Uma nova abordagem para realce de murais usando MSR CAB e extração de lacunas em pinturas murais antigas com floresta aleatória

Por que a arte mural desbotada ainda importa hoje

Em palácios e templos históricos, pinturas murais estão silenciosamente se esfarelando. As áreas faltantes de tinta são mais do que falhas estéticas: elas apagam cenas que carregam séculos de memória. Ainda assim, mapear cuidadosamente essas perdas é um trabalho lento, tipicamente feito à mão, quadro a quadro. Este estudo apresenta um método computacional que pode destacar automaticamente pontos danificados em fotos coloridas comuns de murais, ajudando museus e conservadores a acompanhar melhor obras frágeis mesmo quando dispõem de orçamentos modestos ou equipes reduzidas.

Paredes de palácios antigos sob novo escrutínio

A pesquisa foca murais do Palácio do Béye do século XIX em Constantine, Argélia, um complexo ricamente decorado cujas paredes pintadas documentam batalhas históricas, viagens e a vida cotidiana. Com o tempo, calor, variações de umidade, pó e negligência provocaram fissuras, descolorações e, especialmente, “lacunas” – áreas onde a camada de tinta se desprendeu, expondo o reboco nu. Como essas lacunas revelam o quanto a degradação avançou, conservadores precisam de um mapa confiável de seu tamanho e distribuição. O traçado manual é lento e subjetivo, enquanto sistemas em voga de deep learning exigem milhares de imagens rotuladas e computadores potentes que a maioria das instituições patrimoniais simplesmente não possui.

Tornando imagens escuras e empoeiradas mais fáceis de ler

A primeira metade da nova abordagem concentra-se em tornar fotografias comuns de murais mais fáceis de interpretar, tanto para humanos quanto para algoritmos. Os autores projetaram uma receita de limpeza de imagem que chamam de MSR‑CAB. Ela funciona separando primeiro a luminosidade da cor, para que o brilho possa ser ajustado sem distorcer os matizes originais. Em seguida, várias etapas clareiam áreas escuras, uniformizam sombras e aumentam o contraste local para que pinceladas finas e contornos se destaquem. Um passo de mesclagem inteligente combina a visão realçada com a original para evitar um aspecto artificial, e uma passagem suave de nitidez e redução de ruído realça detalhes sem borrar traços importantes. Testes em fotografias do palácio feitas em iluminação precária mostram que essa sequência torna figuras, ornamentos e zonas danificadas muito mais claras, mantendo a fidelidade das cores dos murais.

Ensinando uma floresta digital a detectar tinta perdida

Uma vez melhoradas as imagens, a segunda metade do método aprende a separar pixel a pixel a tinta faltante das áreas intactas. Em vez de um pesado modelo de deep learning, os autores utilizam uma Floresta Aleatória, um conjunto de muitas árvores de decisão simples que votam no rótulo de cada pixel. Para orientar essas árvores, alimentam‑nas com cinco pistas básicas: os valores de cor vermelho, verde e azul; o quanto o canal vermelho varia em uma vizinhança minúscula (uma medida de textura); e a intensidade de bordas locais. Um especialista humano marca primeiro algumas regiões de exemplo de perda e de pintura saudável, fornecendo verdade terra ao sistema. Como áreas danificadas são muito mais raras que as intactas, o método deliberadamente aumenta seu peso durante o treinamento e penaliza mais fortemente as detecções perdidas, para que pequenas lacunas não sejam ignoradas.

De um palácio para muitas paredes e até folhas

Em doze murais do Palácio do Béye, o pipeline combinado de realce e Floresta Aleatória classificou corretamente cerca de 95% dos pixels em média, com pontuações altas tanto para a baixa taxa de falsos positivos quanto para a pequena fração de pixels danificados que passaram despercebidos. Um estudo de ablação – desativando partes da receita de realce – mostrou que pular as etapas de limpeza reduzia fortemente o desempenho, especialmente sob iluminação desigual, ressaltando quão vital é uma boa qualidade de imagem. Para testar se a ideia funciona além de um único sítio, os autores aplicaram‑na a murais das Grutas de Mogao, na China, a fragmentos murais do Metropolitan Museum of Art em Nova York e até a um conjunto público de dados de folhas de plantas doentes. Nos três casos, o método isolou com sucesso regiões danificadas ou doentes, com acurácias acima de 95% nas obras de arte e perto de 99% nas folhas, apesar de conjuntos de treinamento pequenos e cores e texturas diferentes.

Um aliado prático para preservar histórias frágeis

Em essência, este trabalho demonstra que um realce criterioso de imagem, combinado com um modelo de aprendizagem leve, pode traçar de forma confiável onde pinturas murais históricas estão perdendo sua camada pictórica. O sistema não substitui o julgamento de especialistas, mas pode oferecer aos conservadores mapas de dano rápidos e consistentes a partir de fotos coloridas comuns, mesmo quando há apenas um punhado de exemplos disponíveis. Ao reduzir as barreiras técnicas e de dados à análise automatizada, a abordagem oferece às instituições do patrimônio uma ferramenta prática para monitorar a deterioração, planejar restaurações e, em última instância, evitar que mais do nosso passado pintado desapareça silenciosamente.

Citação: 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

Palavras-chave: conservação de murais, detecção de perda de pintura, imagem do patrimônio cultural, realce de imagem, classificação por floresta aleatória