Işıklandırmanın ötesinde: Derin öğrenme kullanarak parçalanmış kültürel tekstilleri kümelemek için RTI

Geçmişi Parçalarıyla Birleştirmek

Arkeolojik tekstiller çoğu zaman tam giysi veya duvar halısı olarak değil, küçük ve dökülen parçalar halinde günümüze ulaşır. Yine de bu hassas iplikler, insanların nasıl giyindiğini, kumaşta hangi öykülerin anlatıldığını ve zanaat ile ticarette ne kadar ileri olduklarını ortaya koyabilir. Bu makale, küratörler ve arkeologların bu tür parçaları sınıflandırıp gruplayabilmelerine yardımcı olmak için özel bir aydınlatma yöntemi ve modern görüntü analizi kullanan yeni bir bilgisayar tabanlı yaklaşım sunar; yöntem, hangi parçaların bir zamanlar birbirine ait olduğuna dair önerilerde bulunur.

Birçok Açıdan Işık Tutmak

Çalışmanın özü, Yansıtma Dönüşümü Görüntüleme (Reflectance Transformation Imaging, RTI) adı verilen bir görüntüleme yöntemidir. Tek bir fotoğraf çekmek yerine, RTI kontrollü bir kubbe içinde ışığı birçok yönden tutarak onlarca görüntü yakalar. Bu, tam bir 3B model üretmez; ancak yüzeyin ışığı nasıl yansıttığını kaydeder ve normal bir renk fotoğrafının gösteremeyeceği küçük kabarıklıkları, iplikleri ve aşınma alanlarını ortaya çıkarır. Standart fotoğrafçılıkla karşılaştırıldığında, RTI doku ve yüzey durumuna dair çok daha zengin bilgi sunar ve bunu nesneye dokunmadan veya zarar vermeden yapar.

Işığı Sayılara Dönüştürmek

Bu zengin veriden yararlanmak için yazarlar önce her RTI setini, tekstilin yüzeyinin genel, ışığa bağımlı olmayan görünümünü temsil eden basitleştirilmiş bir görüntüye sıkıştırır. Her bir noktaya farklı yönlerden gelen ışığa nasıl tepki verdiğini tanımlamak için yarımküresel harmoniğe dayanan matematiksel bir teknik kullanırlar. Bu tanımın yalnızca temel bileşenini koruyarak, gölgeleri ve parlak noktaları geri plana atıp tekstilin sabit rengini ve dağınık yansıtmasını yakalayan bir görüntü elde ederler. Bu, parçanın konumlandırılması veya aydınlatılmasındaki küçük değişikliklerin analizi yanıltabileceği eski, düzensiz parçalar için özellikle önemlidir.

Bilgisayara Kumaşı Görmeyi Öğretmek

Ardından ekip, işlenen bu RTI görüntülerini milyonlarca sıradan fotoğraf üzerinde önceden eğitilmiş derin öğrenme modeline verir. ResNet-50 olarak bilinen bu model özgül olarak arkeoloji için inşa edilmemiş olsa da, erken katmanları çizgiler, dokular ve şekiller gibi desenleri tespit etmede çok iyidir. Her parça için model, dokunun görsel karakterini özetleyen uzun bir sayı listesi—özellik vektörü—üretir; buna dokuma yapısı, süsleme, renk dağılımı ve hasar izleri dahildir. Bu tanım o kadar ayrıntılıdır ki, insanın kolayca yorumlayamayacağı iki binden fazla boyutlu bir uzayda yer alır.

Kaosta Küme Görmek

Bu karmaşık açıklamayı arkeologların kullanabileceği bir şeye dönüştürmek için araştırmacılar yüksek boyutlu özellikleri iki boyutlu bir haritaya sıkıştıran boyut indirgeme araçları uygular. Bu haritada, benzer yüzey özelliklerine sahip parçalar birbirine yakın yerleşme eğilimindedir; farklı olanlar ise daha uzak olur. Sonra k‑means ve spektral kümeleme gibi standart kümeleme yöntemlerini uygulayarak ilgili görünen parçaları otomatik olarak gruplarlar. Yöntem, ünlü Viking Çağı Oseberg mezar tekstilleri gibi yalnızca dağılmış parçalar halinde kalan koleksiyonlar ve orijinal bütün nesnenin bilindiği ve dijital olarak test parçalarına kesildiği bir Polonyalı Dragoon bayrağı üzerinde test edilmiştir.

Normal Fotoğrafları Geride Bırakmak

Aynı parçaların tek, iyi aydınlatılmış renk fotoğraflarından elde edilen sonuçlarla RTI tabanlı sonuçları karşılaştırarak yazarlar, RTI’nin daha net ve daha tutarlı gruplaşmalar sağladığını gösterir. Aynı orijinal tekstile ait parçalar RTI özellik uzayında birbirine daha yakın yerleştirilir ve kontrol bayrağı koleksiyonundan bilinen setler sıkı, ayrı kümeler oluşturur. RTI çerçevesi ayrıca basit bir “görüntü arama” görevini de destekler: verilen bir parçaya karşılık sistem, en olası eşleşen diğer parçaları önerebilir; bu da uzmanların büyük koleksiyonları el ile ayırma işini önemli ölçüde azaltabilir.

Tarihi Yeniden İnşa Etmek İçin Ne Anlama Geliyor

Basitçe söylemek gerekirse, çalışma göstermektedir ki tekstillere birçok yönden ışık tutup ortaya çıkan desenleri derin öğrenme ile analiz etmek, bilgisayarların insan uzmanların dikkate aldığı aynı ince ipuçlarını—iplik kalınlığı, dokuma, aşınma ve hafif motifleri—“fark etmesine” yardımcı olur. Yaklaşım tek başına henüz tüm giysileri yeniden inşa etmiyor ve birçok arkeolojik buluntu için sağlam doğrulanmış veri eksikliğiyle sınırlı olsa da, muhtemelen aynı orijinal nesneye ait olan parçaları daraltmak için güçlü, nesneye zarar vermeyen bir yol sunar. Zaman içinde bu tür araçlar, dağınık antik kumaş yığınlarını, onları dokuyan ve giyen insanlar hakkında daha tamamlanmış ve güvenilir hikâyelere dönüştürmede müzeler ve arkeologlara yardımcı olabilir.

Atıf: Khawaja, M.A., Gigilashvili, D., Łojewski, T. et al. Beyond relighting: RTI for clustering fragmented heritage textiles using deep learning. npj Herit. Sci. 14, 95 (2026). https://doi.org/10.1038/s40494-026-02326-9

Anahtar kelimeler: arkeolojik tekstiller, yansıtma dönüşümü görüntüleme, derin öğrenme, kültürel miras yeniden inşası, görüntü kümeleme