Identificación de pigmentos guiada por superpíxeles ERS y unmixing con autoencoder convolucional en imágenes hiperespectrales de pinturas murales

Por qué aún importan estos colores antiguos

Las pinturas murales antiguas son más que decoración; sus colores registran rutas comerciales, ideas religiosas y tecnologías perdidas. Sin embargo, muchas de estas pinturas son demasiado frágiles para tomar muestras directamente, y siglos de exposición a la luz, la humedad y las sales han alterado sus tonos originales. Este estudio presenta una nueva forma de «leer» los pigmentos en un famoso mural budista de China sin tocar la superficie, combinando imagen avanzada e inteligencia artificial para revelar qué usaron realmente los artistas y cómo han envejecido esos materiales.

Mirar una pared con muchos ojos

En lugar de fotografiar el mural con cámaras ordinarias, los investigadores usaron imagen hiperespectral, que captura cientos de bandas estrechas de color desde la luz visible hasta el infrarrojo de onda corta. Cada pequeño parche de la pared ofrece una huella de color detallada vinculada a materiales específicos. Se centraron en una sección ricamente pintada de la Cueva 171 en las Grutas de Kizil, un sitio budista temprano a lo largo de la Ruta de la Seda cuyas pinturas se hicieron con pigmentos minerales y orgánicos y han sufrido daños por viento, agua y sales. Para anclar sus interpretaciones, el equipo también preparó muestras tradicionales de pigmentos en tablillas, midió sus espectros en el laboratorio y comprobó su composición con técnicas como fluorescencia de rayos X y espectroscopía Raman. Esto creó una biblioteca de referencia de 26 pigmentos tradicionales frente a la cual se compararon las señales del mural.

Agrupar la imagen en parches inteligentes

Un desafío importante es que cada píxel de la imagen a menudo contiene mezclas de pigmentos, y el envejecimiento puede difuminar las pistas espectrales habituales. En lugar de tratar cada píxel por separado, los autores usaron un enfoque llamado segmentación por superpíxeles. Primero aplicaron análisis de componentes principales para simplificar los datos hiperespectrales. Luego utilizaron la segmentación por superpíxeles de tasa de entropía (Entropy Rate Superpixel Segmentation) para dividir el mural en pequeñas regiones cuyas espectros son internamente consistentes y siguen los contornos pintados. Para cada región así definida, promediaron los espectros y aplicaron un paso matemático llamado eliminación de continuo que destaca las sutiles caídas de absorción vinculadas a pigmentos concretos. A continuación compararon estos espectros regionales realzados con su biblioteca de pigmentos mediante una prueba de similitud. Al combinar la frecuencia de aparición de un pigmento, la extensión de área que ocupa y la cercanía de su espectro, pudieron identificar con robustez los pigmentos principales presentes.

Enseñar a una red neuronal a separar colores

Identificar qué pigmentos existen es solo la mitad de la historia; los conservadores también quieren saber en qué proporción aparece cada pigmento en cada punto de la pared. Para ello, el equipo recurrió a un autoencoder convolucional no supervisado, un tipo de red neuronal que aprende a comprimir y reconstruir la imagen espectral. En su diseño, la representación comprimida codifica directamente las proporciones de un pequeño conjunto de espectros fundamentales, o «endmembers», a lo largo del mural. Para guiar este aprendizaje, primero emplearon un algoritmo geométrico llamado N‑FINDR para encontrar un conjunto de extremos espectrales representativos en los datos y los usaron como pseudo-endmembers. La red se entrenó para reconstruir la imagen manteniéndose próxima a estos espectros de referencia y preservando la forma detallada de las huellas digitales de los pigmentos, lo que le ayuda a distinguir rojos muy similares y otras familias de colores parecidos.

Lo que la pared revela sobre sus colores

Usando esta estrategia combinada, los autores identificaron seis pigmentos principales en la Cueva 171: la piedra azul lapislázuli, el verde de cobre atacamita, los rojos minio, óxido de hierro rojo y lac, y el mineral blanco yeso. Los mapas de abundancia de pigmentos mostraron cómo estos materiales están estratificados y mezclados: el yeso aparece tanto como pintura blanca como capa de preparación subyacente; el lapislázuli y la atacamita se agrupan en zonas azules y verdes; y los tres rojos se solapan pero aún pueden separarse por sus sutiles firmas espectrales. El método incluso ayudó a señalar áreas donde el rojo a base de plomo (minio) se ha oscurecido hacia otro compuesto, indicando una degradación en curso que los conservadores deben vigilar.

De huellas ocultas a cuidados prácticos

Para no especialistas, el resultado clave es que los autores han ideado una forma de convertir información espectral compleja e invisible en mapas claros de qué pigmentos se usaron y cómo han cambiado, todo sin muestrear el mural. Al agrupar regiones similares antes de la identificación y restringir la red neuronal con huellas de pigmentos físicamente significativas, el flujo de trabajo ofrece mapas de pigmentos fiables y coherentes espacialmente incluso cuando los colores están mezclados o degradados. Esto proporciona a los conservadores una herramienta no invasiva y potente para documentar materiales, detectar decoloraciones y alteraciones, y planificar intervenciones dirigidas, ayudando a preservar las historias que transmiten los colores antiguos de sitios como las Grutas de Kizil para las generaciones futuras.

Cita: 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

Palabras clave: imágenes hiperespectrales, conservación de murales, cartografía de pigmentos, aprendizaje profundo, patrimonio cultural