Herstel van inscripties op orakelbotten met een snel residueel krimp-denoisingnetwerk met fractale gradiënt

Oude woorden weer scherp in beeld

Lang voordat papier en drukwerk bestonden, kerfden Chinese waarzeggers vragen aan de goden in schildpadden- en dierenbotten. Deze inscripties op orakelbotten behoren tot de oudste schriftelijke overleveringen van de mensheid, maar veel bewaarde stukken zijn gebarsten, versleten en moeilijk leesbaar. Deze studie presenteert een nieuwe computermethode die digitale beelden van deze kwetsbare artefacten reinigt en verscherpt, zodat historici en het publiek hun markeringen duidelijker kunnen zien.

Waarom oude botten moeilijk te lezen zijn

Orakelbotten hebben meer dan drieduizend jaar verwering, begrafenis en hantering doorstaan. Wanneer onderzoekers ze tegenwoordig fotograferen of erop wrijven, bevatten de resulterende afbeeldingen vaak gespetterde ruis, onscherpte en ontbrekende delen waar het bot is afgesleten. De tekenstreken zelf zijn meestal sterke, donkere lijnen, maar het omringende oppervlak heeft zeer weinig textuur. Standaard fotobewerkingsinstrumenten, ontworpen voor alledaagse foto’s vol rijke details, laten doorgaans te veel ruis staan of vervagen juist de randen van de oude karakters — precies die onderdelen die experts het meest moeten bestuderen.

Een slimmere manier om beelden op te schonen

Om dit aan te pakken, herontwerpen de auteurs een beeld-"herstel"-stroomlijn rond het specifieke uiterlijk van orakelbotten. Ze vertrekken van een algemeen idee in beeldverwerking: een beschadigde afbeelding kan worden opgevat als een schoon origineel dat is vervormd door onscherpte, ruis of ontbrekende pixels. Wiskundig gezien is het terugwinnen van het origineel een slecht-gestelde opgave met vele mogelijke oplossingen, dus zijn aanvullende regels — regularisatie — nodig om de oplossing naar realistische beelden te sturen. Het team gebruikt een modern type neuraal netwerk dat leert ruis te verwijderen door te voorspellen wat er van een afbeelding afgetrokken moet worden in plaats van het hele beeld van nul op te bouwen. Deze residuele aanpak maakt het trainen eenvoudiger en stabieler.

Patronen lenen van fractals

Een belangrijke innovatie is hoe de methode de scherpe lijnen van de inscripties bewaakt. In plaats van te vertrouwen op eenvoudige randdetectoren, die ruis gemakkelijk verwarren met echte streken, gebruiken de auteurs een "fractale" kijk op het beeld. Fractals vangen hoe patronen zich op verschillende schalen herhalen. Door een klein venster over de afbeelding te schuiven en te tellen hoe de helderheid in dat venster verandert als de schaal varieert, bouwt het algoritme een kaart op van waar het beeld structureel complex is — typisch langs karakterstreken — en waar het vlak is. Deze fractale gradiëntkaart wordt onderdeel van het trainingsdoel: het netwerk wordt niet alleen beloond voor het schoonmaken van de afbeelding, maar ook voor het behouden van deze multiscale randstructuren.

Snelheid en detail door slim netwerkontwerp

Het herstel­systeem gebruikt ook omkeerbare sampling om efficiënt te werken. Eerst wordt de invoerafbeelding opgesplitst in meerdere kleinere, lagere-resolutie tegels die het netwerk snel kan verwerken. Na het denoisen wordt een opschalingsstap gebruikt om ze weer tot volledige grootte samen te voegen. Binnen het netwerk extraheren lagen met kleine convolutiefilters kenmerken, terwijl een soft-thresholdingmodule beslist welke kenmerken waarschijnlijk ruis zijn en die zachtjes krimpt in plaats van abrupt weg te snijden. Deze combinatie stelt het model in staat spikkels en onscherpte te onderdrukken terwijl subtiele lijnonderbrekingen en hoeken behouden blijven die betekenis dragen in het schrift.

Scherpere karakters, snellere resultaten

De onderzoekers testen hun methode op afbeeldingen van orakelbotkarakters voor "tijger", "draak" en "hond", waarbij ze drie veelvoorkomende problemen simuleren: willekeurige ruis, onscherpte door een onscherpe lens en krassen of gaten die moeten worden opgevuld. Ze vergelijken hun aanpak met een bekend diep-lerend method genaamd IRCNN, met zowel visuele inspectie als standaardmaatregelen voor beeldkwaliteit. In bijna alle gevallen levert de nieuwe methode duidelijkere, meer continue streken en hogere scores voor scherpte en structurele gelijkenis, terwijl ze ook minder tijd kost. Aanvullende analyses van randkaarten en gradiënthistogrammen laten zien dat het de originele richting en sterkte van de karaktercontouren trouwer reproduceert.

Oud schrift zichtbaar maken voor moderne ogen

Simpele gezegd biedt dit werk een snellere, slimmere digitale "schoonmaakdoek" voor enkele van de oudst bekende teksten ter wereld. Door een op maat gemaakt neuraal netwerk te combineren met een fractaalgebaseerde manier om randen te detecteren en te behouden, kan de techniek ruis wegnemen, onscherpte herstellen en kleine gaten opvullen zonder de fijne details te wissen waarop specialisten vertrouwen. Naarmate dergelijke tools zich verspreiden, beloven ze vervaagde orakelbotten — en mogelijk andere kwetsbare inscripties — beter leesbaar te maken voor onderzoekers, studenten en museumbezoekers, en zo een belangrijk stukje van het menselijk erfgoed te bewaren en te delen.

Bronvermelding: Li, Z., Zhao, W. Restoration of oracle bone inscriptions using a fast residual shrinkage denoising network with fractal gradient. npj Herit. Sci. 14, 102 (2026). https://doi.org/10.1038/s40494-026-02361-6

Trefwoorden: inscripties op orakelbotten, beeldherstel, diep leren, cultureel erfgoed, ruisonderdrukking