Una imagen es una suma de rayas

Cuando miras una fotografía, ves formas y contornos. Pero hay otra manera de ver esa misma imagen: como una suma de patrones repetitivos simples. Cada patrón tiene una frecuencia, una orientación y un contraste. Juntos, reconstruyen la imagen completa. Esta idea es el fundamento de toda la óptica de Fourier — y es lo que vamos a explorar aquí.

Frecuencias en el tiempo vs. frecuencias en el espacio

Si has escuchado alguna vez un diapasón, has escuchado una frecuencia pura: una oscilación que se repite un número fijo de veces por segundo. Un La de concierto son 440 ciclos por segundo — 440 Hz. Dos notas juntas son una suma de sinusoides. Un acorde, una suma más compleja. Hasta aquí, territorio conocido.

Ahora el salto: la misma idea funciona en el espacio. En vez de una onda que oscila en el tiempo, imagina unas franjas que oscilan en el espacio — zonas claras y oscuras que se alternan periódicamente. La frecuencia ya no se mide en ciclos por segundo sino en ciclos por milímetro. Pero la matemática es idéntica.

Compara los dos paneles: a la izquierda, una señal oscila en el tiempo. A la derecha, la misma frecuencia y amplitud generan un patrón de franjas — una rejilla espacial. Mueve los controles y convéncete de que son la misma idea en dominios distintos.

La señal temporal se describe con $f(t) = A\sin(2\pi\nu\, t)$, donde $\nu$ es la frecuencia (en Hz) y $A$ la amplitud. La rejilla espacial es exactamente lo mismo:

donde $f_x$ es la frecuencia espacial (ciclos por unidad de longitud) y $C$ el contraste. El término $\tfrac{1}{2}$ centra el brillo entre 0 y 1.

Rejillas en 2D

Las imágenes son bidimensionales, así que necesitamos rejillas en 2D. Una rejilla bidimensional tiene tres propiedades: su frecuencia (qué tan juntas están las franjas), su ángulo (hacia dónde apuntan), y su contraste (qué tan marcada es la diferencia entre claro y oscuro).

Matemáticamente, una rejilla 2D con vector de frecuencia espacial $(u_0, v_0)$ se escribe:

donde $u_0 = f\cos\theta$ y $v_0 = f\sin\theta$, siendo $f$ la frecuencia y $\theta$ el ángulo de orientación. Juega con los controles y construye tu intuición:

Sumar rejillas

Aquí viene la idea central de todo este artículo — y, en cierto sentido, de toda la óptica de Fourier. Toma dos rejillas de frecuencia y orientación distintas. Súmalas. El resultado es un patrón más complejo. Añade una tercera. Una cuarta. Una quinta. Con suficientes rejillas, puedes construir cualquier imagen.

Esto es exactamente lo que estás viendo abajo: la letra «F» reconstruida componente a componente, desde las frecuencias más dominantes hasta los detalles más finos. Con pocas componentes, apenas un borrón. Con muchas, la imagen emerge nítida. Mueve el deslizador y observa el momento exacto en que la reconoces.

Fíjate en algo importante: las primeras componentes — las de mayor peso — dan la estructura general. Los detalles finos requieren frecuencias altas. Esto no es una curiosidad: es exactamente el principio que usa la compresión JPEG. Si descartas las frecuencias altas que el ojo apenas nota, reduces el tamaño del archivo sin perder calidad aparente.

La transformada de Fourier como mapa

Lo que acabas de hacer tiene nombre. El «mapa» que te dice qué rejillas necesitas y con qué peso para reconstruir una imagen se llama su transformada de Fourier. Es una representación alternativa de la misma información: en vez de decirte el brillo de cada punto en el espacio $(x, y)$, te dice la amplitud de cada frecuencia espacial $(u, v)$.

Selecciona diferentes imágenes y observa su espectro. Un punto aislado produce un espectro plano — necesitas todas las frecuencias por igual para construir algo infinitamente concentrado. Una rejilla produce dos puntos simétricos en el espectro: solo una frecuencia contribuye. Y la letra «F» produce un patrón complejo que refleja toda su estructura geométrica.

El centro del espectro corresponde a las frecuencias bajas (variaciones lentas de brillo), y la periferia a las altas (bordes, detalles finos). Un espectro concentrado en el centro significa una imagen suave; uno que se extiende hacia fuera significa una imagen con mucho detalle o bordes abruptos.

La matemática (ahora sí)

Ahora que sabes qué hace la transformada de Fourier — porque lo has visto con tus propias manos —, la fórmula no debería asustarte. Es simplemente la receta que describe lo que acabas de experimentar.

La transformada de Fourier 2D de una función $f(x,y)$:

Y la transformada inversa, que reconstruye la imagen a partir de su espectro:

La exponencial compleja $e^{2\pi i(ux+vy)}$ es exactamente una rejilla sinusoidal con frecuencia espacial $(u,v)$. La transformada inversa dice: «suma todas las rejillas posibles, cada una con su peso $F(u,v)$, y obtendrás la imagen original». Es lo que hiciste con el deslizador, pero sin truncar la suma.

Un resultado elegante que usaremos constantemente: el teorema de Parseval, que dice que la energía total es la misma la mires en el espacio o en frecuencias:

¿Y esto para qué sirve?

La descomposición en frecuencias espaciales no es un ejercicio académico. Es una herramienta que se usa a diario en ingeniería, física e informática:

• JPEG: se transforma la imagen a frecuencias, se descartan las componentes de alta frecuencia que el ojo no nota, y se almacenan solo las que importan. Exactamente lo que viste con el deslizador.
• Microscopía: la resolución de un microscopio es un límite en las frecuencias espaciales que puede capturar. Ernst Abbe entendió esto en 1873 — en los mismos términos que acabas de explorar.
• Procesado de imagen: filtrar ruido, detectar bordes, mejorar contraste — todo se puede formular como operaciones en el espacio de Fourier.

Y un adelanto para el próximo artículo: ¿y si te digo que la naturaleza ya calcula transformadas de Fourier? Que cuando la luz pasa por una rendija, el patrón que ves en la pared es la transformada de Fourier de la forma de esa rendija? Eso es la difracción — y es lo que exploraremos a continuación.

Ejercicios