Valse meesters vangen met AI



Van Gogh uitkleden met rontgen en AI: foto IKAT

04-03-2005

Met hulp van nieuwe artificial intelligence technieken kan imitatiekunst van Rembrandt en Breughel ontmaskerd worden. Van schilders als Van Gogh kan het carriŤreverloop gedigitaliseerd worden. Moeten kunstkenners bij het museum nu voor hun baan gaan vrezen?

De Delftse vervalser Han van Meegeren was tot in ieder detail een meester in het naschilderen van zijn stadsgenoot Johannes Vermeer. Hij fopte zo in de oorlosjaren de hele gevestigde kunstorde voor miljoenen guldens. RŲntgendiffractie van de verschillende verflagen moest in het bevrijdingsjaar '45 uiteindelijk opheldering brengen. Een slag in het gezicht van de kenners, die de Van Meegerens als echte Vermeers hadden erkend.

Om nieuwe miljoenenschandalen te voorkomen is de kunstwereld sindsdien op zoek naar technieken om het feilbare menselijke oog te ondersteunen. Nieuwe hulp voor de kunstsector komt nu uit de hoek van de artificial intelligence (AI). Met AI-algoritmes voor patroonherkenning kan de penseelvoering van een artiest worden gekwantificeerd door beeldinformatie in pixels te vertalen naar wiskundige grootheden. Gebruikt een schilder bij ieder werk dezelfde schaduwverdeling dan is dit in een formule te vangen en dus meetbaar.

Zelfs de artistieke ontwikkeling van een kunstenaar kan met AI in kaart gebracht worden, en dan niet alleen van Hollandse meesters. Ook de druppelschilderijen van abstract expressionist Jackson Pollock (1912-1956) bleken op latere leeftijd meetbaar anders dan toen hij nog vers van de academie kwam. Een wiskundig weerwoord dus tegen anti-abstracte cultuurbarbaren.

In the Proceedings of the National Academy of Science (PNAS) verscheen afgelopen maand een publicatie van dit type onderzoek. De groep van informaticus Hany Farid van Dartmouth College in Hanover USA kwantificeerde de artistieke handtekening van de Vlaamse meester Pieter Breughel (1525-1569). Daarvoor scanden ze 13 landschapsschilderijen, waarvan vijf als vervalsingen aangewezen door kenners. Farid moest nu statistisch kunnen aantonen welke.

Met een drumscanner, geschikt voor resoluties boven 1200 dpi zette hij het beeld van dia's van de schilderijen om in pixels. Dit leverde per schilderij een bestandje op van ruim 1,1 Gigabyte. De beeldpuntinformatie zette hij om in wiskundige grootheden met behulp van wavelettransformatie. Met deze statistische methode kon hij de afbeelding ontleden in verschillende informatie-eenheden,  zoals je een enkel gesprek filtert uit een kakofonie van conversaties.

De penseelvoering van een Breughel-schilderij kon Farid bijvoorbeeld vangen door de oriŽntatie te meten van verschillende beeldpunten ten opzichte van elkaar. De gemiddelde waarde die dit oplevert geeft getalsmatig de vingerafdruk van de artiest. Meer schilderijen van Breughel zullen dus een vingerafdruk geven met ongeveer de zelfde eindwaarde.

De vervalsingen moesten, als de methode van Farid klopte, een afwijkende waarde geven die hij kon traceren door de Hausdorff-afstand te berekenen. Dit is de relatieve afstand van de 'vingerafdrukgetallen' tot elkaar. Die vingerafdrukken kun je als punt weergeven in een grafiek met x, y en z-as.  De echte Breughels moesten in het assenstelsel dichter bijelkaar liggen dan de valse.

Dit bleek inderdaad het geval. Van de dertien schilderijen hadden vijf werken een veel grotere afstand tot de gemiddelde vingerafdruk.  Hoe aardig was dat de kenners dezelfde vijf als vals hadden ontmaskerd, dus tot op zekere hoogte werkt de methode. Toch zijn vakgenoten kritisch over de deugdelijkheid van de resultaten omdat er maar dertien schilderijen voor de analyse zijn gebruikt, statistisch gezien niet een bijzonder hoge invoerwaardeOok Suwei Lyu, schrijver van het PNAS-artikel en medewerker van Hany Farid erkent dit. "Om een echt betrouwbaar eindresultaat te krijgen zouden we veel meer data moeten hebben, dan we nu hebben gebruikt in het gepubliceerde onderzoek", zegt hij. "Maar het is erg lastig om nog tientallen extra schilderijen van een zelfde artiest te bemachtigen omdat je steeds zit met de copyrights. Daarom is het onderzoek vooral bedoeld als verkenning of onze methode werkt." Kunst en KitschHet ontmaskeren van valse meesters blijft de belangrijkste focus. Vervalsen is namelijk een professionele aangelegenheid vanwege de astronomische bedragen die in de kunstwereld omgaan. "Kunst verzamelen is altijd een snobbistische aangelegenheid geweest", zegt dr.ir. Jan van der Lubbe, informaticus van de TU-Delft en kunstverzamelaar. "Zo heeft Bill Gates net nog voor tachtig miljoen dollar een Vermeer gekocht." Wat meestal gebeurt is dat ze het origineel in een kluis opbergen en door een professional voor enkele tienduizenden dollars een namaak laten schilderen die ze aan de muur hangen. Zo komt er een kopie in de wereld die nauwelijks van echt is te onderscheiden. Maar de beste vervalsers, zoals Han van Meegeren bedenken natuurlijk zelf een echte Vermeer." Zijn onderzoekssgroep maakt nu met AI-technieken een digitale catalogus van drie Nederlandse kunstscholen uit het begin van de vorige eeuw: de Groningse Ploeg, de Bergense School en de Haagse School waarvan Mesdag de bekendste schilder is. In totaal 400 verschillende schilderij-eigenschappen als kleur, structuur, penseelstreek, stijl en compositie worden daarbij gekwantificeerd om vals van echt te onderscheiden. De drie kunstscholen koos Van der Lubbe omdat deze de laatste tien jaar weer erg populair bij verzamelaars zijn waardoor overal vervalsingen opduiken. Omdat bij galerieŽn veel vraag naar is naar werk van deze stromingen kan het gebeuren dat er drie weken na aanvraag zomaar weer een nieuwe Mesdag opduikt, die ze dan goedkoop in AziŽ hebben laten schilderen", zegt Van der Lubbe "Waarschijnlijk zijn er zo van de drie scholen vele honderden vervalsingen in omloop geraakt. Vooral schilders als Leo Gestel worden aan de lopende band vervalst, van een enkel schilderij bestaan soms wel drie versies." Ook handig bij het onderzoek was dat Van der Lubbe inmiddels zelf 500 werken van de Bergense School bezit. Van der Lubbe zijn promovendus, Ioane Deac digitaliseert nu zowel de schilderijkenmerken van zowel echte als valse schilderijen. "We hebben een paar honderd vervalsingen kunnen bemachtigen via een anonieme expositie die vorig jaar in Bergen werd gehouden", zegt Deac. " Eigenaars konden daar hun 'fakes' uitstallen zonder dat hun naam bekend werd. Ze zijn er namelijk niet trots op om een vals exemplaar te bezitten omdat ze soms veel geld ervoor hebben betaald. Zowel de valse als echte hebben we ingescand en zo kunnen we kijken op welke kenmerken er verschillen bestaan." Van de 400 schilderij-eigenschappen die Deac digitaliseerde bleken 100 eigenschappen bruikbaar om de schilders van de verschillende kunstscholen met elkaar, en met de vervalsingen te vergelijken. Over drie jaar moet er nu een digitale catalogus klaarliggen waarin de artistieke handtekening van iedere schilder getalsmatig (de optelsom van schildereigenschappen) herkenbaar is. Deze catalogus moet een gekwantificeerde aanvulling bieden op de papieren catalogus van Maurits van Dantzig. Deze stelde in 1973 een checklist voor kunsthistorici samen genaamd 'Pictology'. Aan de hand van achthonderd kenmerken kan de kenner hier de echtheid van een schilderij bepalen. De computer kan dit straks een veelvoud sneller en geeft meer zekerheid dan 'kenners' kunnen bieden. Kunst en Kitsch-keurmeester Theo Laurentius laat Van der Lubbe zijn groep met AI-methodes valse Rembrandt-etsen ontmaskeren. In het Delftse alumniblad Delft Integraal verscheen dit najaar een uitgebreide beschrijving van de methode waarbij de ouderdom van het schildersdoek wordt achterhaald om de meester te herkennen. Soms blijkt namelijk een Rembrandt met handtekening uit 1641 op doek geetst van veel latere datum. Dit onderzoek loopt ook nog drie jaarOverigens zijn Rembrandtschilderijen als de Nachtwacht moeilijk met AI in kaart te brengen. De meester gebruikte zo weinig licht en kleurverschil dat er met wavelets geen patroon in te herkennen valt, tenzij er met nog grotere resolutie gescand wordt. BroodroofDe eerste Nederlandse voorstellen om met computational technieken valse kunst te ontmaskeren, dateren uit 2000. Het NWO sponsort sindsdien onder de naam Token2000 een samenwerkingsverband tussen kennisinstituten om AI- kennis toepasbaar te maken in de kunstsector, justitie en de medische sector.De TU Delft werkt in het kunstonderzoek samen met het Institute for Knowledge and Agent Technology (IKAT)in Maastricht. Prof.dr.Eric Postma maakt met het IKAT een analyse van 168 Van Gogh schilderijen. Evenals Lyu en Farid gebruikt hij wavelettransformatie en vergelijkbare technieken voor beelddecompositie. "Het Van Gogh Museum wil een alfabet opstellen van het levenswerk van Van Gogh", zegt Postma. "Welke schilderijen zijn z'n vroegste en welke de oudste. Bekend is dat hij in zijn latere leven steeds meer complementaire kleuren ging gebruiken, bijvoorbeeld blauw-geelovergangen, dus is dit een eigenschap waar wij gebruik van kunnen maken." Postma kan nu kwantitatief toetsen welke kleurencombinaties op een schilderij het meest naast elkaar voorkomen. Zo is met grotere zekerheid vast te stellen in welke periode Van Gogh een werk op doek zette. Ook is zijn penseelstreek is te kwantificeren. Van Gogh heeft de neiging om zijn verf met L-vormige bewegingen aan te brengen en daaraan is hij ook met de computer te herkennen.Het komende jaar gaat Postma de data analyseren en proberen zinvolle verbanden te halen uit de gegevens met kleurinformatie en penseelvoering. Uiteindelijk wil hij ook in 3D informatie kunnen scannen, zodat hij ook de dikte van verflagen kan meten. "Dat is nu nog een brug te ver omdat je nog meer data krijgt", zegt hij. "Ook willen we nog iets met abstracte kunst gaan doen. Dat is iets moeilijker dan Van Gogh. De verdeling van verf lijkt op het eerste gezicht meer willekeurig, maar er blijkt hoe dan ook altijd wel een patroon in te zitten en daardoor is het meetbaar." Niet iedereen in de kunstwereld juicht het kunstzinnige geklus van informatici als Postma toe. Sommige beschuldigen hem zelfs van broodroof. "We krijgen die vraag wel eens sinds een artikel over ons werk in de New York Times heeft gestaan", zegt hij. "Maar kunstkennis blijft naast onze techniek nodig. We kunnen uit onze gegevens allerlei verbanden halen, bijvoorbeeld de verhouding tussen dikke en dunne penseelstreken. Maar of zo'n verband ook zinvol is moet een kunsthistoricus bepalen." De kenners hoeven dus niet naar ander werk uit te zien.  "Het belangrijkste van deze technieken is dat ze een kwantitatieve aanvulling bieden op kunstkennis", zegt Postma. "Je bent minder afhankelijk van het heilige oog van de experts, en dat leek mij een aanwinst.

www.cs.dartmouth.edu/~farid/

www.token2000.nlwww.hermitagemuseum.org/

www.delftintegraal.tudelft.nl/info/indexa745.html?hoofdstuk=Artikel&ArtID=5211Wavelettransformtatie

is een van de vele manieren om niet lineaire informatie in 2D te ontleden in verschillende informatie-eenheden. De methode is gebaseerd op zelflerende algoritmes afkomstig uit de artificiŽle intelligentie en neurale netwerken. De leeralgoritmes maken het mogelijk om in schijnbaar chaotische informatie die wordt ingevoerd patronen te herkennen, bijvoorbeeld voor handschriften en vingerafdrukken. Wavelets zijn golffuncties en worden ook gebruikt door geofysici om uit seismische data een zinvol beeld te filteren van de verschillende aardlagen. De Franse geofysicus Jean Morlet was in de tachtiger jaren een van de eerste ingenieurs die zelf deze golffuncties voor data-analyse geschikt maakte. Naar hem zijn de Morlet-wavelets vernoemd die nu ook gebruikt worden in pacemakers om uit achtergrondruis een hartsignaal op te pikken.Een versimpelde vorm van beelddecompositie levert de Fourieranalyse. De Fourieranalyse is geschikt om bijvoorbeeld een compleet boslandschap te herkennen aan globale contouren. Wavelets gaan een stapje hoger en maken ook ontleding in verschillende schalen met lokale informatie mogelijk. Met wavelettransformatie kan een informaticus, naast het totale bos dus ook een individuele boom kwantificeren. www.math.leidenuniv.nl/~naw/serie5/deel02/jun2001/pdf/wavelet.pdf