Een nieuwe benadering van muurschilderingverbetering met MSR CAB en lacuna-extractie uit oude muurschilderingen met behulp van random forest

Waarom vervagende wandkunst nog steeds van belang is

In historische paleizen en tempels brokkelen muurschilderingen ongemerkt weg. De ontbrekende verflagen zijn meer dan cosmetische gebreken: ze wissen taferelen uit die eeuwen aan herinnering dragen. Het nauwkeurig in kaart brengen van deze verliezen is echter traag werk, meestal handmatig, beeld voor beeld. Deze studie presenteert een computergestuurde methode die beschadigde plekken automatisch kan markeren in gewone kleurenfoto’s van muurschilderingen, en zo musea en conservatoren helpt kwetsbare kunstwerken beter in de gaten te houden, ook als ze geen grote budgetten of teams hebben.

Oude paleismuren onder nieuwe blik

Het onderzoek richt zich op muurschilderingen uit het 19e-eeuwse Bey’s Palace in Constantine, Algerije, een rijk gedecoreerd complex waarvan de beschilderde wanden historische veldslagen, reizen en het dagelijks leven documenteren. In de loop van de tijd hebben hitte, wisselende luchtvochtigheid, stof en verwaarlozing geleid tot scheuren, verkleuringen en vooral “lacunae” – gebieden waar de verflaag is weggevallen en het kale pleisterwerk zichtbaar is geworden. Omdat deze gaten laten zien hoever de achteruitgang gevorderd is, hebben conservatoren een betrouwbare kaart nodig van hun omvang en verspreiding. Handmatig traceren is traag en subjectief, terwijl trendy deep-learningsystemen duizenden gelabelde beelden en krachtige computers vereisen die de meeste erfgoedinstellingen gewoon niet hebben.

Donkere, stoffige beelden leesbaarder maken

Het eerste deel van de nieuwe benadering richt zich op het begrijpelijker maken van gewone foto’s van muurschilderingen, zowel voor mensen als voor algoritmen. De auteurs ontwierpen een opmaakrecept voor beeldopschoning dat ze MSR‑CAB noemen. Het werkt door eerst lichtheid van kleur te scheiden zodat de helderheid aangepast kan worden zonder de originele tinten te vervormen. Daarna verhelderen meerdere stappen donkere gebieden, egaliseren schaduwen en versterken lokale contrasten zodat fijne penseelstreken en randen beter zichtbaar worden. Een slimme mengstap combineert de verbeterde weergave met het origineel om een kunstmatige uitstraling te vermijden, en een zachte verscherpings- en ruisonderdrukkingsstap brengt details naar voren zonder belangrijke lijnen te vervagen. Tests op paleisfoto’s genomen onder slechte belichting tonen aan dat deze reeks figuren, ornamenten en beschadigde zones veel duidelijker maakt terwijl de kleuren van de muurschilderingen trouw blijven.

Een digitaal bos leren verloren verf te herkennen

Zodra de beelden zijn verbeterd, leert het tweede deel van de methode ontbrekende verf van intacte gebieden te scheiden, pixel voor pixel. In plaats van een zwaar deep-learningmodel gebruiken de auteurs een Random Forest, een verzameling van vele eenvoudige beslissingsbomen die over het label van elke pixel stemmen. Om deze bomen te sturen, voeren ze vijf basis aanwijzingen aan: de rood-, groen- en blauwwaarden; hoe sterk het roodkanaal varieert in een klein buurtgebied (een maat voor textuur); en de sterkte van lokale randen. Een menselijke expert markeert eerst een paar voorbeeldgebieden van verlies en gezonde verf, waarmee het systeem grondwaarheden krijgt. Omdat beschadigde plekken veel zeldzamer zijn dan intacte gebieden, verhoogt de methode hun gewicht tijdens training en straft het gemiste detecties zwaarder af, zodat kleine gaten niet over het hoofd worden gezien.

Van één paleis naar vele muren en zelfs bladeren

Op twaalf muurschilderingen uit Bey’s Palace classificeerde de gecombineerde verbeterings- en Random Forest-pijplijn gemiddeld ongeveer 95 procent van de pixels correct, met hoge scores zowel voor hoe zelden er valse alarmen waren als voor hoeveel beschadigde pixels over het hoofd werden gezien. Een ablatiestudie – waarbij delen van het verbeteringsrecept werden uitgeschakeld – toonde dat het overslaan van de opschoningsstappen de prestaties scherp verminderde, vooral bij ongelijkmatige belichting, wat benadrukt hoe belangrijk goede beeldkwaliteit is. Om te testen of het idee buiten één locatie werkt, pasten de auteurs het toe op muurschilderingen uit de Mogao-grotten in China, muurfragmenten uit het Metropolitan Museum of Art in New York en zelfs op een openbare dataset van zieke plantbladeren. In alle drie de gevallen is het gelukt beschadigde of zieke gebieden te isoleren, met nauwkeurigheden boven 95 procent voor de kunstwerken en bijna 99 procent voor de bladeren, ondanks kleine trainingssets en verschillende kleuren en texturen.

Een praktische bondgenoot om kwetsbare verhalen te bewaren

In wezen laat dit werk zien dat zorgvuldige beeldverbetering, gecombineerd met een lichtgewicht leermodel, betrouwbaar kan volgen waar historische muurschilderingen hun “huid” verliezen. Het systeem vervangt geen deskundig oordeel, maar het kan conservatoren snelle, consistente schadekaarten geven op basis van gewone kleurenfoto’s, zelfs wanneer slechts een handvol voorbeelden beschikbaar is. Door de technische en data-barrières voor geautomatiseerde analyse te verlagen, biedt de aanpak erfgoedinstellingen een praktisch hulpmiddel om achteruitgang te monitoren, restauraties te plannen en uiteindelijk meer van ons beschilderde verleden te behoeden voor stille verdwijning.

Bronvermelding: 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

Trefwoorden: conservering van muurschilderingen, detectie van verflossing, beeldvorming cultureel erfgoed, beeldverbetering, random forest-classificatie