Une nouvelle approche pour l’amélioration des fresques utilisant MSR CAB et l’extraction de lacunes à partir de peintures murales anciennes par forêt aléatoire

Pourquoi l’art mural qui s’efface compte encore aujourd’hui

Dans les palais et temples historiques, les peintures murales s’écaillent discrètement. Les zones de peinture manquantes sont plus que des défauts esthétiques : elles effacent des scènes porteuses de siècles de mémoire. Pourtant, cartographier ces pertes avec précision reste un travail lent, généralement effectué à la main, image par image. Cette étude présente une méthode informatique capable de mettre automatiquement en évidence les zones endommagées sur des photographies couleur ordinaires de fresques, aidant musées et conservateurs à mieux surveiller des œuvres fragiles même en l’absence de gros budgets ou de grandes équipes.

Les vieux murs du palais passés au crible

La recherche se concentre sur des fresques du palais du Bey du XIXe siècle à Constantine, Algérie, un ensemble richement décoré dont les murs peints documentent batailles historiques, voyages et scènes de vie quotidienne. Avec le temps, la chaleur, les variations d’humidité, la poussière et la négligence ont provoqué fissures, décolorations et surtout des « lacunes » – des zones où la couche picturale s’est détachée, révélant l’enduit nu. Parce que ces lacunes montrent l’avancement du délabrement, les conservateurs ont besoin d’une cartographie fiable de leur taille et de leur répartition. Le traçage manuel est lent et subjectif, tandis que les systèmes de deep learning en vogue exigent des milliers d’images annotées et des ordinateurs puissants que la plupart des institutions patrimoniales n’ont pas.

Rendre les images ternes et poussiéreuses plus lisibles

La première partie de la nouvelle approche vise à rendre les photographies ordinaires de fresques plus faciles à interpréter, pour les humains comme pour les algorithmes. Les auteurs ont conçu une recette de nettoyage d’image qu’ils appellent MSR‑CAB. Elle commence par séparer la luminosité de la couleur afin d’ajuster la clarté sans déformer les teintes d’origine. Plusieurs étapes éclaircissent les zones sombres, homogénéisent les ombres et renforcent le contraste local pour faire ressortir les travaux de pinceau et les contours fins. Une étape de fusion intelligente mélange la vue améliorée avec l’original pour éviter un rendu artificiel, et un passage doux de netteté et de réduction du bruit fait ressortir les détails sans estomper les lignes importantes. Des tests sur des photos prises sous un éclairage médiocre montrent que cette séquence rend les personnages, ornements et zones endommagées beaucoup plus lisibles tout en préservant la fidélité des couleurs des fresques.

Apprendre à une forêt numérique à repérer la peinture disparue

Une fois les images améliorées, la deuxième partie de la méthode apprend à distinguer pixel par pixel la peinture manquante des zones intactes. Plutôt que d’utiliser un lourd modèle de deep learning, les auteurs emploient une Forêt Aléatoire, un ensemble de nombreux arbres de décision simples qui votent pour l’étiquette de chaque pixel. Pour guider ces arbres, ils fournissent cinq indices de base : les valeurs de couleur rouge, verte et bleue ; la variation du canal rouge dans un petit voisinage (une mesure de texture) ; et la force des contours locaux. Un expert humain marque d’abord quelques régions exemples de pertes et de peinture saine, fournissant la vérité de terrain. Comme les zones endommagées sont beaucoup plus rares que les zones intactes, la méthode augmente délibérément leur poids lors de l’entraînement et pénalise plus fortement les détections manquées, afin que les petites lacunes ne soient pas négligées.

D’un palais à de nombreux murs, et même à des feuilles

Sur douze fresques du palais du Bey, la chaîne d’amélioration puis de Forêt Aléatoire a correctement classé en moyenne environ 95 % des pixels, avec de bons résultats à la fois sur la rareté des fausses alertes et sur le faible nombre de pixels endommagés non détectés. Une étude d’ablation – désactivant des parties de la recette d’amélioration – a montré que l’omission des étapes de nettoyage réduisait fortement les performances, surtout en éclairage inégal, soulignant l’importance d’images de qualité. Pour vérifier si l’idée fonctionne au‑delà d’un seul site, les auteurs l’ont appliquée aux fresques des grottes de Mogao en Chine, à des fragments muraux du Metropolitan Museum of Art de New York et même à un jeu de données public de feuilles de plantes malades. Dans ces trois cas, la méthode a isolé avec succès les régions endommagées ou malades, avec des précisions supérieures à 95 % sur les œuvres et près de 99 % sur les feuilles, malgré de petits jeux d’entraînement et des couleurs et textures différentes.

Un allié pratique pour préserver des histoires fragiles

En substance, ce travail montre qu’une amélioration d’image soignée, associée à un modèle d’apprentissage léger, peut tracer de façon fiable où les peintures murales historiques perdent leur couche picturale. Le système ne remplace pas le jugement des experts, mais il peut fournir aux conservateurs des cartes de dommage rapides et cohérentes à partir de photos couleur ordinaires, même lorsqu’il n’existe que quelques exemples. En abaissant les barrières techniques et de données à l’analyse automatisée, l’approche offre aux institutions patrimoniales un outil pratique pour surveiller le déclin, planifier les restaurations et, au final, empêcher que davantage de notre passé peint ne disparaisse discrètement.

Citation: 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

Mots-clés: conservation des fresques, détection des pertes de peinture, imagerie du patrimoine culturel, amélioration d’image, classification par forêt aléatoire