使用MSR CAB的壁画增强新方法及基于随机森林的古代壁画缺损提取

褪色的壁画为何依然重要

在历史悠久的宫殿和寺庙中，墙面画正悄然剥落。缺失的颜料不仅是外观问题：它们抹去了承载数百年记忆的场景。然而，细致绘制这些缺损分布通常是一项缓慢的人工工作，要逐帧完成。本文提出了一种基于计算机的方法，能够自动在普通彩色壁画照片中标出受损区域，帮助博物馆和修复人员在预算或人手有限的情况下，更有效地监测脆弱的艺术品。

旧宫墙面迎来新审视

该研究以阿尔及利亚康斯坦丁的19世纪贝伊宫（Bey’s Palace）壁画为中心，这是一处装饰精美的建筑群，墙面记载了历史战事、旅程与日常生活。随着时间推移，热度、湿度变化、灰尘与疏于维护导致了开裂、褪色，尤其是“lacunae”（颜料脱落区）——颜料层剥离露出裸露灰泥。由于这些空缺反映了损坏的程度，修复人员需要可靠的面积与分布图。手工描绘既慢又主观，而流行的深度学习方法又需数千张标注图像和强大算力，这是大多数文化机构难以承担的。

让昏暗尘土覆盖的图像更易阅读

新方法的前半部分着力于让普通壁画照片更易于被人和算法解读。作者设计了一套称为MSR‑CAB的图像清理流程。它先将明度与色度分离，以便在不扭曲原始色相的情况下调节亮度。随后通过多级处理提亮阴暗区域、均衡阴影并增强局部对比，使细小笔触与边缘更为明显。一项智能混合步骤将增强后的视图与原图融合以避免假人工感，最后进行适度锐化与降噪以在不模糊重要线条的前提下呈现细节。在光照不足的宫殿照片测试中，这一序列使人物、装饰和受损区域更清晰，同时保持了壁画色彩的忠实度。

教一片数字森林识别脱落颜料

在图像优化之后，方法的后半部分逐像素学习将缺失颜料与完好区域区分开来。作者没有采用庞大的深度学习模型，而是使用随机森林——由多棵简单决策树组成的集成，对每个像素的标签进行投票判定。为指导这些树，他们输入了五个基本线索：红、绿、蓝三色通道值；红色通道在微小邻域内的变化程度（纹理度量）；以及局部边缘强度。专家首先标注少量缺损与健康区域作为真值。由于受损像素远少于完好像素，训练时刻意提高了它们的权重并对漏检给予更大惩罚，从而避免忽略小面积缺口。

从一座宫殿到多面墙乃至叶片

在贝伊宫的十二幅壁画上，增强与随机森林结合的流程平均正确分类了约95%的像素，并在低误报率与少量漏检方面均表现良好。消融研究——关闭增强流程的部分步骤——表明跳过清理步骤会显著降低性能，尤其在光照不均时，凸显出优质影像的重要性。为检验该方法在其他场景的适用性，作者将其应用于中国莫高窟的壁画、纽约大都会艺术博物馆的墙面碎片，甚至是公开的病害植物叶片数据集。在这三类案例中，该方法均成功隔离出受损或病变区域：艺术品上的准确率均超过95%，叶片接近99%，尽管训练集较小且颜色与纹理差异明显。

守护脆弱历史的实用盟友

本质上，这项工作表明，细致的图像增强配合轻量级学习模型，能够可靠地追踪历史壁画何处失去“皮层”。该系统并非替代专家判断，但可以为修复人员提供快速、一致的损伤分布图，且仅需少量示例。通过降低自动分析的技术与数据门槛，该方法为文化机构提供了一个切实可行的工具，便于监测劣化、规划修复，并最终阻止更多绘画遗产悄然消失。

引用: 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

关键词: 壁画保护, 颜料缺失检测, 文化遗产成像, 图像增强, 随机森林分类