Identificazione dei pigmenti guidata da superpixel ERS e unmixing con autoencoder convoluzionale nelle immagini iperspettrali di pitture murali

Perché questi colori antichi contano ancora

Le antiche pitture murali sono più di una decorazione; i loro colori documentano rotte commerciali, idee religiose e tecnologie perdute. Molte di queste opere sono però troppo fragili per essere campionate direttamente, e secoli di esposizione a luce, umidità e sali hanno alterato le loro tonalità originali. Questo studio presenta un nuovo modo per «leggere» i pigmenti in un famoso murale buddhista in Cina senza toccarne la superficie, combinando imaging avanzato e intelligenza artificiale per rivelare cosa hanno effettivamente usato gli artisti e come quei materiali sono invecchiati.

Guardare un muro con molti occhi

Invece di fotografare il murale con normali fotocamere, i ricercatori hanno usato l’imaging iperspettrale, che cattura centinaia di bande cromatiche strette dalla luce visibile fino al vicino infrarosso a onde corte. Ogni piccola porzione della parete fornisce un’impronta cromatica dettagliata legata a materiali specifici. Il focus è su un settore riccamente decorato della Grotta 171 nelle Grotte di Kizil, un sito buddhista lungo la Via della Seta i cui affreschi sono stati realizzati con pigmenti sia minerali sia organici e hanno subito danni da vento, acqua e sali. Per ancorare le interpretazioni, il team ha anche preparato campioni tradizionali di pigmenti su tavolette, misurato i loro spettri in laboratorio e verificato la composizione con tecniche come la fluorescenza a raggi X e la spettroscopia Raman. Questo ha creato una libreria di riferimento di 26 pigmenti tradizionali con cui confrontare i segnali del murale.

Raggruppare l’immagine in porzioni intelligenti

Una sfida principale è che ogni pixel dell’immagine spesso contiene miscele di pigmenti, e l’invecchiamento può offuscare gli indizi spettrali abituali. Invece di trattare ogni pixel separatamente, gli autori hanno usato un approccio chiamato segmentazione in superpixel. Prima hanno applicato l’analisi delle componenti principali per semplificare i dati iperspettrali. Poi hanno utilizzato l’Entropy Rate Superpixel Segmentation per suddividere il murale in piccole regioni le cui spettralità sono internamente coerenti e seguono i confini pittorici. Per ciascuna di queste regioni hanno mediato gli spettri e applicato un’operazione matematica chiamata continuum removal che mette in evidenza leggere depressioni di assorbimento legate a pigmenti particolari. Hanno quindi confrontato questi spettri regionali potenziati con la loro libreria di pigmenti usando un test di similarità. Combinando la frequenza di apparizione di un pigmento, l’estensione della sua area e la vicinanza del suo spettro, hanno potuto identificare con robustezza i pigmenti principali presenti.

Insegnare a una rete neurale a separare i colori

Identificare quali pigmenti esistono è solo metà del quadro; i conservatori vogliono anche sapere con quale intensità ogni pigmento è presente in ciascun punto del muro. Per questo il team ha ricorso a un autoencoder convoluzionale non supervisionato, un tipo di rete neurale che impara a comprimere e ricostruire l’immagine spettrale. Nel loro progetto, la rappresentazione compressa codifica direttamente le proporzioni di un piccolo insieme di spettri fondamentali, o «endmember», sull’intero murale. Per guidare questo apprendimento hanno prima impiegato un algoritmo geometrico chiamato N‑FINDR per trovare un insieme di estremi spettrali rappresentativi nei dati e li hanno usati come pseudo-endmember. La rete è stata addestrata a ricostruire l’immagine mantenendosi vicina a questi spettri di riferimento e preservando la forma dettagliata delle impronte spettrali dei pigmenti, aiutandola a distinguere rossi molto simili e altre famiglie di colore affini.

Cosa rivela il muro sui suoi colori

Usando questa strategia combinata, gli autori hanno identificato sei pigmenti principali nella Grotta 171: la pietra blu lapislazzuli, il verde di rame atacamite, i rossi minium, ossido di ferro rosso e lac, e il bianco minerale gesso. Le mappe di abbondanza dei pigmenti hanno mostrato come questi materiali siano stratificati e mescolati: il gesso appare sia come pittura bianca sia come strato di preparazione sottostante; lapislazzuli e atacamite si concentrano in zone blu e verdi; e i tre rossi si sovrappongono ma possono comunque essere distinti dalle loro sottili firme spettrali. Il metodo ha inoltre evidenziato aree in cui il rosso a base di piombo (minium) si è scurito formando un composto diverso, indicando un deterioramento in corso che i conservatori devono monitorare.

Dalle impronte nascoste a interventi pratici

Per i non specialisti, il risultato chiave è che gli autori hanno messo a punto un modo per trasformare informazioni spettrali complesse e invisibili in mappe chiare dei pigmenti usati e di come sono cambiati, il tutto senza campionare il murale. Raggruppando regioni simili prima dell’identificazione e vincolando la rete neurale con impronte spettrali fisicamente significative, il flusso di lavoro fornisce mappe di pigmenti affidabili e spazialmente coerenti anche quando i colori sono mescolati o degradati. Questo offre ai conservatori uno strumento non invasivo e potente per documentare i materiali, rilevare sbiadimenti e alterazioni e pianificare interventi mirati, aiutando a preservare per le future generazioni le storie portate dai colori antichi di siti come le Grotte di Kizil.

Citazione: 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

Parole chiave: imaging iperspettrale, conservazione delle pitture murali, mappatura dei pigmenti, deep learning, patrimonio culturale