Un nuovo approccio al miglioramento dei murali usando MSR CAB ed estrazione delle lacune da dipinti murali antichi mediante random forest

Perché l’arte murale sbiadita conta ancora oggi

Nei palazzi storici e nei templi, gli affreschi si sfogliano silenziosamente. Le aree di pittura mancanti sono più di semplici difetti estetici: cancellano scene che custodiscono secoli di memoria. Tuttavia mappare con cura queste perdite è un lavoro lento, tipicamente fatto a mano, fotogramma per fotogramma. Questo studio presenta un metodo informatico che può mettere in evidenza automaticamente le zone danneggiate in normali fotografie a colori dei murali, aiutando musei e restauratori a sorvegliare meglio opere fragili anche quando dispongono di budget limitati o di team ristretti.

Vecchie pareti di palazzo sotto nuova osservazione

La ricerca si concentra sui murali del Palazzo del Bey del XIX secolo a Costantina, in Algeria, un complesso riccamente decorato i cui pannelli dipinti documentano battaglie storiche, viaggi e la vita quotidiana. Nel tempo, il calore, le variazioni di umidità, la polvere e la trascuratezza hanno prodotto crepe, scolorimenti e, in particolare, “lacune” – aree in cui lo strato pittorico si è staccato, esponendo l’intonaco sottostante. Poiché queste lacune rivelano quanto sia avanzato il deterioramento, i conservatori hanno bisogno di una mappa affidabile della loro estensione. Il tracciamento manuale è lento e soggettivo, mentre i sistemi di deep learning più in voga richiedono migliaia di immagini etichettate e computer potenti che la maggior parte delle istituzioni del patrimonio non possiede.

Rendere le immagini scure e polverose più leggibili

La prima parte del nuovo approccio si concentra sul rendere le fotografie ordinarie dei murali più facili da interpretare, sia per gli esseri umani sia per gli algoritmi. Gli autori hanno ideato una ricetta di pulizia dell’immagine chiamata MSR‑CAB. Funziona separando prima la luminosità dal colore in modo che la brillantezza possa essere regolata senza alterare le tonalità originali. Poi diverse fasi schiariscono le aree scure, uniformano le ombre e aumentano il contrasto locale in modo che i dettagli di pennellata e i bordi emergano. Un passaggio di fusione intelligente mescola la vista migliorata con l’originale per evitare un aspetto artificiale, e una lieve passata di nitidezza e riduzione del rumore fa emergere i dettagli senza sfocare linee importanti. I test su fotografie del palazzo scattate in condizioni di scarsa illuminazione mostrano che questa sequenza rende figure, ornamenti e zone danneggiate molto più chiari mantenendo fedeli i colori dei murali.

Addestrare una foresta digitale a riconoscere la pittura perduta

Una volta migliorate le immagini, la seconda parte del metodo impara a separare la pittura mancante dalle aree integre, pixel per pixel. Invece di un pesante modello di deep learning, gli autori utilizzano una Random Forest, un insieme di molti alberi decisionali semplici che votano sull’etichetta di ciascun pixel. Per guidare questi alberi, introducono cinque indizi di base: i valori di colore rosso, verde e blu; quanto varia il canale rosso in un minuscolo intorno (una misura della texture); e la forza dei bordi locali. Un esperto umano segna inizialmente alcune regioni di esempio di lacune e di pittura sana, fornendo al sistema la verità di riferimento. Poiché le aree danneggiate sono molto più rare di quelle integre, il metodo aumenta deliberatamente il loro peso durante l’addestramento e penalizza più severamente le omissioni, in modo che piccole lacune non vengano ignorate.

Da un palazzo a molte pareti e persino foglie

Su dodici murali del Palazzo del Bey, la pipeline combinata di miglioramento e Random Forest ha classificato correttamente in media circa il 95 percento dei pixel, con punteggi elevati sia per la bassa frequenza di falsi allarmi sia per il limitato numero di pixel danneggiati trascurati. Uno studio di ablation – disattivando parti della ricetta di miglioramento – ha mostrato che saltare i passaggi di pulizia riduceva drasticamente le prestazioni, soprattutto in presenza di illuminazione non uniforme, sottolineando quanto siano vitali immagini di qualità. Per verificare se l’idea funziona oltre un singolo sito, gli autori l’hanno applicata ai murali delle Grotte di Mogao in Cina, a frammenti murali del Metropolitan Museum of Art di New York e persino a un dataset pubblico di foglie di piante malate. In tutti e tre i casi, il metodo è riuscito a isolare regioni danneggiate o malate, con accuratezze superiori al 95 percento sulle opere d’arte e quasi il 99 percento sulle foglie, nonostante piccoli set di addestramento e colori e texture differenti.

Un alleato pratico per preservare storie fragili

In sostanza, questo lavoro dimostra che un accurato miglioramento delle immagini, abbinato a un modello di apprendimento leggero, può tracciare in modo affidabile dove i dipinti murali storici stanno perdendo la loro “pelle”. Il sistema non sostituisce il giudizio degli esperti, ma può fornire ai conservatori mappe di danneggiamento rapide e coerenti a partire da semplici fotografie a colori, anche quando sono disponibili solo pochi esempi. Abbassando le barriere tecniche e di dati all’analisi automatizzata, l’approccio offre alle istituzioni del patrimonio uno strumento pratico per monitorare il degrado, pianificare i restauri e, in ultima analisi, evitare che una parte del nostro passato dipinto scompaia silenziosamente.

Citazione: 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

Parole chiave: conservazione dei murali, rilevamento delle perdite di pittura, imaging del patrimonio culturale, miglioramento delle immagini, classificazione random forest