Voorbij herbelichting: RTI voor het clusteren van gefragmenteerde erfgoedtextiel met deep learning

Het verleden weer samenvoegen

Archeologische textielstukken bereiken ons vaak als kleine, broze kruimels in plaats van complete kledingstukken of wandtapijten. Toch kunnen deze fragiele draden onthullen hoe mensen zich kleedden, welke verhalen ze in textiel weefden en hoe verfijnd hun ambacht en handel waren. Dit artikel presenteert een nieuwe computergestuurde methode om conservatoren en archeologen te helpen dergelijke fragmenten te sorteren en te groeperen, door gebruik te maken van een speciale verlichtingsmethode en moderne beeldanalyse om te suggereren welke stukken mogelijk ooit bij elkaar hebben gehoord.

Licht uit vele hoeken

De kern van het werk is een beeldvormingsmethode genaamd Reflectance Transformation Imaging, of RTI. In plaats van slechts één foto van een textiel te nemen, legt RTI tientallen beelden vast terwijl licht vanuit vele richtingen in een gecontroleerde koepel op het object wordt geschenen. Dit levert geen volledig 3D-model op, maar registreert wel hoe het oppervlak licht reflecteert en maakt kleine bobbels, draden en afgesleten plekken zichtbaar die een normale kleurenfoto niet toont. Vergeleken met standaardfotografie biedt RTI veel rijkere informatie over textuur en oppervlakteschade, en dat zonder het object aan te raken of te beschadigen.

Licht omzetten in getallen

Om van deze rijke data te profiteren, comprimeren de auteurs eerst elke RTI-reeks tot een vereenvoudigd beeld dat het algemene, verlichting-onafhankelijke uiterlijk van het textieloppervlak weergeeft. Ze gebruiken een wiskundige techniek genaamd hemisferische harmonischen om te beschrijven hoe elk punt op de stof reageert op licht uit verschillende richtingen. Door alleen het basiscomponent van deze beschrijving te bewaren, verkrijgen ze een afbeelding die de stabiele kleur en diffuse reflectie van het textiel vastlegt en tegelijkertijd schaduwen en glansplekken onderdrukt. Dit is vooral belangrijk voor oude, oneffen fragmenten, waarbij kleine veranderingen in positie of belichting anders de analyse zouden kunnen misleiden.

De computer leren stof te zien

Vervolgens voeren de onderzoekers deze verwerkte RTI-beelden in een deep-learningmodel dat oorspronkelijk is getraind op miljoenen alledaagse foto’s. Hoewel dit model, bekend als ResNet-50, niet specifiek voor archeologie is ontwikkeld, zijn de vroege lagen uitstekend in het herkennen van patronen zoals lijnen, texturen en vormen. Voor elk fragment produceert het model een lange reeks getallen—een featurevector—die het visuele karakter van de stof samenvat, inclusief weefstructuur, decoratie, kleurverdeling en tekenen van beschadiging. Omdat deze beschrijving zo gedetailleerd is, leeft ze in een ruimte van meer dan tweeduizend dimensies, ver buiten wat mensen gemakkelijk kunnen overzien.

Clusters zien in de wanorde

Om deze complexe beschrijving bruikbaar te maken voor archeologen passen de onderzoekers dimensionale-reductietools toe die de hoog-dimensionale features samenpersen tot een tweedimensionale kaart. Op deze kaart liggen fragmenten met vergelijkbare oppervlakteeigenschappen vaak dicht bij elkaar, terwijl verschillende fragmenten verder van elkaar verwijderd zijn. Daarna gebruiken ze standaard clusteringmethoden, zoals k-means en spectral clustering, om automatisch fragmenten te groeperen die gerelateerd lijken. De methode is getest op twee textielcollecties: de beroemde Vikingtijdse Oseberg-begrafenisteksten, die alleen als verspreide stukjes bewaard zijn gebleven, en een Poolse Dragoon-vlag waarvan het oorspronkelijke geheel bekend is en digitaal in testfragmenten is gesneden.

Beter dan gewone foto’s

Door RTI-gebaseerde resultaten te vergelijken met die van enkele goed belichte kleurfoto’s van dezelfde fragmenten laten de auteurs zien dat RTI duidelijkere en consistenter groepen oplevert. Gespleten delen van hetzelfde oorspronkelijke textiel worden dichter bij elkaar geplaatst in de RTI-featureruimte, en bekende sets uit de controlevlag vormen strakke, aparte clusters. Het RTI-framework ondersteunt ook een eenvoudige “beeldzoek”-taak: gegeven één fragment kan het systeem andere fragmenten suggereren die het meest waarschijnlijk overeenkomen, wat de handmatige inspanning van experts bij het sorteren door grote collecties sterk kan verminderen.

Wat dit betekent voor het herbouwen van geschiedenis

Simpel gezegd toont de studie aan dat het belichten van textiel vanuit vele richtingen en het analyseren van de resulterende patronen met deep learning computers helpt om dezelfde subtiele aanwijzingen op te merken als menselijke experts: draaddikte, weefsel, slijtage en vage motieven. Hoewel de aanpak nog niet op zichzelf volledige kledingstukken reconstrueert—en beperkt wordt door het gebrek aan harde grondwaarheid voor veel archeologische vondsten—biedt het een krachtige, niet-destructieve manier om te beperken welke fragmenten waarschijnlijk tot hetzelfde oorspronkelijke object behoorden. In de loop van de tijd zouden zulke tools musea en archeologen kunnen helpen om rommelige stapels oud textiel om te zetten in meer complete en betrouwbare verhalen over de mensen die ze weefden en droegen.

Bronvermelding: Khawaja, M.A., Gigilashvili, D., Łojewski, T. et al. Beyond relighting: RTI for clustering fragmented heritage textiles using deep learning. npj Herit. Sci. 14, 95 (2026). https://doi.org/10.1038/s40494-026-02326-9

Trefwoorden: archeologische textiel, reflectance transformation imaging, deep learning, reconstructie van cultureel erfgoed, beeldclustering