation: le Web des images est très inhomogène. Il est pratiquement impossible par exemple d’exploiter correctement les images publiques stockées sur Facebook. La plate-forme se garde bien de proposer un outil de recherche, même minimal, sur les contenus qu’elle conserve, mais il ne fait guère de doute qu’elle tirera profit à l’avenir de son immense dépôt. À l’inverse, les agences photos proposent toutes des interfaces en ligne qui permettent de considérer leurs collections comme des parties du Web fortement structurées. Si l’on y réfléchit d’ailleurs, l’ensemble des images fixes accessibles d’une manière ou d’une autre sur le Web et pourvues de métadonnées XMP (ou même IPTC seulement, très faciles à convertir en XMP) peut être vu comme un gisement qui pourrait à terme être exploité par des applications du Web sémantique; en effet, XMP est une variante de RDF et peut donc être stocké en triplestore. Google, qui n’a jusqu’à présent jamais communiqué sur l’exploitabilité des métadonnées embarquées dans les images, apparaît évidemment bien placé pour proposer dans le futur une telle application.

Dans la suite de ce billet, je décris quelques méthodes permettant de construire certaines de ces vues fragmentaires structurées du Web des images. Ces méthodes peuvent paraître élémentaires et bricolées, mais elles permettent de comprendre cette notion de structuration faible du Web des images. Elles sont présentées par ordre croissant d' »intervention humaine », c’est-à-dire que les premières décrites peuvent être effectuées par un programme d’ordinateur et nécessitent peu d’intervention humaine (hormis la tâche de programmation bien entendu) tandis que les dernières reposent intégralement ou presque sur le travail « artisanal » de l’opérateur. Ces méthodes sont illustrées par des références à certains de mes articles sur Culture Visuelle. Le lecteur peut évidemment considérer que les exemples en question sont trop « personnels » et même estimer qu’il s’agit là en somme d’une sorte de « publicité » pour mes petites recherches. Je l’assume. Mais il me paraît difficile de préciser cette conception d’un Web des images faiblement structuré accessible par des méthodes d’accès ad hoc sans prendre appui sur des exemples que je connais bien.

1. Accès à travers une interface de programmation (API)

Exemples: 1.1. The Commons sur Flickr, quelques chiffres / 1.2. Une excursion dans les bas-fonds de Flickr / 1.3. Des nazillons sur Flickr ?

Ce type d’application permet de construire des vues relativement homogènes et bien structurées. Le projet [1.1] consiste à extraire des informations des images stockées sur Flickr, [1.2] et [1.3] à analyser certains groupes de discussion de Flickr. La qualité des vues extraites dépend fortement des caractéristiques et des performances de l’API proposée. Certaines recherches nécessitent aussi que le développeur contourne des insuffisances ou parfois même des bugs de l’interface de programmation (voir [1.2] par exemple).

Les données produites sont stockées dans une base SQLite, programme du domaine public très léger qui permet ensuite d’effectuer des statistiques et analyses à l’aide de requêtes en langage SQL.

2. Crawling spécifique

2.1. PhotosNormandie

En janvier 2007, j’ai écrit un programme de sauvegarde locale des photos disponibles sur le site Archives Normandie 1939-1945. L’application a permis également de récupérer les descriptions (peu fiables…) qui accompagnaient les photos et de les inclure dans les fichiers sauvegardés sous la forme de métadonnées IPTC. Les photos ainsi renseignées ont ensuite été chargées sur Flickr et le projet PhotosNormandie repose toujours sur l’encapsulation des métadonnées. Archives Normandie 1939-1945 n’est plus accessible depuis mai 2012 environ et PhotosNormandie constitue donc la seule base où cette collection patrimoniale demeure librement accessible (avec de bien meilleures descriptions puisque l’objet principal du projet est justement d’améliorer celles-ci).

L’équipe de PhotosNormandie a décidé de sauvegarder, dans la mesure du possible, d’autres sites dont les photos sont en relation directe avec notre sujet. Ces archivages ponctuels ont été effectués afin de faciliter le travail de redocumentarisation. Ils permettent aussi de nous assurer que ces fonds demeurent accessibles. Dans cet esprit, nous avons mis en ligne récemment une partie des photos de la collection Allisson dont le site n’est plus accessible; il s’agit de clichés télétransmis par certaines agences de presse lors de la Seconde Guerre mondiale et dont les tirages originaux n’existent plus en général. Il nous a semblé indispensable que ces clichés demeurent disponibles, mais sans qu’il soit possible de demander l’autorisation préalable puisque le site d’origine a disparu. Nous verrons bien…

2.2. Unes de presse

Un programme extrait quotidiennement les vignettes de couvertures de journaux et magazines français. La mise en ligne sur Flickr et l’indexation sont effectuées manuellement.

3. Crawling générique (aspiration de site)

Exemple: 3.1 Du bon usage des photos de stock

Création d’une image locale d’un site Web à l’aide d’un crawler paramétré. L’association éventuelle de métadonnées aux images ainsi collectées doit être effectuée manuellement après l’aspiration automatique.

4. Analyse d’une image précise

Exemples: 4.1. Dissimuler pour propager / 4.2. À la recherche d’un singe photographe

L’utilisation de moteurs de recherche inversée tels que Tineye et surtout Google Search By Images s’impose désormais naturellement lorsque l’on souhaite connaître les multiples occurrences d’une même image sur le Web. Les résultats fournis permettent en général de mieux comprendre les différents usages d’une image, mais sans qu’il soit toujours possible de retrouver avec précision son origine ([4.2] voir aussi [6.1]). Cependant, le reblogging généralisé tel qu’il est largement pratiqué actuellement (tumblr, pintinrest, etc.) génère un bruit considérable dans ce mode d’investigation qui doit toujours être complété par des recherches sur le texte qui accompagne l’image (son contexte de publication sur le Web).

5. Analyse délimitée

Exemples: 5.1. Les magazines sur Google Books – l’exemple de Popular Science / 5.2. Les flux d’images de 4chan / 5.3. La fabrique des images sur 4chan (Étude des procédés de dérivation, de transformation, d’appropriation et mashups d’images) /5.4. America Fuck Yeah /5.5. La mort de Steve Jobs et la constitution d’une iconologie alternative sur 4chan

Pour ce type d’investigation, il n’est pas possible d’écrire un programme permettant de récupérer aisément les images recherchées. Cependant, lorsque le site conteneur est bien connu, on peut estimer dans un premier temps le nombre d’images qu’il comporte et envisager ensuite son exploration systématique à l’aide d’une stratégie d’échantillonnage. L’exemple 5.1 concerne Google Books, tandis que les exemples 5.2 à 5.5 s’intéressent à divers aspects des images qui circulent sur 4chan. Dans ce dernier cas, bien sûr, il s’agit d’un flux et les analyses doivent être effectuées à intervalles réguliers. Elles ont été réalisées en utilisant un échantillonnage assez grossier à l’époque où les articles mentionnés ont été rédigés. Depuis, la plate-forme propose une fonction Catalog qui facilite la tâche d’exploration.

6. Identification de sources ou de références

Exemples: 6.1. Bruit et silence dans les vieilles réclames / 6.2. Les références visuelles à la Tapisserie de Bayeux dans la culture populaire

Le travail débute en identifiant soit les sources possibles d’images que l’on recherche, comme dans le cas des anciennes publicités pour [6.1], soit en s’appuyant sur un précédent travail de référencement, comme les compilations des films « médiévalistes » qui comportent des allusions à la Tapisserie de Bayeux pour [6.2]. On ne part donc pas « de rien ». Les sources potentielles ou les références déjà existantes déterminent en quelque sorte un périmètre de recherche. Même si elle nécessite l’exploration de nombreuses sources du Web, l’analyse demeure délimitée, comme en [5].

7. Analyse de la circulation des images sur le web, étude de la réutilisation des images

Exemples: 7.1. Les hétérophanies de Christine Boutin / 7.2. Petite typologie d’un effondrement visuel / 7.3. Les photos d’agence de presse sur les sites d’actualité, entre illustration et confusion

La recherche iconographique ou textuelle est circonscrite à une plage temporelle et les moteurs de recherche sur les fils d’actualités sont privilégiés (on utilise Google Advanced Search/Custom date range et Google News pour fixer les idées…). Lorsque l’on examine des photos d’actualité provenant d’agences de presse, les métadonnées incorporées (si elles ne sont pas systématiquement effacées par le producteur ou l’éditeur) constituent une source importante d’informations sur lesquelles il est ensuite possible d’effectuer de nouvelles recherches textuelles.

8. Stratégie heuristique et force brute

Exemples: 8.1. “Assis parmi vous”, un mème de la sculpture urbaine / 8.2. Une recherche sur les war comics / 8.3. La déploration du super-héros / 8.4. Nazisme, sadisme, érotisme – les origines de la nazi sexploitation / 8.5. Les stéréotypes visuels dans les war comics / 8.6. Roues imaginaires, roues possibles

Dans un grand nombre de cas, il est très difficile de repérer directement des sources ou des références précises sur lesquelles on pourrait s’appuyer pour initier une recherche. Il est toujours possible cependant de retrouver quelques images isolées. L’analyse rapide des sites d’où ces images proviennent à l’aide de l’opérateur site: de Google Images constitue alors une première investigation indispensable. Cette technique simple permet de jauger la qualité des sites en question et de se concentrer sur les plus prometteurs. On peut ainsi découvrir – directement ou indirectement à partir des liens inclus – des ressources qui peuvent ensuite constituer une « base de départ » pour la recherche en question; certaines ressources exploitées en 8.2 et 8.3 ont été repérées grâce à ce type d’analyse rapide.

La plupart du temps, hélas, il n’existe pas réellement de stratégie heuristique et l’on doit recourir à la « force brute » en examinant systématiquement les collections à disposition pour déceler les contenus éventuellement intéressants. Un exemple aidera à préciser ce point. On dénombre sur le Web plusieurs bases collectant les couvertures de pulps ou de comics books. Mais les publications elles-mêmes ne sont pas disponibles en intégralité sur ces bases. Les scans des contenus sont difficilement accessibles et doivent être recherchés auprès des collectionneurs, ou sur des sites ou systèmes de partage plus ou moins légaux. Et dans tous les cas, les illustrations ne sont pas indexées. Lorsque l’on recherche un type d’images bien précis dans les pulps ou les comics, on doit donc d’abord examiner un grand nombre de couvertures de façon à repérer les titres et éventuellement les périodes de parution qui semblent intéressants, puis retrouver sur des canaux relativement confidentiels les fascicules scannés et les analyser à leur tour. Cette méthodologie peut sembler lourde et aléatoire mais elle s’avère à l’usage tout à fait praticable. Le travail est long et fastidieux, mais il est productif.

9. Recherche d’images dans des séquences filmées

Exemples: 9.1. La construction d’un symbole visuel américain /9.2. La taille de l’anaconda

Les méthodes d’accès décrites de [1] à [4] n’existent pas en ce qui concerne les images animées. Certaines recherches transversales sur des séquences filmées peuvent déjà avoir donné lieu à des publications sur le Web. Dans ce cas, l’investigation doit identifier les sources ou références en question (que l’on complétera éventuellement par la suite); elle est donc similaire au cas [6] exposé ci-dessus à propos des images fixes. Si l’on s’intéresse ainsi à un stéréotype dans les films ou les séries TV, il est possible qu’il en existe une compilation sous la forme d’un supercut réalisé par un fan de montage (le site supercut.org constitue un bon point de départ pour rechercher ce genre de montage).

Mais en règle générale, une telle référence ou compilation n’existe pas et l’on devra là encore procéder à une recherche systématique. Dans le cas [9.1] par exemple, il s’agissait de repérer les séquences filmées où apparaît une Falling soldier battle cross (dispositif formé d’un fusil planté en terre par sa baïonnette et surmonté d’un casque). Après avoir établi une liste de films de guerre, puis retrouvé certains de ces films (sur des sites non labellisés Hadopi…), les séquences sont alors repérées en visionnant les films à grande vitesse.

Les vues fragmentaires structurées vs le Web sémantique

Après avoir collecté des images du Web, il est parfois nécessaire de supprimer les doubles. Sur PhotosNormandie [2.1], par exemple, certaines photos étaient présentes en deux exemplaires sous des références différentes. Les programmes de dédoublonnages habituels ne sont pas utiles dans ce cas car ils sont uniquement basés sur l’examen des caractéristiques des fichiers (date et taille). Le dédoublonnage a donc été effectué « manuellement ». Ce n’était pas difficile pour ce projet qui exige une bonne connaissance des images rassemblées. Dans d’autres situations, lorsque l’on collecte des centaines d’images provenant de sources diverses que l’on connaît mal, il serait très intéressant de disposer d’un véritable programme de dédoublonnage analysant les contenus.

La description des images à l’aide de mots-clés ou de légendes n’est pas toujours nécessaire, cela dépend du projet envisagé. Lorsqu’une telle description est indispensable, stocker les informations dans un tableur n’est pas une méthode recommandée. Il est bien préférable d’utiliser les standards IPTC/XMP qui permettent d’inclure les informations dans les fichiers et donc de conserver le lien entre l’image et ses métadonnées. Les informations peuvent ensuite être extraites facilement des images vers une base locale (SQLite par exemple) si l’on souhaite les analyser plus précisément, effectuer des requêtes, etc. Les images ainsi renseignées peuvent aussi être téléchargées vers des plate-formes capables d’exploiter les métadonnées embarquées (medihal, Flickr, etc.).

Quand on suit de près l’évolution des techniques documentaires appliquées au domaine de l’image, les méthodes décrites ci-dessus ressemblent à du bricolage. Clamons-le haut et fort: c’en est! Et les gourous du Web sémantique estimeront sans doute que ce type de démarche incertaine démontre par l’absurde que de véritables applications mettant en œuvre un Web de données structurées sont absolument nécessaires. C’est tout à fait exact. Cependant, pour le chercheur en études visuelles, le Web sémantique est une promesse très largement utopique. Pour le dire autrement, ce qui intéresse le visualiste, ce ne sont pas des bases d’images bien calibrées, un Web lisse et propre qui n’existe pas. L’un de ses objets d’étude (ce n’est pas le seul…), c’est bien plutôt un Web « foutraque », un Web d’images dans toute sa complexité, ses imprécisions et insuffisances, la circulation des images, leurs reprises, leurs redondances, leurs utilisations maladroites ou erronées, etc. Pour le visualiste, on doit prendre le Web des images tel qu’il est maintenant plutôt que d’espérer l’exploiter un jour tel que l’on souhaiterait qu’il devienne.

Dans son excellent article Les bases de données steampunk des SHS, publié récemment, Nicolas Legrand imagine une équipe de recherche qui travaille sur « les courses poursuites en automobile dans Tintin » et souhaite créer une base de données sur ce plaisant sujet. Cette petite expérience de pensée illustre bien la différence d’approche entre le monde du Web sémantique et celui de la recherche en études visuelles. En effet, la constitution d’une base de référence sur le sujet en question est une tâche bien cadrée, dont la réalisation ne demanderait d’ailleurs probablement qu’une ou deux journées de travail pour autant que l’on ait sous la main les 24 albums du célèbre reporter. Il est dès lors judicieux de concevoir la base ouverte et structurée selon les standards du Web de données de telle façon qu’elle puisse être liée à d’autres sources. Le visualiste de son côté s’intéressera d’emblée à la question beaucoup plus générale de la représentation des courses poursuites dans l’ensemble des productions de la culture ordinaire; son objectif pourrait être par exemple de retracer l’historique de ce trope visuel, de déceler des influences entre médias ou représentations, de repérer des régularités dans les figurations et découvrir les formes du trope qui deviennent des stéréotypes1, etc. Mais c’est là on le voit une toute autre démarche que la description précise de quelques images puisées dans un corpus très limité. C’est, pourrait-on dire, une autre attitude envers les collections d’images que celle qui est promue par les tenants du Web sémantique. Ce n’est pas le même métier, tout simplement. Les sources d’images sont immenses et les supports susceptibles de contenir les figurations recherchées ne sont pas décrits avec le degré de précision requis. Le Web dans son ensemble devient dès lors le « terrain de chasse » que l’on doit parcourir selon des méthodes d’accès ad hoc et bricolées permettant d’extraire des vues fragmentaires structurées.

  1. Sur cette différence entre trope et stéréotype, cf. en particulier l’article Roues imaginaires, roues possibles qui évoque d’ailleurs ce trope de la course poursuite. []

5 pensées sur “Les méthodes d’accès aux images du Web”

  1. Merci pour cet article passionnant. L’ensemble des liens rassemblés ici nous facilite en plus la relecture des publications partagées sur ce thème. Un peu d’humour tout de même; j’aime beaucoup l’assertion : « Il nous a semblé indispensable que ces clichés demeurent disponibles, mais sans qu’il soit possible de demander l’autorisation préalable puisque le site d’origine a disparu. Nous verrons bien… » Argumentation susceptible de faire hérisser les cheveux de toute la communauté des détenteurs de fonds institutionnels. Est-ce un acte illégal ou libertaire que de publier sans l’accord de ceux qui se retranchent derrière d’hypothétiques et inconnus ayants droit? N’est-il pas urgent de publier malgré tout? Dans le cas de PhotosNormandie, l’urgence était motivée il est vrai par le recueil de témoignages de survivants. La réticence et la prudence institutionnelle ne sont-elles pas de tristes moyens pour mettre en sommeil un immense patrimoine au prétexte du respect de disparus mais aussi d’imaginer une future manne financière?

    1. Merci Daniel. En gros, la démarche de publier les photos de la collection Allison qui ont disparu du Web et nous intéressent ne me semble pas très différente de l’initiative reLIRE de la BnF 😉

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *