Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Kwaliteit, stijl en resolutie beheren

Les 4 van 12 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Kwaliteit, stijl en resolutie beheren
  2. Kwaliteitsniveaus
  3. Beschikbare resoluties
  4. Stijl beheren via uw prompt
  5. Hulpfunctie voor generatie
  6. Kies de juiste combinatie

Bijgewerkt op 2 november 2026 — Imagemodellen. gpt-image-1, het model waarvoor deze cursus oorspronkelijk is geschreven, is verouderd op 23 oktober 2026. Bovendien worden gpt-image-1.5, gpt-image-1-mini en chatgpt-image-latest buiten gebruik gesteld op 1 december 2026. De voorbeelden gebruiken nu gpt-image-2.5-sunburst, dat de hoogste precisie biedt voor bewerkingen; gpt-image-2.5-flare is sneller voor standaardgeneratie. Beide modellen ondersteunen nu de kwaliteitsniveaus xhigh en max. GPT Image-modellen retourneren afbeeldingen altijd in base64-indeling: de parameter response_format die door oudere DALL·E-modellen werd gebruikt, wordt niet langer geaccepteerd en is uit de code verwijderd. Bron: Image generation (OpenAI).

Kwaliteit, stijl en resolutie beheren

GPT Image biedt verschillende handvatten om uw output aan te passen, maar ze werken niet allemaal op dezelfde manier. Kwaliteit en resolutie zijn expliciete API-parameters die van invloed zijn op de kosten en de generatietijd. Stijl daarentegen wordt volledig via uw prompt gestuurd. Inzicht in dit onderscheid voorkomt dat u zoekt naar niet-bestaande opties en helpt u de verhouding tussen kwaliteit en kosten voor elke generatie te optimaliseren.

Kwaliteitsniveaus

De parameter quality heeft directe invloed op het detailniveau en de generatietijd. De beste manier om het verschil te zien, is door het te testen op een veeleisend onderwerp—zoals een stilleven met Rembrandt-belichting, waar verlopen en texturen cruciaal zijn—in plaats van op een vlakke grafiek waar verschillen onzichtbaar zouden blijven.

import base64
from openai import OpenAI

client = OpenAI()

qualities = ["low", "medium", "high"]

for q in qualities:
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Still life with exotic fruits on a marble table, Rembrandt lighting",
        size="1024x1024",
        quality=q
    )
    with open(f"quality_{q}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Quality {q}: quality_{q}.png")
KwaliteitDetailsTijdKostenAanbevolen gebruik
lowBasisSnelVoordeligConcepten, tests, prototyping
mediumGoedGemiddeldMiddenSocial media, presentaties
highMaximaalLangzamerPremiumDrukwerk, reclame, portfolio’s

Beschikbare resoluties

Er zijn drie beeldverhoudingen beschikbaar, elk afgestemd op specifieke gebruiksscenario’s: vierkant 1024×1024 voor social media en avatars, staand 1024×1536 voor stories, posters en mobiele schermen, en liggend 1536×1024 voor banners, koppen en presentaties. Genereer altijd direct in uw doelindeling. Achteraf bijsnijden is zonde van de pixels waarvoor u betaald heeft en verstoort de compositie die het model voor dat specifieke kader heeft opgebouwd.

import base64
from openai import OpenAI

client = OpenAI()

resolutions = {
    "1024x1024": "Vierkant — ideaal voor social media en avatars",
    "1024x1536": "Staand — stories, posters, mobiel",
    "1536x1024": "Liggend — banners, koppen, presentaties",
}

for size, description in resolutions.items():
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Panoramic view of a futuristic city at dusk, neon lights and skyscrapers",
        size=size,
        quality="medium"
    )
    with open(f"city_{size}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"{size} ({description}) → city_{size}.png")

Stijl beheren via uw prompt

Stijl is geen expliciete API-parameter; u stuurt deze volledig via uw prompt. De meest betrouwbare techniek is het specificeren van een precies medium met zijn eigen vocabulaire. “Professional photography, Nikon D850, f/2.8” vraagt niet alleen om een foto—het eist een specifieke scherptediepte en optische weergave. “Retro 16-bit pixel art, limited palette” legt een resolutiebeperking op die het model zal respecteren. De onderstaande lus past vijf verschillende media toe op hetzelfde onderwerp, waardoor de verschillen direct zichtbaar worden.

import base64
mediums = [
    "professional photography, Nikon D850, f/2.8",
    "oil painting on canvas, impressionist style",
    "flat design vector illustration, pastel colors",
    "architectural technical drawing, cross-section view",
    "retro 16-bit pixel art, limited palette",
]

for medium in mediums:
    prompt = f"A typical Parisian café with outdoor seating, {medium}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="medium"
    )
    filename = f"cafe_{mediums.index(medium) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"{medium[:40]}... → {filename}")

Belichting is uw tweede hefboom, en vaak de krachtigste: het kan dezelfde scène radicaal transformeren. Een portret van een keramiekkunstenaar in haar atelier wordt een sobere documentaire-opname onder driedelige studiobelichting, een reclamebeeld in het gouden uur-licht, of een filmposter in Caravaggio-stijl chiaroscuro. Het onderwerp is geen woord veranderd; alleen de sfeer is verschoven.

import base64
lightings = [
    "three-point studio lighting, neutral white background",
    "natural golden hour light",
    "cyberpunk neon lighting, pink and blue",
    "dramatic Caravaggio-style chiaroscuro",
    "diffuse rainy day light, gray tones",
]

for lighting in lightings:
    prompt = f"Portrait of a ceramic artisan in her workshop, {lighting}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536",
        quality="high"
    )
    filename = f"artisan_{lightings.index(lighting) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Lighting: {lighting} → {filename}")

Hulpfunctie voor generatie

Het herhalen van dezelfde zes regels voor elke aanroep wordt al snel vervelend en foutgevoelig. Verpak uw standaardvoorkeuren in een herbruikbare functie die ook zorgt voor opslag op schijf en het toevoegen van achtervoegsels aan bestandsnamen wanneer u meerdere afbeeldingen aanvraagt.

from openai import OpenAI
import base64
from pathlib import Path

client = OpenAI()

def generate_image(
    prompt: str,
    output_path: str,
    size: str = "1024x1024",
    quality: str = "medium",
    n: int = 1
) -> list[str]:
    """
    Genereert een of meer afbeeldingen en slaat ze lokaal op.
    Retourneert een lijst met aangemaakte bestandspaden.
    """
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        n=n,
        size=size,
        quality=quality,
    )

    paths = []
    for i, image in enumerate(response.data):
        if n > 1:
            path = Path(output_path).stem + f"_{i+1}" + Path(output_path).suffix
        else:
            path = output_path

        data = base64.b64decode(image.b64_json)
        with open(path, "wb") as f:
            f.write(data)
        paths.append(path)
        print(f"Saved: {path}")

    return paths


# Gebruik
generate_image(
    prompt="Premium packaging for matcha tea, minimalist Japanese design",
    output_path="matcha_packaging.png",
    size="1024x1024",
    quality="high"
)

Kies de juiste combinatie

U bepaalt beide parameters samen, op basis van uw doelmedium. De onderstaande tabel vat de meest voorkomende scenario’s samen.

ContextResolutieKwaliteit
Snelle prototyping1024×1024low
Instagram / LinkedIn-post1024×1024medium
Verticale story / Reel1024×1536medium
Webbanner / kop1536×1024medium
A3+ gedrukte poster1024×1536high
Creatief portfolio / boek1024×1024high
Batch-testen van prompts1024×1024low

Kopieer deze tabel in productie niet handmatig in elk script. Vertaal dit naar configuratielogica en laat uw code kiezen op basis van de gedeclareerde context. U krijgt één enkele bron van waarheid, en als u later besluit dat uw social-media-posts high kwaliteit moeten gebruiken, volstaat één regel wijzigen.

def generate_for_context(prompt: str, context: str, output: str):
    """Past kwaliteit en resolutie automatisch aan de context aan."""
    configs = {
        "prototype": {"size": "1024x1024", "quality": "low"},
        "social_media": {"size": "1024x1024", "quality": "medium"},
        "story": {"size": "1024x1536", "quality": "medium"},
        "banner": {"size": "1536x1024", "quality": "medium"},
        "print": {"size": "1024x1536", "quality": "high"},
    }

    config = configs.get(context, configs["social_media"])

    return generate_image(
        prompt=prompt,
        output_path=output,
        **config
    )


# Genereer dezelfde afbeelding voor verschillende media
generate_for_context(
    "Corsen AI logo on dark background, premium tech style",
    "social_media",
    "logo_social.png"
)

Om uw eigen oordeel over deze instellingen te ontwikkelen, genereert u zelf de volledige matrix: schrijf een script dat één prompt als invoer neemt en alle negen combinaties van kwaliteit × resolutie produceert, sla elk bestand op met een expliciete naam zoals image_low_1024x1024.png, en toon een overzichtstabel. U zult al snel met het blote oog weten wanneer medium voldoende is.