Identificação de pigmentos guiada por superpixels ERS e desemaranhamento via autoencoder convolucional em imagens hiperespectrais de pinturas murais

Por que essas cores antigas ainda importam

Pinturas murais antigas são mais que decoração; suas cores registram rotas comerciais, ideias religiosas e tecnologias perdidas. No entanto, muitas dessas pinturas de parede são frágeis demais para amostragem direta, e séculos de exposição à luz, umidade e sais alteraram seus matizes originais. Este estudo apresenta uma nova maneira de "ler" os pigmentos em um famoso mural budista na China sem tocar a superfície, combinando imageamento avançado e inteligência artificial para revelar o que os artistas realmente usaram e como esses materiais envelheceram.

Olhando a parede com muitos olhos

Em vez de fotografar o mural com câmeras comuns, os pesquisadores usaram imageamento hiperespectral, que captura centenas de bandas estreitas de cor do visível ao infravermelho de onda curta. Cada pequeno trecho da parede fornece uma impressão digital espectral detalhada vinculada a materiais específicos. Eles concentraram-se em uma seção ricamente pintada da Caverna 171 nas Grutas de Kizil, um sítio budista antigo ao longo da Rota da Seda cujos murais foram feitos com pigmentos minerais e orgânicos e sofreram danos por vento, água e sais. Para ancorar suas interpretações, a equipe também preparou amostras tradicionais de pigmentos em placas, mediu seus espectros em laboratório e verificou sua composição com técnicas como fluorescência de raios X e espectroscopia Raman. Isso criou uma biblioteca de referência de 26 pigmentos tradicionais contra a qual os sinais do mural puderam ser comparados.

Agrupando a imagem em manchas inteligentes

Um desafio importante é que cada pixel da imagem frequentemente contém misturas de pigmentos, e o envelhecimento pode borrar as pistas espectrais habituais. Em vez de tratar cada pixel separadamente, os autores usaram uma abordagem chamada segmentação por superpixels. Primeiro, aplicaram análise de componentes principais para simplificar os dados hiperespectrais. Em seguida, utilizaram a segmentação por superpixels baseada em Taxa de Entropia (Entropy Rate Superpixel Segmentation) para dividir o mural em pequenas regiões cujos espectros são internamente consistentes e seguem limites pintados. Para cada região assim definida, fizeram a média dos espectros e aplicaram um passo matemático chamado remoção de contínuo, que destaca pequenas depressões de absorção associadas a pigmentos específicos. Em seguida, compararam esses espectros regionais realçados com sua biblioteca de pigmentos usando um teste de similaridade. Combinando a frequência de ocorrência de um pigmento, a área que cobre e o quão bem seu espectro combinava, puderam identificar de forma robusta os principais pigmentos presentes.

Ensinando uma rede neural a desemaranhar cores

Identificar quais pigmentos existem é apenas metade da história; os conservadores também querem saber com que intensidade cada pigmento está presente em cada ponto da parede. Para isso, a equipe recorreu a um autoencoder convolucional não supervisionado, um tipo de rede neural que aprende a comprimir e reconstruir a imagem espectral. Em seu projeto, a representação comprimida codifica diretamente as proporções de um pequeno conjunto de espectros fundamentais, ou "endmembers", ao longo do mural. Para orientar esse aprendizado, eles primeiro usaram um algoritmo geométrico chamado N‑FINDR para localizar um conjunto de extremos espectrais representativos nos dados e usaram esses como pseudo-endmembers. A rede foi treinada para reconstruir a imagem mantendo-se próxima a esses espectros de referência e preservando a forma detalhada das assinaturas de pigmento, o que ajuda a distinguir vermelhos muito semelhantes e outras famílias de cores próximas.

O que a parede revela sobre suas cores

Usando essa estratégia combinada, os autores identificaram seis pigmentos principais na Caverna 171: o azul mineral lápis-lazúli, o verde à base de cobre atacamita, os vermelhos miniúmio, óxido de ferro vermelho e lac, e o mineral branco gesso. Mapas de abundância dos pigmentos mostraram como esses materiais estão estratificados e misturados: o gesso aparece tanto como pintura branca quanto como uma camada de preparo subjacente; lápis-lazúli e atacamita se concentram em zonas azuis e verdes; e os três vermelhos se sobrepõem mas ainda podem ser separados por suas sutis assinaturas espectrais. O método até ajudou a identificar áreas em que o vermelho à base de chumbo miniúmio escureceu formando um composto diferente, apontando para uma deterioração em curso que os conservadores devem monitorar.

De impressões digitais ocultas a cuidados práticos

Para não especialistas, o resultado principal é que os autores desenvolveram uma forma de transformar informações espectrais complexas e invisíveis em mapas claros sobre quais pigmentos foram usados e como mudaram, tudo sem amostrar o mural. Ao agrupar regiões similares antes da identificação e ao restringir a rede neural com assinaturas de pigmento fisicamente significativas, o fluxo de trabalho produz mapas de pigmentos confiáveis e espacialmente coerentes, mesmo quando as cores estão misturadas ou degradadas. Isso fornece aos conservadores uma ferramenta potente e sem contato para documentar materiais, detectar desbotamento e alteração, e planejar intervenções direcionadas, ajudando a preservar as histórias carregadas pelas cores antigas de sítios como as Grutas de Kizil para as gerações futuras.

Citação: 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

Palavras-chave: imagens hiperespectrais, conservação de murais, mapeamento de pigmentos, aprendizado profundo, patrimônio cultural