Identification des pigments guidée par superpixels ERS et démêlage par autoencodeur convolutionnel dans des images hyperspectrales de peintures murales

Pourquoi ces couleurs anciennes comptent encore

Les peintures murales anciennes sont bien plus que de la décoration ; leurs couleurs consignent des routes commerciales, des idées religieuses et des savoir‑faire perdus. Pourtant, nombre de ces peintures sont trop fragiles pour être échantillonnées directement, et des siècles d’exposition à la lumière, à l’humidité et aux sels ont altéré leurs teintes d’origine. Cette étude propose une nouvelle manière de « lire » les pigments d’une célèbre peinture murale bouddhique en Chine sans toucher la surface, en combinant imagerie avancée et intelligence artificielle pour révéler ce que les artistes utilisaient réellement et comment ces matériaux ont vieilli.

Regarder un mur avec de nombreux yeux

Plutôt que de photographier la peinture avec des appareils ordinaires, les chercheurs ont utilisé l’imagerie hyperspectrale, qui capture des centaines de bandes spectrales étroites de la lumière visible jusqu’au proche infrarouge. Chaque minuscule portion du mur fournit une empreinte spectrale détaillée liée à des matériaux précis. Ils se sont concentrés sur une section richement peinte de la grotte 171 dans les grottes de Kizil, un site bouddhique ancien le long de la Route de la Soie dont les peintures, réalisées avec des pigments minéraux et organiques, ont souffert du vent, de l’eau et des sels. Pour étayer leurs interprétations, l’équipe a aussi préparé des échantillons de pigments traditionnels sur panneaux, mesuré leurs spectres en laboratoire et vérifié leur composition par des techniques comme la fluorescence X et la spectroscopie Raman. Cela a permis de constituer une bibliothèque de référence de 26 pigments traditionnels contre laquelle comparer les signaux muraux.

Regrouper l’image en zones intelligentes

Un défi majeur est que chaque pixel d’image contient souvent des mélanges de pigments, et le vieillissement peut estomper les indices spectraux habituels. Plutôt que de traiter chaque pixel séparément, les auteurs ont utilisé une approche appelée segmentation en superpixels. D’abord, ils ont appliqué une analyse en composantes principales pour simplifier les données hyperspectrales. Ils ont ensuite utilisé la segmentation en superpixels par taux d’entropie pour découper la peinture en petites régions dont les spectres sont internes cohérents et suivent les contours peints. Pour chaque région, ils ont moyenné les spectres et appliqué une étape mathématique appelée retrait de continuum qui met en évidence de subtiles baisses d’absorption liées à des pigments particuliers. Ils ont ensuite comparé ces spectres régionaux améliorés à leur bibliothèque de pigments par un test de similarité. En combinant la fréquence d’apparition d’un pigment, la surface qu’il couvre et la proximité spectrale, ils ont pu identifier de façon robuste les pigments principaux présents.

Apprendre à un réseau neuronal à démêler les couleurs

Identifier quels pigments existent ne raconte qu’une partie de l’histoire ; les conservateurs veulent aussi savoir dans quelle proportion chaque pigment est présent en chaque point du mur. Pour cela, l’équipe a eu recours à un autoencodeur convolutionnel non supervisé, un type de réseau neuronal qui apprend à compresser et reconstruire l’image spectrale. Dans leur conception, la représentation compressée encode directement les proportions d’un petit ensemble de spectres fondamentaux, ou « endmembers », sur la fresque. Pour guider cet apprentissage, ils ont d’abord utilisé un algorithme géométrique appelé N‑FINDR pour extraire un ensemble d’extrêmes spectraux représentatifs dans les données et les ont employés comme pseudo‑endmembers. Le réseau a été entraîné à reconstruire l’image tout en restant proche de ces spectres de référence et en préservant la forme détaillée des empreintes pigmentaires, ce qui l’aide à distinguer des rouges très similaires et d’autres familles de couleurs proches.

Ce que le mur révèle de ses couleurs

Grâce à cette stratégie combinée, les auteurs ont identifié six pigments principaux dans la grotte 171 : le bleu minéral lapis‑lazuli, le vert cuivreux atacamite, les rouges minium, oxyde de fer rouge et laque, et le blanc minéral gypse. Les cartes d’abondance des pigments ont montré comment ces matériaux sont disposés en couches et mélangés : le gypse apparaît à la fois comme peinture blanche et comme couche de préparation sous‑jacente ; le lapis‑lazuli et l’atacamite se concentrent dans des zones bleues et vertes ; et les trois rouges se chevauchent mais peuvent néanmoins être démêlés grâce à leurs signatures spectrales subtiles. La méthode a même permis de repérer des zones où le rouge au plomb minium s’est assombri en un composé différent, indiquant une détérioration en cours que les conservateurs doivent suivre.

Des empreintes cachées aux soins pratiques

Pour un public non spécialiste, le résultat clé est que les auteurs ont mis au point une manière de transformer des informations spectrales complexes et invisibles en cartes claires des pigments utilisés et de leurs altérations, le tout sans échantillonnage de la peinture. En regroupant d’abord les régions similaires avant identification et en contraignant le réseau neuronal avec des empreintes pigmentaires physiquement significatives, le flux de travail fournit des cartes de pigments fiables et spatialement cohérentes, même lorsque les couleurs sont mélangées ou dégradées. Cela apporte aux conservateurs un outil non invasif puissant pour documenter les matériaux, détecter la décoloration et l’altération, et planifier des interventions ciblées, contribuant à préserver les histoires portées par les couleurs anciennes de sites comme les grottes de Kizil pour les générations futures.

Citation: 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

Mots-clés: imagerie hyperspectrale, conservation des peintures murales, cartographie des pigments, apprentissage profond, patrimoine culturel