ERS-superpixel-geführte Pigmentidentifikation und Faltungs-Autoencoder-Enthüllung in hyperspektralen Bildern von Wandmalereien

Warum diese alten Farben weiterhin wichtig sind

Antike Wandmalereien sind mehr als Dekoration: ihre Farben dokumentieren Handelsrouten, religiöse Vorstellungen und verlorene Techniken. Viele dieser Wandbilder sind jedoch zu fragil für direkte Probenahmen, und Jahrhunderte der Einwirkung von Licht, Feuchtigkeit und Salzen haben ihre ursprünglichen Farbtöne verändert. Diese Studie stellt eine neue Methode vor, um die Pigmente einer berühmten buddhistischen Höhlenmalerei in China berührungslos „zu lesen“, indem fortgeschrittene Bildgebung und künstliche Intelligenz kombiniert werden, um zu zeigen, welche Materialien die Künstler tatsächlich verwendeten und wie diese Materialien gealtert sind.

Eine Wand mit vielen Augen betrachten

Anstatt die Wand mit gewöhnlichen Kameras zu fotografieren, nutzten die Forschenden hyperspektrale Bildgebung, die Hunderte schmaler Farbbänder vom sichtbaren Bereich bis ins kurzwellige Infrarot erfasst. Jeder kleine Bereich der Wand liefert so einen detaillierten Farbfingerprint, der mit bestimmten Materialien verknüpft ist. Untersucht wurde ein reich bemalter Abschnitt der Höhle 171 in den Kizil‑Grotten, einer frühen buddhistischen Stätte entlang der Seidenstraße, deren Wandbilder mit mineralischen und organischen Pigmenten ausgeführt wurden und durch Wind, Wasser und Salz geschädigt sind. Zur Verankerung ihrer Interpretationen bereiteten die Forschenden außerdem traditionelle Pigmentproben auf Tafeln vor, maßen deren Spektren im Labor und überprüften ihre Zusammensetzung mit Techniken wie Röntgenfluoreszenz und Raman‑Spektroskopie. So entstand eine Referenzbibliothek von 26 traditionellen Pigmenten, mit der die Signale der Wand verglichen werden konnten.

Das Bild in intelligente Bereiche gruppieren

Eine wesentliche Herausforderung ist, dass jedes Bildpixel oft Mischungen von Pigmenten enthält und Alterung die üblichen spektralen Hinweise verwischen kann. Statt jedes Pixel isoliert zu behandeln, verwendeten die Autorinnen und Autoren einen Ansatz namens Superpixel‑Segmentierung. Zuerst wendeten sie Hauptkomponentenanalyse an, um die hyperspektralen Daten zu vereinfachen. Anschließend nutzten sie die Entropy Rate Superpixel Segmentation, um die Wand in kleine Regionen zu zerteilen, deren Spektren intern konsistent sind und gemalte Grenzen folgen. Für jede dieser Regionen mittelten sie die Spektren und führten einen mathematischen Schritt namens Continuum Removal durch, der subtile Absorptionsdips hervorhebt, die mit bestimmten Pigmenten verbunden sind. Diese verbesserten Regionsspektren verglichen sie dann mithilfe eines Ähnlichkeitstests mit ihrer Pigmentbibliothek. Indem sie berücksichtigten, wie häufig ein Pigment auftrat, welchen Flächenanteil es bedeckte und wie eng sein Spektrum übereinstimmte, konnten sie robust die wichtigsten vorhandenen Pigmente herausfiltern.

Ein neuronales Netz das Entmischen von Farben beibringen

Die Identifikation der vorhandenen Pigmente ist nur die halbe Geschichte; Konservatorinnen und Konservatoren wollen auch wissen, wie stark jedes Pigment an jedem Punkt der Wand vertreten ist. Dafür griff das Team auf einen unüberwachten Faltungs‑Autoencoder zurück, eine Art neuronales Netz, das lernt, das spektrale Bild zu komprimieren und zu rekonstruieren. In ihrem Aufbau kodiert die komprimierte Darstellung direkt die Anteile einer kleinen Menge grundlegender Spektren, sogenannter „Endmember“, über die Wandfläche. Um dieses Lernen zu lenken, nutzten sie zunächst einen geometrischen Algorithmus namens N‑FINDR, um eine Menge repräsentativer spektraler Extreme in den Daten zu finden und als Pseudo‑Endmember zu verwenden. Das Netzwerk wurde darauf trainiert, das Bild zu rekonstruieren, dabei nahe an diesen Referenzspektren zu bleiben und die detaillierte Form der Pigment‑Fingerprints zu bewahren, was ihm half, sehr ähnliche Rottöne und andere einfarbige Familien zu unterscheiden.

Was die Wand über ihre Farben verrät

Mit dieser kombinierten Strategie identifizierten die Autorinnen und Autoren sechs Hauptpigmente in Höhle 171: den blauen Stein Lapislazuli, das kupferhaltige Grün Atacamite, die Rottöne Minium, Eisenoxidrot und Lack sowie das weiße Mineral Gips. Karten zur Pigmenthäufigkeit zeigten, wie diese Materialien geschichtet und gemischt sind: Gips erscheint sowohl als weiße Farbe als auch als darunterliegende Grundschicht; Lapislazuli und Atacamite konzentrieren sich in Blau‑ und Grüntönen; und die drei Rottöne überlappen, lassen sich aber dank subtiler spektraler Signaturen auseinanderhalten. Die Methode half sogar, Bereiche zu markieren, in denen das bleihaltige Rot Minium in eine andere Verbindung nachgedunkelt ist, was auf eine fortschreitende Schädigung hinweist, die von Konservierenden beobachtet werden muss.

Von verborgenen Fingerabdrücken zur praktischen Pflege

Für Nicht‑Spezialisten ist das wichtigste Ergebnis, dass die Autorinnen und Autoren eine Methode entwickelt haben, komplexe, unsichtbare spektrale Informationen in klare Karten der verwendeten Pigmente und ihrer Veränderungen zu überführen, ganz ohne Probenahme der Wand. Indem ähnliche Regionen vor der Identifikation gruppiert und das neuronale Netz mit physikalisch sinnvollen Pigment‑Fingerprints eingeschränkt werden, liefert der Arbeitsablauf verlässliche, räumlich kohärente Pigmentkarten, selbst wenn Farben gemischt oder degradiert sind. Das bietet Konservatorinnen und Konservatoren ein leistungsfähiges, berührungsloses Instrument, um Materialien zu dokumentieren, Ausbleichen und Veränderungen zu erkennen und gezielte Maßnahmen zu planen — und hilft so, die Geschichten, die von den alten Farben von Stätten wie den Kizil‑Grotten getragen werden, für kommende Generationen zu bewahren.

Zitation: Chen, W., Zhang, X., Pan, X. et al. ERS superpixel guided pigment identification and convolutional autoencoder unmixing in mural painting hyperspectral images. npj Herit. Sci. 14, 177 (2026). https://doi.org/10.1038/s40494-026-02450-6

Schlüsselwörter: hyperspektrale Bildgebung, Konservierung von Wandmalereien, Pigmentkartierung, Deep Learning, kulturerbe