DE / EN

DE / EN
Kontakt

Methodik des Kritischen Katalogs der Luther-Bildnisse (1519-1530)

I. Methodische Grundlagen

Ziel des Kritischen Katalogs der Luther-Bildnisse (KKL) ist es, die überlieferten, zwischen 1519 und 1530 entstandenen Luther-Bildnisse quellenkritisch einzuordnen, um der Forschung die grundlegenden Informationen zur besseren Beurteilung ihrer kunst- und reformationshistorischen Aussagekraft an die Hand zu geben.


1. Aufgenommen wurden in den KKL nur (druck-)graphische und gemalte Luther-Bildnisse. Objekte der materiellen Kultur wie Münzen, Ofenkacheln usw. wurden ausgeklammert, weil die Fülle der hier in Frage kommenden Objekte bislang nicht annähernd katalogisiert ist[1] und weil die Darstellungen auf diesen Objekten gegenüber den druckgraphischen und gemalten Luther-Bildnissen zeitlich meist sekundär und von diesen ikonographisch abhängig sind.


2. In das Korpus des KKL wurden grundsätzlich nur solche Bildnisse aufgenommen, die expliziten Porträtcharakter besitzen und keine, die Luther symbolisch, allegorisch oder satirisch-karikierend darstellen ohne Abbildhaftigkeit zu intendieren.[2] Einzig die davon abweichende älteste Lutherdarstellung des Jahres 1519 (I.1D1) wurde wegen ihrer besonderen historischen und ikonographischen Bedeutung berücksichtigt und darf als ‘Prolog’ des KKL gelten. Umgekehrt konnten nicht alle Nachdrucke von Vorlagen mit Porträtcharakter berücksichtigt werden, wenn und insofern sie ihrerseits abbildhafte Merkmale vermissen lassen.[3]

Bei Doppelbildnissen wurden die jeweiligen Gegenstücke der Luther-Porträts hinsichtlich übergreifender Charakteristika mit erfasst, auch wenn diese heute als Einzelwerke vorliegen. Dabei fanden insbesondere solche Merkmale Beachtung, die Aussagen zur allgemeinen Herstellungspraxis der Bildnisserien erlauben oder die Befunde der Luther-Bildnisse ergänzen beziehungsweise deren Kontextualisierung ermöglichen.


3. Der Sammlungs- und Untersuchungszeitraum des KKL wurde auf das erste Jahrzehnt der Reformation (1519–1530) beschränkt: zum einen, weil das Interesse der reformationsgeschichtlichen und kunstgeschichtlichen Forschung traditionell den frühen Luther-Bildnissen und ihrer Wirkung in den ersten Jahren der Reformation galt, zum anderen, weil mit dem Jahr 1529/1530 der von Cranach d. Ä. gestaltete Bildnistyp „Luthers als Lehrer der Kirche“ (J. Ficker) aufkam. Er bildet eine ikonographisch weitgehend homogene Gruppe und entfaltete aufgrund der höchsten Anzahl an überlieferten Bildnissen die breiteste Wirkung in der Rezeptionsgeschichte der Luther-Bildnisse. Gerade dies machte es unmöglich, im Rahmen eines zeitlich begrenzten Forschungsprojektes auch diese Bildnisgruppe zu berücksichtigen.[4]

Eine historiographische Zäsur in den Jahren 1529/1530 lässt sich reformationshistorisch mit der konfessionellen Verfestigung der Reformation und der Etablierung eines lutherischen Kirchentums im Gefolge der Protestation der evangelischen Stände (1529) und der beginnenden Bekenntnisbildung (1529/1530) plausibel machen, die ja eben in der Darstellung Luthers als Lehrer der Kirche ikonographisch ihren Ausdruck findet.


4. Trotz der Einschränkung des Untersuchungszeitraums ließ sich aus technischen wie taxonomischen Gründen auch für den KKL Vollständigkeit nicht erreichen. So stand eine Reihe von Werken für eine kunsttechnologische Untersuchung nicht zur Verfügung, weil etwa ihr aktueller Standort unbekannt ist oder der Zugang zu Werken in Privatsammlungen nicht möglich war. Solche Werke, die auch ohne auswertbares Bildmaterial überliefert sind und daher derzeit nicht erschlossen werden können, sind mit * gekennzeichnet (siehe Punkt 8).
Durch die Untersuchungen des KKL konnten Entstehungsumstände und Datierungen einzelner Werke präzisiert werden. Das führte zwangsläufig auch dazu, dass einige Werke, die anfänglich dem Untersuchungszeitraum zugewiesen wurden, ausgeschieden und umgekehrt einige Werke, deren Datierung korrigiert werden konnte, dem Untersuchungszeitraum zufielen. Um die Entscheidungskriterien transparent zu machen, weist der KKL diese Werke als Supplemente der jeweiligen Bildnisgruppen aus. Freilich kann nicht ausgeschlossen werden, dass einige Werke, die bislang zweifelsfrei auf „nach 1530“ datiert werden und deshalb im Rahmen des KKL nicht untersucht wurden, aufgrund späterer Erkenntnisse künftig dem Untersuchungszeitraum zugeschlagen werden  müssen.


5. Der Forschungsdiskurs zu den im KKL behandelten Werken aus Malerei und Druckgraphik schlägt sich in einer Vielzahl von unterschiedlichen Zuschreibungen nieder. Der KKL dokumentiert solche abweichenden Einschätzungen und überprüft sie auf der Grundlage der eigenen stilistischen, kunsttechnologischen und quellenkundlichen Untersuchungsergebnisse. Alle Zuschreibungen sind in einer Reihenfolge wiedergegeben, bei der die nach aktueller Einschätzung plausibelste Zuschreibung an erster Stelle steht und durch die Angabe “KKL 2022” spezifiziert wird. Neuzuschreibungen werden nur bei Werken vorgeschlagen, die entweder bislang unveröffentlicht waren oder deren bisherige Zuschreibungen unbegründet erscheinen.
Für seriell hergestellte und motivisch wie stilistisch weitgehend homogene Luther-Gemälde sind  die zur Differenzierung des Werkstattbetriebes Lucas Cranachs d. Ä. entwickelten Zuschreibungskategorien nur bedingt geeignet, da sich aus individuellen Merkmalen nur in Einzelfällen sichere Schlüsse auf die am Werkprozess Beteiligten ziehen lassen. Die feststellbaren Unterschiede in Qualität, Stil und Maltechnik werden daher in den Katalogtexten herausgearbeitet.

6. Die Werke des KKL sind in fünf Bildnisgruppen aufgeteilt. Sie umfassen folgende Bildinhalte und Zeiträume:
Bildnisgruppe I: Martin Luther als Augustinermönch (1519–1524)
Bildnisgruppe II: Martin Luther als „Junker Jörg“ (1521–1523)
Bildnisgruppe III: Hochzeitsbildnisse Martin Luthers und Katharina von Boras (1525–1526)
Bildnisgruppe IV: Martin Luther als Ehemann und Reformator im Doppelbildnis (1528–1530)
Bildnisgruppe V: Martin Luther im Brustbildnis mit Barett (ab 1530)
Die Bildnisgruppen können nach Porträttypus in Untergruppen aufgeschlüsselt sein. Die Taxonomie nimmt dabei die originale Bilderfindung, die ikonographische Umsetzung und die relative Chronologie in den Blick. So enthält z. B. die Bildnisgruppe I die voneinander abhängigen Untergruppen, die Luther als Mönch, vor Nische, mit Doktorhut, mit Taube, in Ganzfigur usw. zeigen.

7. Zur eindeutigen Identifizierung wurde jedem Gemälde und jeder Druckmatrize eine KKL-Ordnungsnummer zugewiesen. Sie setzt sich zusammen aus einer römischen Ziffer zur Bezeichnung der Bildnisgruppe, einem Großbuchstaben zur Bezeichnung der Bildgattung (Malerei, Druckgraphik oder Zeichnung) sowie einer laufenden Nummer, die eine relative Chronologie innerhalb der Bildnisgruppe wiedergibt. Bei Doppelbildnissen erfolgt eine zusätzliche Auszeichnung durch a (= Luther-Bildnis) und b (=Pendant). Bei druckgraphischen Werken wird zur Unterscheidung der verschiedenen Zustände eine arabische Ziffer angehängt. Werke, die aufgrund der Forschungen des KKL dem Anhang (siehe Punkt 5) zuzuweisen sind,  werden durch den Einschub „Sup“ („Supplement“) in der Ordnungsnummer identifizierbar. Werke, die derzeit nicht erschlossen werden können (siehe Punkt 4), sind mit einem * hinter der KKL-Nummer gekennzeichnet.

8. Bei druckgraphischen Werken werden Einblattdrucke sowie als Buchillustrationen genutzte Bildnisse gleichermaßen behandelt. Es wird zwischen Druckstock bzw. -block für den Holzschnitt sowie Druckplatte für Kupferstich und Eisenradierung unterschieden. Von einem neuen Zustand wird gesprochen, wenn ein intentionaler Eingriff in das Lineament des Druckstocks oder der Druckplatte vorgenommen wurde, der eine Veränderung der gedruckten Darstellung zum Ziel hat, aber auch wenn durch Ansetzung eines weiteren Druckstocks der Bildinhalt erweitert wurde. Sofern möglich werden bei Druckschriften und Einblattdrucken unterschiedliche Auflagen und Nachdrucke identifiziert und chronologisch geordnet.

 


[1] Als vorläufige Sammlung immer noch nur Ficker 1934.

[2] Vgl. dazu oben Teil I.

[3] Vgl. dazu die Einleitung in Gruppentext I.

[4] Vgl. Boehmer 1906, S. 5.

II. Hinweise zu den kunsttechnologischen Verfahrensweisen

Gegenstand des kunsttechnologischen Teilprojekts war neben der Generierung hochauflösenden Bildmaterials die Untersuchung der Werke hinsichtlich ihrer materiellen Beschaffenheit, des Werkprozesses und ihres Zustands.
Von insgesamt 85 für den KKL erschlossenen Gemäldetafeln wurden 38 Tafeln vor Ort kunsttechnologisch untersucht.[1] Neben der Anfertigung von Gesamt-, Detail- und Makroaufnahmen sowie strahlendiagnostischen Flächenaufnahmen wie Infrarotreflektogrammen und in Einzelfällen UV-Fluoreszenz- und Röntgenaufnahmen wurden Umzeichnungen der Konturen erstellt und erläuternde Kartierungen angefertigt. Außerdem wurde die Holzart der Gemäldetafeln bestimmt und die Tafeln, wenn möglich, dendrochronologisch analysiert.[2] Werkspuren an den Rückseiten der Gemäldetafeln gaben Aufschluss über verwendete Werkzeuge und ihren spezifischen Einsatz. Der systematische Vergleich lieferte wichtige Hinweise für die Entstehung in oder außerhalb der Cranach-Werkstatt sowie zu Werkprozessen der Bildnisserien. Die Beschaffenheit der Tafelränder (Grundiergrat, Farbgrat, Schleifspuren in der Grundierung) lieferte Indizien dafür, ob die Tafel in einem (Arbeits-)Rahmen grundiert und bemalt und auf welche Weise der Auftrag geglättet wurde. Technologische Merkmale der Malerei wurden u .a. durch eine mikroskopische Untersuchung erfasst. Bei ausgewählten Gemälden wurden Pigmente mittels Röntgen-Fluoreszenz-Analyse untersucht, um Unterschiede in der Materialwahl festzustellen. Dies lieferte wertvolle Hinweise zum Werkprozess von Bildnisserien und Indizien zur Datierung und Authentizität. Die Dokumentation des Erhaltungszustandes dient auch der Vermeidung von Fehlinterpretationen in den informationstechnologischen und kunsthistorischen Teilprojekten.
Es wurden insgesamt 641 Druckgraphiken kunsttechnologisch untersucht und für den KKL erschlossen. Mit Ausnahme von zwei Nachdrucken aus dem 19. Jahrhundert (II.D-Sup02 und II.D-Sup04) handelt es sich bei sämtlichen der untersuchten Papiere um von Hand geschöpfte Hadernbüttenpapiere mit charakteristischer, gerippter Vergéstruktur.

1. Technische Angaben

Die Höhe der hölzernen Gemälde-Tafeln wurde links, mittig und rechts gemessen; die Breite der Tafeln oben, mittig und unten. Bis zu einer Differenz von 0,5 cm sind die Maximalmaße ausgewiesen, ab 0,5 cm jeweils das Minimal- und Maximalmaß. Die Tafelstärke wird immer mit dem Maximalwert (Tafelmitte) und dem Minimalwert (Tafelkanten) angegeben. Rahmenmaße sind nur bei originalen Rahmen genannt, zu nicht originalen Rahmen werden keine Angaben gemacht.
Für die in der Regel passepartouriert vorgefundenen Bildnisse auf Papier in Form von Einblattdrucken sowie Illustrationen in gedruckten Schriften wurde jeweils die maximale und minimale Streckenausdehnung in Höhe und Breite gemessen. Dies betrifft sowohl den Träger (Papier) selbst, als auch die Maße des Druckträgers (sofern bekannt) sowie die Maße der Darstellung (in der Regel in Form einer umlaufenden Einfassungslinie markiert). Die Messungen erfolgten mit einem starren Stahllineal (Marke Rumold) der EG-Genauigkeitsklasse I. Die Stärke/Dicke des Papierträgers wurde – sofern zugänglich – mit einem mechanischen Hand-Mikrometer-Messtaster der Firma Käfer Messuhrenfabrik GmbH & Co KG mit einer Messskala von 0,01 mm gemessen. Es erfolgten durchschnittlich etwa vier Messungen an repräsentativen Messpunkten, bis max. etwa 50 mm vom Rand der Blätter entfernt. Angegeben wurde jeweils das gemessene Maximal- und Minimalmaß.

2. Untersuchungstechnik

a. Bildgebende Verfahren

Fotografie: Technologische Gesamt- und Detailaufnahmen (GNM, IKK / TH Köln, CICS)
System 1: Kamera: Canon EOS D50, Objektive: Canon Macro Lens EF, 100 mm 1:2,8; Canon Zoom Lens EF, 24 – 195 mm, Lampen: Fotoleuchten Xenolux 1000 (Multiblitz), 650 W, mit Multiflex-Filter 65 x 65, Lufex 65
System 2: Kamera: Hasselblad H5D multishot, Objektiv: Hasselblad HC 80, Lampen: Tageslicht-Röhrenleuchten Osram 5500 K / Photoleuchten Xenolux 1000 (Multiblitz), 650 W, mit Multiflex-Filter 65 x 65, Lufex 65

UV-Fluoreszenzfotografie
Kamera: Canon EOS D50, Objektive: Canon Macro Lens EF, 100 mm 1:2,8; Canon Zoom Lens EF, 24 – 195 mm mit B+W UV-Sperrfilter; diverse UV-Strahlungsquellen (Gerätebestand der jeweiligen Restaurierungswerkstätten)

Infrarotreflektografie (GNM, IKK / TH Köln, CICS)
Mobile OSIRIS-A1 Kamera (Opus Instruments Ltd.) mit Indium – Gallium – Arsenid Array; Wellenlängenbereich 900 – 1700 nm; max. Aufnahmegröße 4096 x 4096 Pixel.
Beleuchtung: Fotoleuchten Xenolux 1000 (Multiblitz), 650 W, mit Multiflex-Filter 65 x 65, Lufex 65

Röntgen (Radiografie)
Gerätetyp 1 (analog): Isovolt 225 DSI mit DP 266 (Seifert, GmbH & Co KG, seit 2010 GE Sensing and Inspection Technologies); Röntgenschutzgehäuse: Isovolt 225 / M1, Röhrentyp: MB 225/4; Schaltgerät: DS 1, Hochspannungserzeuger: Kathode 225kV; Wasserkühlpumpe WL 4001 (Anodenkühlung). Filme: Agfa Strukturix D4 DW, 30 x 40 cm (GNM, IKK)
Gerätetyp 2 (digital): Röntgenröhre ERESCO 42 MF 4 und CRxFlex Scanner (Hochschule für Bildende Künste Dresden)

Mikro-Computertomographie (Fraunhofer EZRT Fürth)
Tomomat EZRT, source: Yxlon Microfocus 225.99(51); target: transmission, high-power target, high-power mode; energy: 150kV; current: 150µA tube, ~96µA target; power: 22.5W, ~14.4W target; prefilter: 0.5mm Al; detector: Thales Pixium RF4343

 

b. Mikroskopische Verfahren

Stereomikroskopie
Gerätetyp: Mobiles analoges Tischmikroskop Will-Wetzlar KG, Okular-Vergrößerung 10 x, Objekt-Vergrößerung 0,7 – 4,5x
Kaltlichtquelle: KL 2500 LCD (Schott), mit Lichtleitern

Digitalmikroskopie
Gerätetyp: Dino-Lite Edge AM7515 MZT

Licht-, Fluoreszenz- und Polarisationsmikroskopie
Gerätetyp: Olympus BX51/BX52, Vergrößerung 50x, 100x, 200x, 500x
VIS-Lichtquelle: Halogenlampe 12 V 100 WHAL-L (Philips 7724 / 12 V 50 WAHL-L (LIFE JC)
UV-Lichtquelle: USH-102D 100W (Ushio Mercury Lampe)

 

c. Materialanalytische Verfahren

Röntgenfluoreszenzanalyse

Gerätetyp: Mobiler RF-Spektrumsanalysator, Typ Niton X1.3t Hybrid+ (Analyticon Instruments GmbH); Messmodus: Legierung, nur main-Filter

 

d. Externe Materialanalysen

Röntgenspektroskopie am Rasterelektronenmikroskop REM-EDX: (Kunstgutanalytik Dr. Sylvia Hoblyn, Radebeul / Dr. Bernadett Freysoldt, Leipzig)
Gerätetyp: Rasterelektronenmikroskop TM 3000 (Fa. Hitachi) mit EDX Detektor (Fa. Bruker, Auswertesoftware Quantax 70)

Peptide mass fingerprint analysis PMF (Dan Kirby, Milton, MA, USA)
Analysemethode: Desorption-Ionization Time of Flight mass spectrometric (MALDI) 

 

3. Matrix zur Beschreibung der strukturellen Papier- und Druck-Qualitäten

Thomas Klinke

Die Kettlinien-Orientierung gibt die Richtung (hoch/quer) an, in der die Kettdrähte des Schöpfsiebs, wie sie im Papier abgebildet sind, als hellere Linien im Gegenlicht gelesen werden können. Die Orientierung der Kettdrähte wird anhand des Verhältnisses zur Orientierung der Darstellung benannt. Das Kettlinien-Intervall gibt die relativen (weil zum Teil variierenden) Abstände der Kettdrähte des Schöpfsiebs an, wie sie im Papier abgebildet sind und als hellere Linien im Gegenlicht gelesen werden können. Gelesen wurde das Intervall, jeweils bei hoch orientierten Kettlinien, von der linken zur rechten Blattkante, und bei quer orientierten Kettlinien, von der unteren zur oberen Blattkante. Die Ripplinien-Dichte benennt die relative Dichte an Ripplinien des Schöpfsiebs, wie sie im Papier abgebildet sind und als hellere Linien im Gegenlicht gelesen werden können. Die Ripplinien verlaufen jeweils quer, um 90° versetzt zu den Kettlinien. Die Ripplinien-Dichte wird hier in Anzahl an Ripplinien je Strecke von zehn Millimetern angegeben.

Die Faserverteilung gibt eine allgemeine Einschätzung der Gesamtverteilung der Papierfasern im Gesamtbild des zum Papierbogen geschöpften Faservlieses und damit ein qualitatives Merkmal des Materials wieder. Anomalien im Papiervlies können kleine Einschlüsse sein, die aus dem Hadern-Rohstoff stammen oder während des Schöpfvorgangs in der Bütte eingetragen wurden. Diese können mikroskopisch sowie im Gegenlicht gelesen werden.

Das Wasserzeichen ist eine durch Draht gebildete Figur, die auf das Schöpfsieb gebunden wurde und sich so im Papier abbildet. Die Angabe gibt den im Gegenlicht gelesenen Eindruck wieder. Seine Stellung kann auf oder zwischen Steg liegen, d. h. zentriert zwischen den Kettlinien (zwischen Steg) oder mittig durchkreuzt von einer Kettlinie (auf Steg) platziert sein. Die Beschreibung der Figur des Wasserzeichens erfolgt nach der Klassifikation des Wasserzeichen-Informationssystems (WZIS) für Wasserzeichen in den DFG-Handschriftenzentren. Die Maße des Wasserzeichens sind jeweils in maximaler Streckenausdehnung in Höhe und Breite in mm wiedergegeben. Auf etwaige Referenzen wie z. B. Piccard und Briquet oder Online-Verzeichnisse wie WZIS oder Wasserzeichen des Mittelalters (WZMA) wird verwiesen. Anomalien am Wasserzeichendraht sind als solche gekennzeichnet, wenn, im Vergleich mit einem geeigneten Referenz-Wasserzeichen-Beleg, die Drahtfigur etwa Fehlstellen, Ausbuchtungen oder sonstige Abweichungen vom zu erwartenden Verlauf der Drahtzeichnung aufweist. Ferner können sich Reparaturen oder sonstige Markierungen, wie Bindedrähte, als Anomalien abzeichnen.         

Die Siebseite des Papiers kennzeichnet die dem Sieb zugewandte Seite während des Vorgangs des Schöpfens. Sie kann entweder dem Recto oder dem Verso des Bildnisses zugeordnet werden; wobei die Schauseite mit dem Bildnis stets als Recto aufgefasst wird – auch bei Bildnissen, die sich als Illustration im Verbund einer gedruckten Schrift befinden (wo die Bildnisse häufig auf dem Verso der Folia auftreten). Stegschatten resultieren aus lokalen Verdickungen im Papiervlies, in der Regel entlang der Kettlinien. Ihre Stegschatten-Breite ist selten exakt zu ermessen, da sich die Kanten der Stegschatten kaum scharf abbilden, sondern einen fließenden Übergang bilden. Die Anomalien im Siebbild beschreiben strukturelle Unebenheiten, die z. B. aus einem Fehlgriff beim Schöpfen, Ablegen oder Gautschen des frischen Papierbogens resultieren können.

Die Qualität der gedruckten Bildnisse wurde dem Augenschein nach beurteilt. Dabei wurde in a) Qualität des Druckträgers (Holzstock bzw. Kupferplatte), dem Abnutzungsgrad nach, sowie in b) die Qualität des Abzugs, der aufgenommenen Druckfarbe und ihrer Gleichmäßigkeit nach, unterschieden. 


[1] Die nicht autopsisch untersuchten Werke waren entweder in jüngster Zeit bereits mit hochauflösendem Bildmaterial erfasst worden oder standen für eine Untersuchung nicht zur Verfügung. Die enge Kooperation mit dem Cranach Digital Archive ermöglichte die Auswertung aller Daten der dort erfassten Werke. Neben wenigen heute als verschollen oder zerstört geltenden Gemälden, die in Form historischer Aufnahmen überliefert sind, konnten nur einige Exemplare nicht vor Ort untersucht werden.

[2] Die Holzart wurde bis auf wenige Einzelfälle, die mikroskopisch durch Peter Klein analysiert wurden, makroskopisch am Objekt bestimmt. In diesen Fällen wird auf die Nennung des botanischen Namens verzichtet.

 

III. Mustererkennung

Aline Sindel

1. Abstrakt / Einführung

Angesichts der Vielzahl an wiederkehrenden Bildinhalten innerhalb der im KKL untersuchten Luther-Bildnisse liegt die Vermutung nahe, dass in der Cranach-Werkstatt und darüber hinaus Übertragungsverfahren verwendet wurden, um sowohl Motive innerhalb einer Gattung als auch gattungsübergreifend (z. B. Druckgraphik zu Gemälde oder vice versa) wieder zu verwenden. Um die Möglichkeit serieller Produktionsweisen zu untersuchen, werden die entsprechenden Bildnisgruppen miteinander verglichen, wobei wegen der Vielzahl der Abbildungen Werkzeuge unter Verwendung neuester Ansätze der Mustererkennung und neuronaler Netze entwickelt wurden, um einzelne Schritte des Ähnlichkeitsvergleichs zu unterstützen.

Grundvoraussetzung um die Luther-Bildnisse miteinander vergleichen zu können, ist die automatische Bildregistrierung, die anhand von extrahierten Merkmalen wie Gesichtsmerkmalen oder Rissstrukturen die digitalen Gemälde und Druckgraphiken passend übereinanderlegt. In Form automatischer Verfahren wurden verschiedene Gruppen von Bildnissen nach speziell definierten Kriterien miteinander registriert und damit eine Basis für die Ähnlichkeitsanalyse geschaffen. Beispielsweise zählt dazu auch die Skalierung aller digitalen Bilder entsprechend ihrer physikalischen Größe um einen absoluten Vergleich zwischen den Bildern zu ermöglichen, oder die serielle Registrierung aller Druckgraphiken eines Motivs zu einem Referenzbild.

Ebenfalls ein wichtiger Baustein sind die Visualisierungstools, mit denen die registrierten Bilder mit Hilfe verschiedener Überlagerungstechniken inspiziert und visuell miteinander verglichen werden können um feine Unterschiede zu entdecken. Beim Untersuchen ähnlicher Motive liegt ein besonderes Augenmerk auf dem Vergleich der Gesichtsmerkmale und Umrisslinien, wofür gezielt auch Konturzeichnungen übereinandergelegt und deren Übereinstimmungen visualisiert werden können. Die im kunsttechnologischen Teilprojekt direkt am physikalischen Objekt erstellten Durchzeichnungen werden durch maschinell generierte Konturzeichnungen der digitalen Bilder für die Ähnlichkeitsanalyse ergänzt.

Ein weiteres Hilfsmittel ist das visuelle Clustering einzelner markanter Bildausschnitte wie Augen, Nase oder Haarlocke, das die Bildausschnitte nach ihren relativen Ähnlichkeiten zueinander in einen visuellen Zusammenhang bringt.

Um die Ähnlichkeitsanalyse der Druckgraphiken zu unterstützen, wurde neben den Visualisierungstools ein Werkzeug zum automatischen Markieren von feinen Unterschieden erstellt.

Durch ein automatisiertes Verfahren zum Detektieren der Kettlinienabstände kann auch ein Beitrag zur Analyse der Papierstruktur geleistet werden.

Abb1.jpg

Abb. 1: Beispiel einer Registrierung von zwei Porträts anhand von vier Punktepaaren. Eingezeichnete Gesichtsmerkmale wurden mit dlib (http://dlib.net/face_landmark_detection.py.html) detektiert.

Links: Lucas Cranach d. Ä., Martin Luther als „Junker Jörg“ (Detail), Klassik Stiftung Weimar, Direktion Museen, Inv.-Nr. G 9, (KKL-Nr. II.M2); Rechts: Werkstatt Lucas Cranach d. Ä oder Umkreis, Bildnis Martin Luthers als Augustinermönch (Detail), Germanisches Nationalmuseum Nürnberg, Leihgabe der Paul Wolfgang Merkel‘schen Familienstiftung, Inv.-Nr. Gm1570, (KKL-Nr. I.6M1)

2. Bildregistrierung

Bildregistrierung ist eine Technik der Bildverarbeitung, die eine Transformation zwischen zwei Bildern berechnet, mit der das eine Bild auf das andere Bild abgebildet werden kann. Das schematische Beispiel in Abb. 1 zeigt die Registrierung von zwei Porträts anhand von vier Punktepaaren. In diesem Fall wird die Transformation zwischen den beiden Bildern aus Rotation und Translation zusammengesetzt, um die Punktepaare aufeinander abzubilden (Abb. 1).

Für die Ähnlichkeitsanalyse der Luther-Bildnisse ist die Bildregistrierung entscheidend, da sie einen direkten Vergleich zweier oder auch mehrerer Bilder ermöglicht. Bei hoher Stückzahl an Bildern wie z.B. bei den Druckgraphiken, bei denen es viele Abzüge desselben Motivs gibt, werden semiautomatische Verfahren wie manuelles Punktesetzen in einem Graphical User Interface (GUI) oder das manuelle Austarieren der Bilder sehr schnell zeitaufwändig und sind in der Regel weniger exakt als automatische, auf maschinellem Lernen basierte Registrierungsmethoden.

Der Bilddatensatz der Luther-Bildnisse stellt hohe Herausforderungen an die Entwicklung von automatischen robusten Registrierungsmethoden. Zu nennen sind hier Unterschiede im Digitalisierungsprozess wie unterschiedliche Auflösungen oder verwendete Kameraeinstellungen und -perspektiven. Die Druckgraphiken weisen Alterungszeichen des Papiers oder Drucks auf wie z.B. Wellungen, Deformationen und Verschleiß. Dazu kommen noch herstellungsbedingte Unterschiede wie die unterschiedliche Stärke der aufgetragenen Farbe des Drucks. Für die kunsttechnologischen Untersuchungen werden häufig neben der visuellen Fotographie noch andere Bildaufnahmetechniken verwendet wie Infrarotreflektographie, Ultraviolett-Fluoreszenzfotographie und Röntgenradiographie. Die multimodalen Bilder können sich im Hinblick auf den Darstellungsinhalt unterscheiden, da abhängig vom Verfahren zum Teil andere Materialien sichtbar werden und damit zusätzliche Details wie Unterzeichnungen oder Übermalungen zum Vorschein bringen können.

Im Folgenden werden die einzelnen Methoden der Bildregistrierung, die für das Projekt entwickelt wurden, kurz zusammengefasst.

Abb2_CraquelureNet_720.mp4

Abb. 2: Multimodale Registrierung mit dem CraquelureNet vom visuellem Bild zu Infrarotreflektographie, Ultraviolett-Fluoreszensfotographie und Röntgenradiographie: Keypoints und Deskriptoren werden durch das neuronale Netz extrahiert und über die Ähnlichkeit der Deskriptoren werden Punktepaare gebildet, mit denen eine Transformation berechnet wird. Die Ergebnisbilder sind als Falschfarbenüberlagerungsbilder und als Überblendungen dargestellt.

Multimodale Registrierung von Gemälden

Historische Gemälde weisen meist ein feines Netz von Rissen (Craquelé, Englisch: craquelure) in der Malschicht auf. Da die Rissstrukturen mithilfe der erwähnten Bildaufnahmetechniken sichtbar sind, eignen sie sich als Merkmale für die multimodale Registrierung. In der Registrierungsmethode CraquelureNet[1] wird ein neuronales Netzwerk trainiert, das markante Positionen im Craquelé detektiert („Keypoints“) und diese mit Merkmalsvektoren („Descriptors“) beschreibt (vgl. Abb. 2). Die Deskriptoren werden dann genutzt, um Keypoint-Paare zwischen den Bildern zu bestimmen. Um möglichst viele zusammenpassende Paare zu erhalten, wird im Trainingsprozess formuliert, dass die Ähnlichkeit zwischen Deskriptoren desselben Keypoint-Paares höher als zwischen nicht zusammenpassenden Keypoint-Paaren sein soll (Abb. 2).


[1] Vgl. Sindel et al. 2021a.

 

Abb3_720.mp4

Abb: 3: Registrierung anhand von Gesichtsmerkmalen: Ergebnisse des Face Detectors und des Facial Landmark Detectors und der Registrierung.

Links: Werkstatt Lucas Cranach d. Ä., Martin Luther, Stiftung August Ohm, Hamburg, Inv.-Nr. 2000-3a, (KKL-Nr. III.M-Sup01); Mitte: Lucas Cranach d. Ä., Martin Luther als Augustinermönch im Ordenshabit in Nische (gespiegelt), Klassik Stiftung Weimar, Bestand Museen, Inv.-Nr. DK 182/83, (KKL-Nr. I.2D1); Rechts: Durchzeichnung des Werks: Lucas Cranach d. Ä., Martin Luther, Kunstsammlungen der Veste Coburg, Inv.-Nr. M417, (KKL-Nr. IV.M2a)

Gattungsübergreifende Registrierung von Gemälden und Druckgraphiken

Die Registrierung von Gemälden und Druckgraphiken ist wegen der verschiedenartigen Darstellungstechniken eine große Herausforderung. Für die Registrierung von Porträts unterschiedlicher Gattungen können semantische Bildinhalte wie Gesichtsmerkmale oder Konturen verwendet werden.

Die entwickelte Registrierungsmethode basierend auf Gesichtsmerkmalen besteht aus drei Schritten (siehe Abb. 3): Im ersten Schritt „Face Detection“ wird die grobe Gesichtsregion durch ein neuronales Netzwerk lokalisiert. Anschließend wird innerhalb der Gesichtsregion ein weiteres neuronales Netzwerk verwendet, um die genaue Position der Gesichtsmerkmale zu bestimmen („Facial Landmark Prediction“). Schließlich wird die Transformation aufgrund der Landmarks berechnet (Abb. 3)

Abb4_registration_prints.mp4

Abb. 4: Registrierung von einer Serie von Druckgraphien. Ergebnis von registrierten Bildern zu einer Referenz

Mehrere Abzüge von: Daniel Hopfer, Martin Luther als Augustinermönch im Ordenshabit, mit Doktorhut, (KKL-Nr. I.4D3)

Abb5.jpg

Abb. 5: Konturdetektion mit Art2Contour von Gemälde und Druckgraphik

Links: Lucas Cranach d. Ä., Martin Luther, Kunstsammlungen der Veste Coburg, Inv.-Nr. M417, (KKL-Nr. IV.M2a); Rechts: Hans Brosamer, Martin Luther

rechts: Hans Brosamer (?), Martin Luther, Sammlung Fürst von Liechtenstein

Registrierung von einer Serie von Druckgraphiken desselben Motivs

Von einigen Motiven der Luther-Druckgraphiken sind noch etliche Abzüge vorhanden, die zwar dasselbe Motiv zeigen, sich in ihrem Erhaltungszustand aber unterscheiden. Für den genauen Vergleich der Abzüge ist eine Bildregistrierung erforderlich. Im Projekt wurde daher eine gruppenweise Registrierungsmethode angewandt, mit der jedes Bild der Gruppe auf ein Referenzbild aus der Gruppe registriert wird (vgl. Abb. 4).[1]

3. Konturerkennung

Für den Vergleich von Kunstwerken mit ähnlichem Motiv werden in der Kunsttechnologie Durchzeichnungen der Gemälde oder der Druckgraphiken angefertigt, die nur die Umrisslinien der dargestellten Inhalte enthalten. Besonders für den gattungsübergreifenden Vergleich von Gemälde und Druckgraphik reduzieren sich die Gemeinsamkeiten der Bilder auf diese Umrisslinien. Daher wurde eine automatische Konturerkennungsmethode namens Art2Contour[2] entwickelt, die sich nur gezielt auf die wesentlichen gemeinsamen Konturen konzentriert (vgl. Abb. 5).

Art2Contour ist ein generatives adversariales neuronales Netz („generative adversarial neural network (GAN)“), das das Erkennen der Konturen in den Kunstwerken in einem Wechselspiel zwischen zwei neuronalen Netzen, dem „Generator“ und dem „Discriminator,“ erlernt. Im Trainingsprozess stehen Generator und Discriminator im Wettkampf. Der Generator generiert basierend auf einem Kunstwerk eine Konturzeichnung. Der Discriminator erhält sowohl das echte Paar (echtes Kunstwerk und zugehörige handgezeichnete Kontur) als auch das künstlich ergänzte Paar (echtes Kunstwerk und zugehörige generierte Konturzeichnung) und hat als Aufgabe unechte Bildpaare als solche zu erkennen. In diesem wechselseitigen Trainingsprozess werden beide Netzwerke immer besser in ihrer Aufgabe, bis am Ende des Trainings der Generator realistisch aussehende Konturzeichnungen erzeugen kann.

Für den Trainings- und Evaluationsdatensatz wurden jeweils fünf auf Touchpads handgezeichnete Konturzeichnungen pro Bild von unterschiedlichen Personen annotiert, da es individuell von der zeichnenden Person abhängt, wie präzise die Konturzeichnung angefertigt wird und wie viele Linien verwendet werden. Für die Bewertung des Generators im Training werden die fünf handgezeichneten Konturbilder sowohl einzeln als auch ihr Konsensus in den Konturen mit der generierten Konturzeichnung verglichen.


[1] Vgl. Sindel et al. 2020b.

[2] Vgl. Sindel et al. 2020a.

Abb6_ImageOverlayApp_1_1.mp4

Abb. 6: ImageOverlayApp zur Visualisierung von registrierten Bildern unter Verwendung verschiedener Überlagerungs- und Überblendungstechniken.

Hans Baldung Grien, Martin Luther als Augustinermönch im Ordenshabit, im Strahlenkranz, mit Buch und Taube, (KKL-Nr. I.3D1), links: Germanisches Nationalmuseum, Nürnberg, MP14682 (DE_GNMN_MP14682_Overall-001); rechts: Zentralbibliothek Zürich, III M 155,9 (CH_ZBZ_III_M_155_9_verso-recto)

4. Visualisierungstools

Im Rahmen des Projektes wurden zwei Visualisierungstools entwickelt, mit denen die Bildnisse auf feine Unterschiede untersucht werden können.

ImageOverlayApp

Die ImageOverlayApp[1] ist eine Python GUI Anwendung, mit der registrierte Bildpaare auf verschiedene Art und Weise visuell verglichen werden können (vgl. Abb. 6). Feine Unterschiede zwischen den Bildern können mit Hilfe des Differenzbildes, des Falschfarben-Overlays (red-cyan) oder durch das interaktive Blenden zwischen zwei Bildern mit einem Regler inspiziert werden (Abb. 6).

ContourOverlayApp

Die ContourOverlayApp ist eine Python GUI Anwendung zur Visualisierung von beliebig vielen registrierten Kontur-Bildern (Durchzeichnungen oder maschinell erstellte Konturen z.B. mittels Art2Contour) (vgl. Abb. 7). Das „perceptual Overlay“ berechnet das Überlagerungsbild aller Konturen, wobei alle Konturen in weiß mit relativer Transparenz dargestellt werden. Das „intersection overlay“ berechnet die Schnittbereiche von Konturen (Intersection) und stellt diese in weiß dar. Pro Bild wird dem Konturbereich, der keine Überschneidung mit einer anderen Kontur hat, eine eigene Farbe des HSV-Farbraums zugeordnet, sodass die einzelnen Konturen den jeweiligen Bildern zugeordnet werden können (Abb. 7).


[1] Vgl. Sindel et al. 2020b.

Abb7_ContourOverlayApp_1.jpg

Abb. 7: ContourOverlayApp zur Visualisierung mehrerer Konturzeichnungen und Hervorheben von Übereinstimmungen und Abweichungen in den Konturen.

Durchzeichnungen von verschiedenen Exemplaren von Vertretern der Bildnisgruppe IV

Abb7_ContourOverlayApp_2.jpg
Abb7_ContourOverlayApp_3.jpg
Abb7_ContourOverlayApp_4.jpg
Abb8.jpg

Abb. 8: Größenabhängiger Vergleich zweier Lutherbildnisse und ihrer maschinell generierten Konturen mit Art2Contour.

5. Ähnlichkeitsanalyse

Im Projekt wurde untersucht, wie stark sich die sehr ähnlichen Motive unterscheiden und in welcher Form Übertragungsverfahren zwischen den Bildern einer Gruppe aber auch gattungsübergreifend angewendet wurden. Zur Klärung dieser Fragestellung wurden verschiedene Methoden der Mustererkennung und Visualisierungstools entwickelt, die den paarweisen und gruppenweisen Vergleich von Bildnissen erleichtern. Des Weiteren wurden bestimmte Bildelemente in den Bildnissen gesondert auf Ähnlichkeit analysiert. Um die Einordnung von Druckgraphiken innerhalb ihrer Gruppe zu unterstützen, wurde eine Methode entwickelt, die automatisch feine Unterschiede zwischen zwei Druckgraphiken markiert.

Größenabhängiger Kontur- und Gesichtsmerkmalsvergleich (anhand der absoluten Kopfgröße)

Für die Untersuchung möglicher Übertragungsverfahren spielt die absolute Größe der Bildnisse zueinander eine Rolle, da beim direkten Übertragen von Umrisslinien vom einen Bild zum anderen die Größe konstant bleiben würde.

Daher wurden die Luther-Bildnisse anhand der manuell in mm gemessenen Breite des Kunstwerkes und der in einem semiautomatischen Tool bestimmten Pixel-Distanz dieser Breite im digitalen Bild entsprechend ihrer absoluten Größe skaliert und anschließend in Gruppen nach aufsteigender Kopfgröße eingeteilt.

Für den absoluten Vergleich wurden neben Gemälden, Druckgraphiken und Durchzeichnungen auch die Konturbilder via Art2Contour und die mit dem CraquelureNet entzerrten Infrarotbilder der Gemälde verwendet.

Alle Bilder pro Gruppe wurden auf das Referenzbild der Gruppe mit der gesichtsmerkmalbasierten Registrierungsmethode abgebildet, wobei für die Bestimmung der Transformation nur Rotation und Translation einbezogen wurden. Ein Beispiel für den Vergleich zweier Lutherbildnisse ist in Abb. 8 dargestellt.

Abb9.mp4

Abb. 9: Größenunabhängiger Vergleich eines Gemälde-Druckgraphik Paares und ihrer maschinell generierten Konturzeichnungen mit Art2Contour.

Links: Werkstatt Lucas Cranach d. Ä., Martin Luther (Detail), Melanchthonhaus, Bretten, Inv.-Nr. 1a (KKL-Nr. IV.M12a); Rechts: Georg Pencz, Martin Luther mit Barett und Schaube (Detail, gespiegelt), Minneapolis, Thrivent Collection of Religious Art, Inv.-Nr. 01-02, (KKL-Nr. IV.D1)

Abb10_800.jpg

Abb. 10: Automatische Detektion mit Yolov4 von vordefinierten Objektklassen wie Auge, Nase, Mund etc.

Links: Lucas Cranach d. Ä., Martin Luther als Augustinermönch im Ordenshabit, mit Doktorhut, Kupferstichkabinett Dresden, Inv.-Nr.A 5389 (KKL-Nr. I.4D1); Rechts: Werkstatt Lucas Cranach d. Ä., Martin Luther als Junker Jörg, The Muskegon Museum of Art, Muskegon, Michigan, Inv.-Nr. 39-5 (US_MMA_39-5)

Größenunabhängiger Kontur- und Gesichtsmerkmalsvergleich

Um zu überprüfen, ob sich deckungsgleiche Konturzüge in Bildern mit unterschiedlicher absoluter Kopfgröße auffinden lassen, wurden alle Ausgangsbilder des vorherigen Vergleichs anhand ihrer Gesichtsmerkmale auf ein gemeinsames Referenzbild registriert. In diesen Fall erfolgte die Registrierung unter Einbeziehung von Rotation, Translation und Skalierung, so dass ein von der absoluten Kopfgröße unabhängiger Vergleich möglich war (siehe Abb. 9). 

Clustering und Ähnlichkeitssuche visuell prägnanter Bildelemente in den Luther-Bildnissen

Ein weiterer Aspekt der Ähnlichkeitsanalyse des Projektes stützt sich auf den Vergleich von visuell prägnanten Bildelementen in den Bildnissen. Für die automatische Extraktion der Bildelemente in den Luther-Gemälden und Druckgraphiken wurde ein Objektdetektor Namens Yolov4[1] für die Objektklassen Auge, Nase, Mund, Ohr, Haarlocke und Hände trainiert (siehe Abb. 10).

Jedes Bildelement kann durch einen hochdimensionalen Merkmalsvektor beschrieben werden. Zur Berechnung der Merkmalsvektoren wird ein neuronales Netzwerk für das Klassifizierungsproblem trainiert, das anhand der Bildausschnitte erkennt, ob es sich um Auge, Nase, Mund etc. handelt.

Zum Clustering der Bildelemente wird die „t-distributed stochastic neighbor embedding“ (t-SNE)[2] Methode angewandt. t-SNE ist eine Technik, mit der hochdimensionale Daten auf einen niedriger dimensionalen Raum (hier 2D) abgebildet werden können und eignet sich daher für die 2D-Visualisierung von relativen Ähnlichkeiten zwischen Objekten.

Durch Projektion der hochdimensionalen Merkmalsvektoren auf den 2D-Merkmalsraum mit Hilfe von t-SNE können daher die relativen Ähnlichkeiten der Merkmalsvektoren zueinander visuell dargestellt und analysiert werden. Angewendet auf alle Merkmalsvektoren aller Kategorien zeigt die t-SNE Visualisierung (vgl. Abb. 11a) Cluster der einzelnen Kategorien, die sich nochmals in die Untergruppen Gemälde und Druckgraphik und verschiedene Motivgruppen unterteilen. Zur genaueren Inspektion der nächsten Nachbarn in der Ähnlichkeitskarte wurden in Abb. 11b die Cluster in der Visualisierung ausgedehnt, sodass sie das Quadrat voll ausfüllen und den Abstand zwischen den Clustern eliminieren.


[1] Vgl. Bochkovskiy et al. 2020.

[2] Vgl. van der Maaten und Hinton 2008.

 

abb11_all-merged-ellipsoide-efficientnet-b0.jpg

Abb. 11a: T-SNE aller Merkmale. Gruppenbildung der einzelnen Merkmale und Untergruppierung in Gemälde-Druckgraphik und verschiedene Motivgruppen.

Visualisierung öffnen

abb11_all-merged-stretched-from-efficientnet-b0.jpg

Abb. 11b: T-SNE aller Merkmale. Ausdehnung der Cluster in der Visualisierung um das Bild voll auszufüllen.

Visualisierung öffnen

Für den direkten Vergleich einzelner Bildelemente wurde eine Ähnlichkeitssuche realisiert, bei der zu einem Quellbild („query“) die k-ähnlichsten Bildelemente gesucht werden. Für diesen Zweck wurde, angelehnt an das Prinzip des selbstüberwachten Lernens („self-supervised learning“), ein neuronales Netzwerk trainiert, das die Kosinus-Ähnlichkeit von zwei Merkmalsvektoren berechnet. Selbst-überwacht bedeutet in diesem Sinn, dass eine Kopie des Trainingsbildes mit Hilfe von Augmentationsstrategien (wie Rotation, Farb- oder Kontraständerung oder Unschärfe) leicht verändert wird und es mit dem ursprünglichen Trainingsbild zusammen ein sehr ähnliches Bildpaar bildet. Im Trainingsprozess wird das Ähnlichkeitsnetzwerk so optimiert, dass die Merkmalsvektoren der synthetisch generierten ähnlichen Bildpaare zueinander eine hohe Kosinus-Ähnlichkeit aufweisen. Nach Abschluss des Trainings wird das Ähnlichkeitsnetzwerk verwendet um paarweise die Ähnlichkeit aller Bildelemente der Lutherbildnisse zueinander zu berechnen. Abb. 12 zeigt das Suchergebnis für ein Beispielbild der Kategorie Auge.

Abb12_knn_search_eye.jpg

Abb. 12: Ergebnisse der Ähnlichkeitssuche separat für die Kategorie Auge.

Verschiedene Details von Vertretern der Bildnisgruppe IV

Abb13.jpg

Abb. 13: Markierte Unterschiede in zwei Druckgraphiken mit Hilfe eines neuronalen Netzes.

Links: Unbekannt, Martin Luther als Augustinermönch im Ordenshabit mit Buch, vor einer Bogennische mit Kämpfergesimsen, mit Inschrift (KKL-Nr. I.2D7), Lutherhaus, Wittenberg, Inv.-Nr. 4° III 205 (DE_RFBW_LHW_III_205_2019-01); Rechts: Unbekannt, Martin Luther als Augustinermönch im Ordenshabit mit Buch, vor einer Bogennische mit Kämpfergesimsen (KKL-Nr. I.2D6) (DE_UBR_Fg-1830-8)

Abb14.jpg

Abb. 14: Kettliniendetektion mit ChainLineNet in Durchlichtaufnahmen von Druckgraphiken.

Hans Sebald Beham, Luther als Junker Jörg, Kunstpalast, Düsseldorf, Inv.-Nr. KA (FP) 363 D, Durchlicht, (KKL-Nr. II.D3.2)

Unterschiede in Druckgraphiken

Für die Ähnlichkeitsuntersuchung einer Reihe von Druckgraphikabzügen des vermeintlich selben Motivs kommt es auf feine Unterschiede im Druck, z.B. Fehlstellen oder Veränderungen an der Druckplatte bzw. des Druckblocks an. Als Unterstützung im Auffinden dieser feinen Unterschiede wurde eine Methode entwickelt, die Positionen von möglichen Unterschieden zweier Druckgraphiken automatisch markiert. Dazu werden zunächst alle Druckgraphiken eines Motivs zu einem Referenzbild registriert und dann paarweise Unterschiedspositionen mit einem neuronalen Netz detektiert (siehe Abb. 13, in der größere Abweichungen in rot dargestellt werden). 

 

6. Kettlinienerkennung

Im kunsttechnologischen Teil des Projekts wurden die Papierstruktur der Druckgraphiken analysiert und verschiedene Metriken wie Kettlinienabstände erfasst. Kettlinien entstehen als Abdruck des Siebs, das für die handgeschöpfte Papierherstellung verwendet wird. Durch Ausmessung der Abstände zwischen den Kettlinien kann ein für das verwendete Sieb charakteristisches Abstandsmuster bestimmt werden. Weisen zwei Papiere sehr ähnliche Abstandsintervalle auf, kann diese womöglich auf dasselbe Sieb zurückgeführt werden. Das manuelle Auslesen der Kettlinien und Kettlinienabstände ist sehr zeitaufwändig, daher ist eine automatische Kettlinienerkennung als Unterstützung für die kunsttechnologischen Auswertungen wünschenswert.

Zunächst wurde auf einem kleinen Teilbereich der ausgemessenen Druckgraphiken ein neuronales Netz trainiert, um die Kettlinien automatisch im Durchlichtbild zu erkennen und durch weitere Verarbeitungsschritte die mittleren Abstände der Linien zu berechnen.[1] Detektierte Linien, die recht weit am Rand liegen oder eine starke Steigung im Vergleich zu den anderen Linien aufweisen, wurden als unsichere Kandidaten markiert, so dass kunsttechnologische Experten diese aussortieren oder als richtig einstufen können.

Mit ChainLineNet[2] konnte die Genauigkeit in der Kettliniendetektion und Abstandsmessung auf einem deutlich größeren Testdatensatz noch gesteigert werden. Im Vergleich zur vorherigen Methode, das die genauen Linienpositionen erst in Nachverarbeitungsschritten berechnet, ist ChainLineNet ein durchgängig trainierbares Netzwerk, das alle Schritte von der Liniendetektion bis hin zur Linienparametrisierung, d.h. die Berechnung der Parameter der Liniengleichung, im Training erlernt. Ein Beispiel wird in Abb. 14 gezeigt.

7. Fazit

Die vorgestellten informationstechnologischen Methoden wurden für das Projekt „Kritischer Katalog der Luther-Bildnisse (1519–1530)“ entwickelt, können aber allgemein zur Bildanalyse verwendet werden. Sie wurden konzipiert, um die kunsttechnologischen und kunsthistorischen Analysen zu unterstützen. Durch den Einsatz neuester Methoden der Mustererkennung und neuronaler Netze konnten neue digitale Vergleichsmöglichkeiten geschaffen werden. Dadurch wurde es möglich, den großen Fundus an Bildnissen in kürzester Zeit zu registrieren und die Genauigkeit in der Bildanalyse zu steigern. Mit Hilfe der Visualisierungstools konnten präzise Vergleiche durchgeführt und Gemeinsamkeiten und Unterschiede anschaulich dargestellt werden.

[1] Vgl. Biendl et al. 2021.

[2] Vgl. Sindel et al. 2021b.