Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
Método de compresión fractal de imágenes.
Cesar Ulises Velázquez Andrade.
Abstract.
Palabras clave.
1.-Numero complejo.
2.-Fractal.
3.-Aplicación.
4.-Variable.
5.-Desarrollo.
6.-Caracteristicas.
7.-Geometria.
8.-Recopilacion.
9.-Problema.
2
Introducción. Objetivos del proyecto.
3
Referencial teórico.
El desarrollo de la Matemática ha estado ligado históricamente a la resolución de
problemas. A lo largo de la historia, la aparición de problemas ha provocado que grandes
matemáticos dieran con teorías que han generado importantes avances, siendo por tanto la
resolución de problemas un pilar en el desarrollo de las matemáticas.
Los números complejos surgen del intento de encontrar las raíces de las funciones cúbicas.
Inicialmente, se trabajaba con expresiones que René Descartes llamaba números
imaginarios. En 1777, el matemático suizo Leonhard Euler introdujo el símbolo i para
representar la unidad imaginaria. La existencia de números complejos no fue
completamente aceptada hasta la más abajo mencionada interpretación geométrica que fue
descrita por Wessel en 1799, redescubierta algunos años después y popularizada por Gauss.
La implementación más formal, con pares de números reales fue dada en el Siglo XIX.
Para encontrar los primeros ejemplos de fractales debemos remontarnos a finales del siglo
XIX: en 1872 apareció la función de Weierstrass, cuyo grafo hoy en día consideraríamos
fractal, como ejemplo de función continua pero no diferenciable en ningún punto.
Posteriormente aparecieron ejemplos con propiedades similares pero una definición más
geométrica. Dichos ejemplos podían construirse partiendo de una figura inicial (semilla), a
la que se aplicaban una serie de construcciones geométricas sencillas. La serie de figuras
obtenidas se aproximaba a una figura límite que correspondía a lo que hoy llamamos
conjunto fractal.
Michael Barnsley es el investigador principal que trabajó en la compresión fractal en 1988,
y posee varias patentes sobre esta tecnología. El algoritmo de compresión fractal práctico
más conocido fue inventado por Arnaud Jacquin en 1991, pero Barnsley y Alan Sloan
obtuvieron la patente (EE. 5, 065, 447) también en este método. Todos los métodos de
compresión fractal se basan en la transformación fractal utilizando sistemas de funciones
iteradas. El potencial de la compresión fractal se notó a finales de los años ochenta: en
algunos casos mostró una eficiencia mucho mejor que JPEG, el principal formato
competidor en ese momento. Esta técnica, sin embargo, nunca alcanzó una propagación a
gran escala. En parte debido a cuestiones relacionadas con las patentes de esta tecnología
(las patentes de JPEG son administradas por una asociación de empresas que tiene
solicitudes generalmente consideradas razonables); en parte porque es mucho más lento en
compresión que el rival (en descompresión Los Times son casi idénticos). Además, el
aumento de la eficiencia no es un hecho comprobado. La ventaja es evidente solo a baja
calidad de imagen, una condición inadecuada. Incluso la mejor escalabilidad de la imagen
más allá de la resolución original no parece haber sido decisiva.
4
Aplicaciones de los números complejos en fractales.
Los mejores ejemplos de compresión fractal requieren una intervención humana sustancial:
el proceso de generación de una imagen a partir de su representación en el fractal es simple
de automatizar, pero el procedimiento inverso no es tan fácil, especialmente para optimizar.
La mayoría de las imágenes naturales tienen propiedades matemáticas heterogéneas (por
ejemplo, una imagen con una montaña, nubes y árboles puede representarse mediante
varias clases de representaciones fractales).
El teorema del collage de Barnsley muestra que para un gran conjunto de imágenes
naturales hay necesariamente una representación fractal simple, pero no proporciona un
algoritmo general para construir estas representaciones. En la práctica, lograr imágenes de
alta calidad con relaciones de compresión significativamente más altas que JPEG requiere
un gran esfuerzo humano. Actualmente, la compresión fractal parece haber perdido más
relevancia, ya que también ha sido superada por la compresión wavelet para aquellos que
aceptan la situación de las patentes. JPEG sigue siendo ampliamente utilizado.
Para encontrar los primeros ejemplos de fractales debemos remontarnos a finales del siglo
XIX: en 1872 apareció la función de Weierstrass, como ejemplo de función continua pero
no diferenciable en ningún punto.
Así, en 1904, Helge von Koch definió una curva con propiedades similares a la de
Weierstrass: el copo de nieve de Koch. En 1915, Waclaw Sierpinski construyó su triángulo
y, un año después, su alfombra.
Alfombra de Sierpinski:
Estos conjuntos mostraban las limitaciones del análisis clásico, pero eran vistos como
objetos artificiales, una "galería de monstruos", como los denominó Poincaré. Pocos
matemáticos vieron la necesidad de estudiar estos objetos en sí mismos.
5
Los conjuntos de julieta.
Estos conjuntos, fruto de los trabajos de Pierre Fatou y Gastón Julia en los años 1920,
surgen como resultado de la aplicación reiterada de funciones.
Analicemos el caso particular de funciones polinómicas de grado mayor que uno. Al aplicar
sucesivas veces una función polinómica es muy posible que el resultado tienda a ∞. Al
conjunto de valores de Z€C que no escapan al infinito mediante esta operación se le
denomina conjunto de Julia relleno, y a su frontera, simplemente conjunto de Julia.
Estos conjuntos se representan mediante un algoritmo de tiempo de escape, en que cada
pixel se colorea según el número de iteraciones necesarias para escapar. Suele usarse un
color especial, a menudo el negro, para representar los puntos que no han escapado tras un
número grande y prefijado de iteraciones.
Ejemplos de conjuntos de Julia para:
6
Metodología. Tipo: deductiva.
Esta opción se trata de aquella orientación que va de lo general a lo específico. Es decir, el
enfoque parte de un enunciado general del que se van desentrañando partes o elementos
específicos.
Como mi enfoque parte de un enunciado general y tiene un fin específico (resolver un
problema con números complejos aplicado a un área específica), elegí desarrollar esta
metodología ya que plantea un modelo de investigación idóneo para mí.
El cronograma de este proyecto consta de 3 etapas:
1.- Recolección de información. (06/05/2022)
2.- Verificación de información. (07/05/2022)
3.- Redacción del artículo y exposición de los resultados. (09/05/2022)
Este proyecto busca explicar el método de compresión fractal de imágenes, ese es el
objetivo del proyecto, además pretende implementar los conocimientos adquiridos en el
primer y segundo parcial de matemáticas avanzadas para ingeniería en un problema real
de algún área afín en ingeniería.
Etapas para la selección y resolución de problemas de circuitos de corriente alterna.
1.- Se reunió la información brindada por mi asesora, la cual fue una explicación general
impartida durante todo el primer y segundo parcial de los tipos de forma de los números
complejos.(estándar, polar, exponencial, trigonométrica, argumento, suma, resta,
multiplicación de números complejos), demás de añadir conocimiento en límites con
variable compleja, funciones con variable compleja y derivadas.
2.- Recolección de teoría básica referente a fractales y sus características, así como los
problemas que estuviera al nivel del conocimiento adquirido.
3.- Finalmente se aplicaba la información recolectada y se explica como funciona
el método de los fractales.
7
Marco teórico.
Las bases matemáticas para este método son los mapeos de subconjuntos de R 2 en sí mismos
que utilizan transformaciones afines. Una transformación afín en un punto del subconjunto S
tiene la forma:
El primer resultado importante de estos sistemas es el llamado teorema de los puntos fijos en
mapeos contractivos. Este teorema asegura que al aplicar una serie de mapeos contractivos a
un subconjunto S ∈ R 2 de forma iterativa, dicho subconjunto se irá al atractor (o punto fijo)
SW de los mapeos. Esto pasa siempre y cuando los mapeos sean contractivos. Cabe resaltar
que el atractor es independiente de las condiciones iniciales. Un ejemplo muy famoso es el
helecho de Barnsley, en donde un IFS compuesto por solo cuatro mapeos tiene como atractor
la imagen de un helecho
El helecho de Barnsley.
(a) El subconjunto S está marcado con una “L” para ver rotaciones del mismo.
(b) el IFS para el helecho, consiste en cuatro mapeos que contraen a S.
(c) el atractor para el IFS: el helecho de Barnsley.
(d) un acercamiento al helecho muestra su naturaleza fractal, ya que es auto semejante.
8
Esto también es la idea básica de la compresión fractal de imágenes: es más compacto guardar
las transformaciones cuyo atractor es la imagen que queremos, que los pixeles de dicha
imagen. Siguiendo el ejemplo del helecho, sí guardamos la imagen como una colección de
pixeles requeriríamos 65536 bits, mientras que si la guardamos como una colección de
transformaciones solo requeriríamos 768 bits (por los seis números que definen los cuatro
mapeos).
Usualmente, las imagines reales son un poco más complicadas que un helecho en blanco y
negro, por lo que un IFS no será suficiente. El siguiente paso es considerar un
sistema de funciones iteradas en donde cada mapeo(wi) actúa sobre un subconjunto Di ∈(Rᶺ2)
Imágenes y PIFSs
Una vez definido un PIFS, pasamos a ver la definición matemática de una imagen. Para este
reporte solamente consideraremos imagines en escalas de grises. Podemos ver a una imagen
de este tipo como una función f en Rᶺ2 que nos regresa un valor entero dentro de una escala
predeterminada (escala de grises):
Por sencillez, suponemos que la imagen esta confinada al cuadrado unitario (Iᶺ2). También
queremos definir la distancia entre 2 imágenes, ya que esto nos dirá que tanto se parecen
´estas entre sí. Nosotros tomamos la distancia RMS como la adecuada, aunque nada nos
impide utilizar otras distancias.
Aquí ya estamos suponiendo que el dominio de nuestras imágenes es discreto, puesto que
estamos hablando de pixeles. Aquí n y m son el número de pixeles horizontales y verticales
de las imágenes. Ahora bien, siguiendo la idea del helecho, queremos encontrar un PIFS cuyo
atractor se parezca mucho a una imagen (es decir, que la dRMS entre el atractor y la imagen
sea pequeña). Dada una imagen, comenzamos partiéndola en una serie de celdas rango {Ri}.
Estas celdas rango deben cubrir por completo a la imagen y no se deben traslapar. A cada Ri
le asociamos una transformación wi que mapea los puntos de cierto dominio Di a Ri (figura3)
9
Formalmente, las wi ’s se definen como:
Ecuación:
Aquí, ˜w −1 i (x, y) es la transformación que me lleva de Ri a Di. Por lo que nuestra wi (que
se define aplicándola a f evaluada en los puntos de Ri) es la función f evaluada en los puntos
del dominio Di, multiplicado por un factor si y recorrido por un factor oi . Cabe notar que la
parte espacial de wi mapea el dominio en el rango, por lo que la transformación total toma a f
evaluada en puntos del dominio Di, la multiplica por sí , le suma oi y la lleva al rango Ri .
Como estamos hablando de imágenes, si contrae o expande los valores de f, por lo que
podemos decir que se trata del contraste. Por otro lado, oi recorre los valores de f, por lo que
le asociamos el brillo de dicha imagen. En la práctica, los dominios siempre serían mayores
que los rangos, por lo que las wi ’s siempre serán mapeos contractivos. Para nosotros, el PIFS
interesante (W que actúa sobre f) va a ser la unión de todas las wi ’s. Como los rangos cubren
toda la imagen, también lo hará nuestro PIFS. Además, como se trata de una transformación
contractiva, tiene un punto fijo. Así que lo que nosotros buscamos es el PIFS W cuyo punto
fijo (fW ), se parezca mucho a la imagen original f. Puede sonar complicado y poco práctico
buscar los atractores de diferentes PIFS y ver si se parecen a la imagen original (sobre todo
porque los atractores aparecen después de muchas iteraciones del PIFS). Pero un teorema nos
facilita considerablemente el trabajo
Un teorema que nos da una idea de cómo encontrar a W es el teorema del collage. Este dice
que si la distancia entre una imagen f y la imagen transformada por W (W(f)) se parecen
mucho, entonces el atractor de W también se parecerá mucho a f. Matemáticamente nos dice
que:
10
EL ALGORITMO
Partimos a f en una serie de celdas rango {Ri}. Estas celdas deben cubrir por completo a f y
no se deben traslapar.
Cubrimos a f con un conjunto de celdas dominio {Di}. Usualmente son muchas celdas
dominio y se traslapan. Entre mayor sea el número de las Di ’s mejor será el resultado final,
pero la compresión será más tardada.
11
Desarrollo del funcionamiento de un algoritmo de fractal: Lena.
Procedimiento
Supongamos que queremos comprimir la imagen Lena Siguiendo los pasos del algoritmo,
dividimos inicialmente la imagen en cuatro celdas rango y al mismo tiempo creamos una base
grande de dominios que son parte de la misma imagen (figura 5). La base de las Di ’s
contiene de preferencia subconjuntos de la imagen que se entrelazan y que sean de muchos
tamaños (es decir, tamaños más pequeños). De esta forma será más fácil encontrar una celda
dominio que cubra bien la celda rango en cuestión.
La primera iteración de nuestro algoritmo no encontrara ninguna Di que cubra
satisfactoriamente alguna de nuestras cuatro Ri ’s, puesto que una condición que le
imponemos al algoritmo es que el tamaño de las celdas dominio sea mayor al de las celdas
rango, para así tener efectivamente un mapeo contractivo.
12
Al no cubrir satisfactoriamente las Ri ’s, el algoritmo subdivide la primera celda rango (la
celda color rojo en la Fig. 5) y para cada una de las subceldas generadas repite el proceso.
Continuara subdividiendo las Ri ’s hasta que haya cubierto satisfactoriamente todas ellas.
13
La figura 6 muestra una celda dominio que, bajo un mapeo bien escogido, podría cubrir la
celda rango marcada. Por un lado cumple la condición de que la Di tiene mayor tamaño que la
Ri , además concuerdan bien los tonos claros y los obscuros en ambas celdas.
Faltaría ver si una rotación y un ajuste de contraste y brillo mejora la cobertura (esto sería la
elección del mapeo que mejor cubre a la Ri .) Una forma gráfica de como el algoritmo elige el
mejor mapeo se muestra en la a figura 7. Teniendo la Ri y Di candidatas, rotamos a la Di las
ocho posibles rotaciones en el plano. Aquí consideramos ´únicamente rotaciones de 90◦ y la
reflexión sobre un eje como otra rotación. Por lo que tenemos cuatro posibles rotaciones de la
celda original más otras cuatro de la celda reflejada (ocho en total). De esas rotaciones
escogemos la que mejor se ajusta a la Ri y la comprimimos para que ambas queden del mismo
tamaño. Finalmente ajustamos los valores del contraste y brillo mediante un procedimiento de
mínimos cuadrados para obtener los valores óptimos y minimizar así la dRMS entre ambas
celdas. Si la distancia es menor a una tolerancia dada, consideramos la Ri como cubierta. Si
no lo fue, subdividimos la Ri en cuatro nuevas subceldas y para cada una volvemos a buscar.
La naturaleza del método lo hace adaptativo al detalle de cada parte la imagen.
Los ojos de Lena por ejemplo requerirán celdas rango mucho más pequeñas que segmentos
de la pared de fondo. Con este método siempre tendremos el tamaño adecuado de celda según
el detalle. Como habíamos mencionado, en la práctica ponemos una cota inferior al tamaño de
las Ri ’s más pequeñas. De lo contrario el tiempo de compresión sería muy grande y el factor
de compresión bajo. Esta cota es justo la profundidad de quadtree.
14
Análisis de resultados
En esta ocasión intente explicar en qué consiste la aplicación del Método de compresión
fractal de imágenes y el objetivo del problema es comprimir o expandir imágenes apartir
de mapeos con funciones de variable compleja.
En este caso en particular recopilé los distintos tipos de fractales de los que encontré
información, se explico de forma teórica como funcionan las ecuaciones que hay
detrás de los algoritmos y programas que hacen posible la compresión de imágenes
o el fotocopiado que realizan las impresoras.
Para resolver este problema también aplicamos mapeos, gráficas y mucha teoría de
variable compleja, no tenia idea de todos los elementos que hay detrás de los fractales,
sin duda son un área compleja de estudio.
El objetivo de este proyecto era explicar teóricamente que es un fractal y explicar cómo
se aplican en el campo de compresión y se logró de manera satisfactoria.
Se obtuvieron los resultados deseados ya que logramos una correcta aplicación de algunas
propiedades de variable compleja.
Áreas de mejora
15
Conclusiones.
Los números complejos están presentes en nuestra vida cotidiana y es importante reconocer
el amplio campo de aplicación de los mismos para resolver problemáticas específicas.
Durante este proyecto tuve la oportunidad de unificar todo el conocimiento obtenido
durante el segundo parcial para poder aplicarlo en una situación real, es importante lograr
esto para comprender de una manera idónea toda la información otorgada por la asesora.
Presente algunas dificultades con la recolección de información ya que tienes que recurrir a
diversas fuentes para corroborar todo lo relacionado con fractales, mapeos y un sinfín de
términos, pero tuve un área de investigación muy amplia, disfrute de entender este
fenómeno, me dejo un campo de conocimiento enorme, no sabia que los fractales están
presentes hasta en las nubes y el conocer de esto me hace sentir que vivo en un mundo más
amigable y lógico de lo que pensaba.
El objetivo general del proyecto era plantear un problema de aplicación real de un área a fin
de la carrera que involucre números complejos y el objetivo se realizó a plenitud, se
lograron implementar algunos conceptos comprendidos de variable compleja, se usaron
características como limites, fronteras, dominios y rangos, también se logró un análisis
dimensional del problema de una manera profesional, y un marco teórico que disfrute
mucho de investigar, sin lugar a dudas los fractales y la variable compleja son temas
bastante relacionados entre sí.
Por último, me gustaría agregar que fue un trabajo interesante de realizar porque se puso
aprueba nuestra capacidad de recopilación de información, comprensión y por último
aplicación, es una manera muy didáctica de poner en práctica los números complejos.
-Gracias.
16
Referencias bibliográficas
Departamento de ciencias sociales. (2018). Tipos de metodología. 09/05/2022, de
Universidad DR. José Matías Delgado Sitio web: https://www.ujmd.edu.sv/normas-apa-
presentacion-de-trabajos-escritos/
Boyer, C. (1969) Historia de la matemática. Alianza Editorial.
Mtra. Silvia Paredes (DEIP). (17/octubre/2017). El nacimiento de los números
complejos. 09/05/2022, de Uruguay educa Sitio web:
https://uruguayeduca.anep.edu.uy/sites/default/files/2017-
10/Un%20paseo%20por%20la%20Historia%20-
%20%20El%20nacimiento%20de%20los%20n%C3%BAmeros%20imaginarios%20-
%20Brasesco-Medeiros.pdf
] T. Acharya and A. K. Ray. Image Processing: Principles and Applications. John Wiley
and Sons, 2005.
17
Glosario.
1.- Números complejos: Los números complejos son combinaciones de números reales y
números imaginarios
2.- Iteraciones: repetir varias veces un proceso con el objetivo de llegar a un objetivo
deseado
3.- Mapeo: Es una simple representación de un proceso que simplemente enumera las
tareas en orden secuencial
4.- fractal: elemento de la naturaleza que puede ser descrito mediante la geometría fractal.
5.- geometría fractal: objetos complejos, con una estructura que se ve repetida cuando lo
observamos en diferentes escalas.
18