Ein neuer Ansatz zur Wandbildverbesserung mit MSR CAB und Fehlstellen-Extraktion aus antiken Wandmalereien mittels Random Forest

Warum verblasste Wandkunst heute noch wichtig ist

In historischen Palästen und Tempeln blättern Wandmalereien still vor sich hin. Die fehlenden Farbflecken sind mehr als kosmetische Mängel: Sie löschen Szenen, die Jahrhunderte an Erinnerungen tragen. Sorgfältiges Kartieren dieser Verluste ist jedoch eine langsame Arbeit, die üblicherweise von Hand, Bild für Bild, erfolgt. Diese Studie stellt eine computergestützte Methode vor, die beschädigte Stellen in normalen Farbfotos von Wandmalereien automatisch hervorheben kann und Museen und Restauratoren hilft, empfindliche Kunstwerke besser zu überwachen – selbst wenn große Budgets oder Teams fehlen.

Alte Palastwände unter neuer Beobachtung

Die Forschung konzentriert sich auf Wandmalereien aus dem 19. Jahrhundert im Bey-Palast in Constantine, Algerien, einem reich dekorierten Komplex, dessen bemalte Wände historische Schlachten, Reisen und Alltagsleben dokumentieren. Im Laufe der Zeit haben Hitze, Feuchtigkeitsschwankungen, Staub und Vernachlässigung Risse, Verfärbungen und besonders „LakunEN“ – Bereiche, in denen die Farbschicht abgefallen ist und roher Putz zum Vorschein kommt – verursacht. Da diese Lücken zeigen, wie weit der Verfall fortgeschritten ist, benötigen Restauratoren eine verlässliche Karte ihrer Ausdehnung. Manuelles Nachzeichnen ist langsam und subjektiv, während populäre Deep‑Learning-Systeme Tausende beschrifteter Bilder und leistungsfähige Rechner verlangen, die die meisten Kulturerbeeinrichtungen schlicht nicht besitzen.

Staubige, dunkle Bilder besser lesbar machen

Die erste Hälfte des neuen Ansatzes konzentriert sich darauf, gewöhnliche Fotografien von Wandmalereien für Menschen und Algorithmen leichter interpretierbar zu machen. Die Autoren entwickelten ein Bildreinigungsrezept, das sie MSR‑CAB nennen. Es funktioniert, indem zunächst Helligkeit und Farbe getrennt werden, sodass die Helligkeit angepasst werden kann, ohne die ursprünglichen Farbtöne zu verfälschen. Dann hellen mehrere Stufen dunkle Bereiche auf, gleichen Schatten aus und verstärken lokalen Kontrast, sodass feine Pinselstriche und Kanten deutlicher hervortreten. Ein intelligenter Mischschritt kombiniert die verbesserte Ansicht mit dem Original, um einen künstlichen Eindruck zu vermeiden, und ein sanfter Schärfungs‑ und Rauschunterdrückungsdurchgang hebt Details hervor, ohne wichtige Linien zu verwischen. Tests an Palastfotos, die unter schlechten Lichtverhältnissen aufgenommen wurden, zeigen, dass diese Abfolge Figuren, Ornamente und Schadenszonen deutlich klarer macht und zugleich die Farben der Wandmalereien treu erhält.

Ein digitalen Wald trainieren, verlorene Farbe zu erkennen

Sind die Bilder verbessert, lernt die zweite Hälfte der Methode, fehlende Farbe pixelgenau von intakten Bereichen zu trennen. Statt eines schweren Deep‑Learning‑Modells verwenden die Autoren einen Random Forest, ein Ensemble vieler einfacher Entscheidungsbäume, die über das Label jedes Pixels abstimmen. Um diese Bäume zu leiten, speisen sie fünf grundlegende Hinweise ein: die Rot-, Grün‑ und Blaufarbwerte; wie stark der Rotkanal in einer kleinen Nachbarschaft variiert (ein Maß für Textur); und die Stärke lokaler Kanten. Ein Fachexperte markiert zunächst einige Beispielregionen von Schäden und intakter Farbe und liefert so die Ground‑Truth. Da beschädigte Stellen viel seltener sind als intakte Bereiche, verstärkt die Methode deren Gewicht während des Trainings und bestraft verpasste Erkennungen stärker, sodass auch kleine Lücken nicht übersehen werden.

Von einem Palast zu vielen Wänden und sogar Blättern

An zwölf Wandmalereien aus dem Bey‑Palast klassifizierte die kombinierte Verbesserung‑und‑Random‑Forest‑Pipeline im Mittel rund 95 Prozent der Pixel korrekt, mit hohen Werten sowohl für die geringe Rate an Fehlalarmen als auch für die geringe Zahl übersehener Schadenspixel. Eine Ablationsstudie – bei der Teile des Verbesserungsrezepts abgeschaltet wurden – zeigte, dass das Überspringen der Aufräumschritte die Leistung stark reduzierte, besonders bei ungleichmäßiger Beleuchtung, und unterstreicht damit, wie entscheidend gute Bildqualität ist. Um zu prüfen, ob die Idee über einen einzelnen Ort hinaus funktioniert, wandten die Autoren sie auf Wandmalereien der Mogao‑Höhlen in China, Wandfragmente des Metropolitan Museum of Art in New York und sogar auf einen öffentlichen Datensatz kranker Pflanzenblätter an. In allen drei Fällen isolierte die Methode erfolgreich beschädigte oder erkrankte Bereiche, mit Genauigkeiten über 95 Prozent bei den Kunstwerken und fast 99 Prozent bei den Blättern, trotz kleiner Trainingsmengen und unterschiedlicher Farben und Texturen.

Ein praktischer Helfer zum Bewahren fragiler Geschichten

Im Kern zeigt diese Arbeit, dass sorgfältige Bildverbesserung zusammen mit einem leichten Lernmodell zuverlässig nachzeichnen kann, wo historische Wandmalereien ihre Oberfläche verlieren. Das System ersetzt nicht das fachliche Urteil, kann Restauratoren aber schnelle, konsistente Schadenkarten aus normalen Farbfotos liefern, selbst wenn nur wenige Beispiele vorliegen. Indem es die technischen und datenbezogenen Hürden für automatisierte Analyse senkt, bietet der Ansatz Kulturerbeeinrichtungen ein praktisches Werkzeug, um Verfall zu überwachen, Restaurierungen zu planen und letztlich mehr von unserer bemalten Vergangenheit vor dem stillen Verschwinden zu bewahren.

Zitation: Nasri, A., Zahra, M., Gao, L. et al. A novel approach to mural enhancement using MSR CAB and lacuna extraction from ancient mural paintings using random forest. Sci Rep 16, 10412 (2026). https://doi.org/10.1038/s41598-026-36973-6

Schlüsselwörter: Wandmalerei-Konservierung, Erkennung von Farbverlust, Bildgebung für Kulturerbe, Bildverbesserung, Random-Forest-Klassifikation