En ny metod för förbättring av väggmåleri med MSR CAB och lacuna‑extraktion från antika väggmålningar med random forest

Varför bleknande väggkonst fortfarande spelar roll idag

Genom historiska palats och tempel flagnar väggmålningarna tyst bort. De saknade färgfläckarna är mer än ytliga brister: de utplånar scener som bär århundraden av minne. Att noggrant kartlägga dessa förluster är dock tidskrävande arbete som vanligtvis görs för hand, bildruta för bildruta. Denna studie presenterar en datorbaserad metod som automatiskt kan markera skadade partier i vanliga färgfoton av väggmålningar, vilket hjälper museer och konservatorer att bättre övervaka känsliga konstverk även när de saknar stora budgetar eller stora team.

Gamla palatsväggar under ny granskning

Forskningen fokuserar på väggmålningar från 1800‑talets Bey’s Palace i Constantine, Algeriet, ett rikt dekorerat komplex vars målade väggar dokumenterar historiska slag, resor och vardagsliv. Med tiden har värme, fuktvariationer, damm och försummelse skapat sprickor, missfärgningar och särskilt ”lacunae” – områden där färgskiktet fallit bort och blottat bar puts. Eftersom dessa luckor visar hur långt förfallet har gått behöver konservatorer en pålitlig karta över deras storlek och spridning. Manuell avritning är långsam och subjektiv, medan trendiga djupinlärningssystem kräver tusentals märkta bilder och kraftfulla datorer som de flesta kulturarvsinstitutioner helt enkelt inte har.

Göra mörka, dammiga bilder lättare att läsa

Första halvan av den nya metoden fokuserar på att göra vanliga fotografier av väggmålningar lättare att tolka, både för människor och för algoritmer. Författarna designade ett bildrensningsrecept som de kallar MSR‑CAB. Det fungerar genom att först separera ljushet från färg så att ljusstyrkan kan justeras utan att förvränga originalets nyanser. Därefter ljusas mörka områden upp i flera steg, skuggor jämnas ut och lokal kontrast förstärks så att fin penselföring och konturer framträder. Ett smart blandningssteg mixar den förbättrade vyn med originalet för att undvika ett konstlat utseende, och en lätt skärpnings‑ och brusreduceringsomgång framhäver detaljer utan att sudda viktiga linjer. Tester på palatsfotografier tagna under dåligt ljus visar att denna sekvens gör figurer, ornament och skadade zoner mycket tydligare samtidigt som väggmålningarnas färger förblir trogna.

Lära ett digitalt skog att upptäcka förlorad färg

När bilderna väl förbättrats lär sig metodens andra halva att skilja förlorad färg från intakta områden, pixel för pixel. I stället för en tung djupinlärningsmodell använder författarna en Random Forest, en ensemble av många enkla beslutsträd som röstar om varje pixels etikett. För att vägleda dessa träd matar de in fem grundläggande ledtrådar: rött, grönt och blått färgvärde; hur mycket den röda kanalen varierar i ett litet grannskap (en mått på textur); och styrkan hos lokala kanter. En mänsklig expert markerar först några exempelregioner av förlust och frisk färg och ger systemet en sanningskarta. Eftersom skadade partier är mycket mer sällsynta än intakta områden förstärker metoden avsiktligt deras vikt under träningen och straffar missade detektioner hårdare, så att små luckor inte ignoreras.

Från ett palats till många väggar och till och med blad

På tolv väggmålningar från Bey’s Palace klassificerade den kombinerade förbättrings‑ och Random Forest‑pipen i genomsnitt korrekt omkring 95 procent av pixlarna, med höga poäng både för hur sällan den gav falska larm och för hur få skadade pixlar den förbisedde. En ablationsstudie – där delar av förbättringsreceptet slogs av – visade att hoppande över reningsstegen kraftigt minskade prestandan, särskilt under ojämn belysning, vilket understryker hur viktig bra bildmaterial är. För att testa om idén fungerar utanför en enskild plats applicerade författarna den på väggmålningar från Kinas Mogao‑grottor, väggfragment från New Yorks Metropolitan Museum of Art och till och med en offentlig datamängd med sjuka växtblad. I alla tre fallen isolerade metoden framgångsrikt skadade eller sjuka regioner, med noggrannheter över 95 procent på konstverken och nästan 99 procent på bladen, trots små träningsset och skiftande färger och texturer.

En praktisk allierad för att bevara sköra berättelser

I huvudsak visar detta arbete att noggrann bildförbättring i kombination med en lättviktig inlärningsmodell pålitligt kan spåra var historiska väggmålningar förlorar sitt ytskikt. Systemet ersätter inte expertbedömning, men det kan ge konservatorer snabba, konsekventa skadekartor från vanliga färgfoton, även när endast ett fåtal exempel finns tillgängliga. Genom att sänka de tekniska och datarelaterade trösklarna för automatisk analys erbjuder metoden kulturarvsinstitutioner ett praktiskt verktyg för att övervaka förfall, planera restaureringar och i slutändan bevara mer av vårt målade förflutna från att tyst försvinna.

Citering: 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

Nyckelord: konservering av väggmålningar, upptäckt av färgförlust, bildhantering av kulturarv, bildförbättring, random forest‑klassificering