De acordo com a ordem das publicações encontradas nesta revisão, nas primeiras ocorrências de softwares para uso em imagens de arte rupestre eram utilizados softwares genéricos e essas ocorrências surgiram a partir de 2005, quando Fryer et al. (2005) apresentam o desenvolvimento de uma técnica que aplicava a correlação de imagem de forma automatizada usando a fotografia digital. Para essa técnica, foi utilizado o Leica Photogrametric Suite (LPS) que é um módulo de software do pacote IMAGINE distribuído pela Leica Geosystems. O objetivo era produzir um Modelo Digital de Elevação (DEM) e ortofotografia. Essa técnica veio como uma alternativa ao uso da varredura a laser através de um scanner para modelar superfícies 3D, um método muito utilizado na época. Em seguida, em Chandler, Bryan e Fryer (2007) é reforçado o uso de uma metodologia considerada simples para registrar arte rupestre, a abordagem era baseada em software fotogramétrico digital comercial e câmeras digitais convencionais para DEMs, ortofotografias e criação de modelos fly-through; também era baseada no LPS. Continuando com a mesma ideia já citada acima e também utilizando o LPS, em Bryan e Chandler (2008) é ratificada a necessidade do uso de uma metodologia barata para o registro de imagens de arte rupestre.

Ainda na busca por uma alternativa de baixo custo para o registro de imagens de arte rupestre, em 2010 surgiu uma nova técnica, apresentada em Earl, Martinez e Malzbender (2010), que utilizava o Mapeamento de Textura Polinomial (PTM). Essa técnica de captura e processamento de imagem para a visualização de modelos 3D, foi aplicada na arte rupestre usando o software HP PTM Viewer. Em seguida, Lerma et al., (2014) apresentam um estudo, baseado na fotogrametria, utilizando a visão computacional fotogramétrica automatizada de baixo custo para fornecer modelos 3D para documentação de arte rupestre. Para isso utilizava o software fotogramétrico para modelagem 3D FOTOGIFLE e o pacote de software de visão computacional VisualSFM. Já em Defrasne e Bailly (2014) é apresentada uma evolução no uso de softwares para o processamento de imagens de arte rupestre. Nesse avanço, além do registro digital das imagens, o objetivo era o realce da área com arte rupestre, ressaltando detalhes a princípio não vistos a olho nu. Nesse quesito, o software DStretch (tratado com mais detalhes na seção a seguir) surgiu como algo inovador, sendo o primeiro software concebido especificamente para o processamento de imagens de arte rupestre.

Em Domingo et al. (2015), é citada a técnica de Estiramento de Decorrelação (DS) baseada na Análise de Componentes Principais (PCA), como uma alternativa computacional para o realce de imagens de arte rupestre. No artigo é apresentada como exemplo a ferramenta DStretch e são citadas opções de softwares genéricos. Em Le Quellec, Duquesnoy e Defrasne (2015), os autores tratam sobre o uso do DStretch e, em algumas etapas do tratamento de imagens, seu uso combinado com o Adobe Photoshop. Em Cerrillo-Cuenca e Sepúlveda (2015), é avaliada a aplicação de três técnicas genéricas que foram usadas no rastreamento digital de imagens de arte rupestre. São elas: PCA, K-Means e DS; as análises desse estudo foram implementadas no pacote PyDRA, sistema em linguagem python que utiliza diversas bibliotecas científicas para a análise digital de imagens. Já em Rogerio-Candelera (2016), são citadas e comparadas algumas técnicas de análise de imagens digitais aplicadas ao processamento de imagens de arte rupestre. Nesse caso foi usado a PCA, algoritmos de classificação digital e também alguns pacotes de software genéricos como o HyperCube e o ImageJ.

O DStretch é novamente citado em Robert, Petrognani e Lesvignes (2016), que mostram também as contribuições combinadas de várias técnicas genéricas usadas no processamento de imagens de arte rupestre, são citadas a fotogrametria, macrofotografia e DS. As duas publicações seguintes tratam de ferramentas computacionais específicas para o processamento de imagens de arte rupestre. Na primeira, Briola et al. (2017), é proposto o software Indiana MAS², desenvolvido na linguagem Java, um Sistema Multiagente (SMA) resultado de um projeto de pesquisa; a plataforma se propõe a ser uma biblioteca digital para a proteção digital e conservação de bens culturais, entre eles a arte rupestre. Para isso, fornece mecanismos para armazenamento, gerenciamento e classificação das imagens, de forma a apoiar arqueólogos e demais interessados na pesquisa científica. O sistema é dotado de uma ontologia que permite a integração semântica de dados heterogêneos de diferentes fontes.

Já na seguinte, Molada-Tebar, Lerma e Marqués-Mateu (2018), é apresentado o pyColorimetry, desenvolvido na linguagem Python, que trata especificamente da questão das cores nas imagens digitais de arte rupestre, estabelecendo um procedimento do ponto de vista colorimétrico para a caracterização de câmeras digitais. Ele segue diferentes modelos polinomiais, com o objetivo de permitir que os usuários controlem todo o processamento de aquisição da imagem digital e o fluxo de trabalho de dados colorimétricos, incluindo o processamento de dados brutos.

Evans e Mourad (2018) falam da aplicação do DStretch e seu uso em conjunto com a epigrafia digital. O DStretch é utilizado também em Hollmann (2018), nesse caso, em conjunto com as ferramentas genéricas Adobe Lightroom e Adobe Photoshop. Também usado como parte de uma solução em conjunto, em Schulz Paulsson, Isendahl, e Frykman Markurth (2019), o DStretch é aplicado com a espectroscopia PXRF não destrutiva. Em Gil-Docampo, Peña-Villasenín e Ortiz-Sanz (2020), o objetivo é apresentar um fluxo de trabalho acessível com ferramentas de uso genérico para o processamento de imagens de arte rupestre. Isso é feito a partir de vetorizações bidimensionais (2D), renderização do aprimoramento MeshLab Radiance Scaling, vetorizadores automáticos ou da publicação direta de modelos 3D aprimorados; técnicas atualmente possíveis por meio de plataformas como o Sketchfab. Em Cabrelles, Duquesnoy & Defrasne (2020) é proposta uma metodologia com um fluxo de trabalho que utiliza a fotogrametria para gerar um modelo 3D, além de tratamentos básicos em imagens raster; o modelo 3D resultante foi usado para gerar um DEM e macrofotografias ortorretificadas para documentar a arte rupestre; no processamento posterior foram usados os softwares HyperCube e DStretch. Finalmente, em Monna et al. (2022) é apresentado o software Extração de Arte Rupestre (ERA), um software específico para o processamento de imagens de arte rupestre, que representa uma grande evolução na área. A ferramenta propõe-se a realizar as etapas de realce, segmentação e vetorização e será tratada com mais detalhes na seção a seguir.

O Color Decorrelation Stretching ou DStretch foi desenvolvido em 2005 por Jon Harman com o objetivo de realçar artes rupestres muito claras que são praticamente impossíveis de serem vistas a olho nu, servindo também para distinguir pinturas rupestres sobrepostas. Ele é usado principalmente em pinturas rupestres, no entanto, em alguns casos, também é usado em gravuras rupestres (Defrasne & Bailly 2014; Domingo et al. 2015; Le Quellec, Duquesnoy & Defrasne 2015; Evans & Mourad 2018; Cabrelles, Duquesnoy & Defrasne 2020). A ferramenta é implementada em linguagem Java e utiliza a técnica de DS, originalmente desenvolvida pelo Laboratório de Propulsão a Jato da Califórnia, foi posteriormente usada em sensoriamento remoto para aprimorar imagens multiespectrais. Em 2004, o método foi empregado pela NASA para analisar fotografias tiradas pelo astromóvel Mars Rover (Domingo et al. 2015; Evans & Mourad 2018; Cabrelles, Duquesnoy & Defrasne 2020; Fuentes-Porto, Soto-Martín & Martin-Gutirrez 2020).

Tecnicamente, por meio da aplicação de um algoritmo matemático em dados raster da imagem digital de arte rupestre, o DStretch transforma o espaço de cores RGB (Vermelho-Verde-Azul) em espaços de cores alternativos e artificiais, maximizando o contraste entre as cores (Evans & Mourad 2018; Paulsson, Isendahl & Markurth 2019). Assim, são utilizados vários espaços de cores personalizados e pré-configurados para realçar ou suprimir diferentes cores e tons na imagem. É importante salientar que cada imagem, dependendo das cores e da qualidade da fotografia original, tem resultados distintos, podendo ser utilizado para cada imagem um espaço de cor diferente (Evans & Mourad 2018; Paulsson, Isendahl & Markurth 2019).

A partir do seu lançamento em 2005, o DStretch passou a ser amplamente utilizado em todo o mundo e se destaca entre os pesquisadores e especialistas no estudo de arte rupestre pelo seu custo-benefício, por ter um rápido tempo de processamento e ser de uma boa usabilidade. Apesar de suas configurações originais serem customizáveis, o software se destaca por sua objetividade (Le Quellec, Duquesnoy & Defrasne 2015; Cabrelles, Lerma & Villaverde 2020).

O DStretch é um plug-in que funciona a partir do software de análise e processamento de imagens gratuito e de código aberto chamado ImageJ³ (Domingo et al. 2015; Evans & Mourad 2018) (Fig. 2). Ao adquirir o software, os interessados deverão colaborar financeiramente, há também uma versão aplicativo para uso em tablets e celulares, destinada a ser usada no campo durante pesquisa in loco (Evans & Mourad, 2018).

Fig. 2

Interface do software DStretch. Em (a) o menu principal do ImageJ, em (b) a tela principal do DStretch com uma imagem sendo processada e finalmente, em (c) os espaços de cores principais da ferramenta.

O software Extração de Arte Rupestre (ERA)⁴ é apresentado pelos seus próprios desenvolvedores (Monna et al. 2022) como uma ferramenta implementada e fornecida em 2022. Essa ferramenta propõe um avanço no processamento de imagens de arte rupestre, trazendo opções de realce, segmentação e vetorização. No aspecto técnico, o ERA é desenvolvido em linguagem Python e utiliza inicialmente, na aba de SUPERVISÃO, a mesma técnica adotada pelo DStretch, o DS; no entanto vai mais além e apresenta quatro métodos de realce (Fig. 3a): PCA, Análise de Componentes de Fase Zero (ZCA), Decomposição de Cholesky (Cholesky) e Análise de Componente Independente (FastICA). Para cada um desses métodos são gerados automaticamente realces em vários espaços de cores já predefinidos (Fig. 3b): XYZ, HLS, HSV, LAB (CIELAB), Luv, CMY(K), YCrCb, YUV. Para os passos seguintes, o usuário tem a opção de tentar melhorar o contraste, selecionando a parte relacionada à arte rupestre (Fig. 3c) e, após isso, incluir ou excluir pixels para serem segmentados (Fig. 3d). Ao continuar, na aba de DESENHO (Fig. 3e), finalmente tem-se a opção da escolha do algoritmo de aprendizado de máquina supervisionado, para isolar a parte relacionada à arte rupestre. A classificação dos pixels pode ser feita por Regressão Logística (LR), Máquina de Vetores de Suporte (SVM) ou k vizinhos mais próximos (kNN).

Fig. 3

Telas do software ERA. Na conclusão do processo, são gravadas 4 saídas de imagens processadas com a segmentação e 2 arquivos em formato SVG (vetorização).

Os testes nos softwares DStretch e ERA envolveram quatro imagens de artes rupestres, sendo duas imagens de pinturas rupestres e duas imagens de gravuras rupestres. Em ambos os casos (pinturas e gravuras), foram selecionados dois tipos de imagens de cada estilo, uma apresentando apenas um desenho em destaque e outra um painel com vários desenhos. As pinturas rupestres (Fig. 4a, 4b) foram obtidas do Sítio Arqueológico do Arco do Covão, na cidade de Caxingó / Piauí(PI), Brasil, e as gravuras rupestres (Fig. 4c, 4d) foram obtidas do Sítio Arqueológico do Rio Pirangi, na cidade de Buriti dos Lopes/PI, Brasil.

Fig. 4

Imagens de arte rupestre utilizadas nos testes. Uma imagem com uma pintura rupestre em destaque (a), um painel com várias pinturas rupestres e sobreposições (b), uma imagem de uma gravura rupestre (c) e um painel com várias gravuras rupestres (d).

Os melhores resultados de realce no DStretch para as 4 imagens são apresentados na Figura 5.

Fig. 5

A primeira imagem com uma pintura rupestre foi realçada utilizando o filtro CRGB (a), em seguida na imagem com várias pinturas rupestres foi utilizado o filtro LAB (b). A partir da aplicação desse filtro, conseguimos perceber algumas pinturas rupestres com a tonalidade de cor amarelada. Na imagem com uma gravura rupestre (c) foi aplicado o filtro LAB e na imagem com várias gravuras rupestres também foi aplicado o filtro LAB (d).

Para uma imagem de um painel com uma pintura rupestre em destaque (Figura 4a)

O melhor realce a princípio foi observado no whitening procedure ZCA com o colour space CMY(K), selecionando o Channel 2 (Fig. 6b). Visando acentuar o contraste, foi aplicado o Decorrelation Refinement, usando o valor 5 em Contrast Boost (Fig. 6c). Em seguida foram selecionados include e exclude na imagem (Fig. 6d) e finalmente foi obtido o resultado para as 4 saídas usando o classificador kNN (Fig. 6e). Depois do processo concluído no ERA, foi realizada uma etapa adicional usando um dos arquivos vetoriais (SVG) gerados e abrindo-o na ferramenta CorelDRAW2020, visando a eliminação de ruídos⁵ (Fig. 6f).

Fig. 6

Etapas do melhor resultado alcançado com o software ERA para uma imagem com uma pintura rupestre. Ao final, o arquivo vetorial gerado (SVG) foi editado na ferramenta CorelDRAW2020 visando à remoção de alguns ruídos.