Fourier en MP3 JPEG Wi-Fi: descomposición de señales

La Transformada de Fourier: La Base de la Compresión MP3, JPEG, Wi-Fi y MRI

Cualquier señal—desde una pista de audio hasta una onda de radio—puede descomponerse en una suma de ondas sinusoidales con diferentes frecuencias, amplitudes y fases. Esta es la idea de Jean-Baptiste Fourier en 1807, que Lagrange desestimó como imposible. El proceso es reversible y sin pérdidas.

Cualquier señal = sin(f₁) × a₁ + sin(f₂) × a₂ + sin(f₃) × a₃ + ...
donde f es frecuencia, a es amplitud

Esta descomposición se aplica en el procesamiento de audio, el manejo de imágenes y la comunicación inalámbrica. La FFT (Transformada Rápida de Fourier) acelera los cálculos de O(n²) a O(n log n), haciendo posible su uso práctico.

Compresión MP3 mediante Psicoacústica y FFT

MP3 reduce la tasa de bits de 1.4 Mbps (CD) a 128 Kbps. El algoritmo usa FFT para pasar al dominio de la frecuencia.

# Pseudocódigo para compresión MP3
frecuencias = fft(señal_audio)

for f in frecuencias:
    if f.frecuencia > 20000:     # el oído no puede oír por encima de 20 kHz
        f.amplitud = 0
    if f.esta_enmascarado_por(vecino_más_fuerte):  # modelo psicoacústico
        f.amplitud = 0          # los sonidos suaves cerca de otros fuertes son inaudibles
    if f.amplitud < umbral:  # demasiado bajo
        f.amplitud = 0

comprimido = codificar(frecuencias_restantes)

Se descartan las frecuencias por encima de 20 kHz y los componentes enmascarados. La decodificación implica una FFT inversa. La diferencia es imperceptible para el oído humano.

JPEG y DCT para Imágenes

JPEG usa DCT (Transformada Discreta del Coseno)—una variante de Fourier—en bloques de 8×8 píxeles. Las bajas frecuencias preservan las formas, mientras que las altas frecuencias (detalles, ruido) se cuantizan.

Bloque de 8×8 píxeles
    ↓
DCT: descomposición en "frecuencias visuales"
    ↓
Bajas frecuencias = gradientes suaves, formas generales
Altas frecuencias = bordes nítidos, detalles finos, ruido
    ↓
Descartar altas frecuencias (el ojo no lo notará en una foto de atardecer)
    ↓
Imagen comprimida, 10–20 veces más pequeña que la original

Artefactos como el efecto de bloqueo resultan de un corte excesivo de altas frecuencias. La transformación inversa restaura la imagen.

OFDM en Wi-Fi y Comunicación Móvil

OFDM (Multiplexación por División de Frecuencias Ortogonales) modula datos en cientos de frecuencias de subportadoras dentro de un canal de 80 MHz de ancho. Las subportadoras son ortogonales debido a las propiedades de las ondas sinusoidales.

Un canal Wi-Fi de 80 MHz de ancho:

[subp.1][subp.2][subp.3]...[subp.234]
  ↓       ↓       ↓            ↓
 datos    datos    datos    ...  datos

Todas las frecuencias se transmiten SIMULTÁNEAMENTE.
El receptor las separa nuevamente mediante FFT.

Wi-Fi 6 usa 4096-QAM en 980 subportadoras. El receptor aplica IFFT para la demodulación. De manera similar en 4G/5G, DSL, DVB-T.

• Ventajas de OFDM: resistencia a la propagación multitrayecto, alta eficiencia espectral.
• Cálculos: FFT/IFFT en tiempo real en chips.
• Escala: miles de millones de dispositivos realizan billones de FFT por segundo.

Reconocimiento en Shazam y MRI

Shazam: FFT del audio → espectrograma → picos de frecuencia como huellas digitales → búsqueda en base de datos.

1. Grabar 3 segundos de audio
2. FFT → espectrograma
3. Encontrar picos → huellas digitales
4. Comparar con base de datos

Los picos son robustos frente al ruido. MRI: el imán hace resonar protones, registra el espacio-k (dominio de la frecuencia). La FFT inversa produce una imagen.

Protones resuenan → ondas de radio → espacio-k
     ↓
FFT inversa
     ↓
Imagen

Implementación de FFT en Python

FFT recursiva para entender el algoritmo de Cooley-Tukey.

import numpy as np

def fft(x):
    n = len(x)
    if n == 1:
        return x
    even = fft(x[0::2])
    odd = fft(x[1::2])
    T = [np.exp(-2j * np.pi * k / n) * odd[k] for k in range(n // 2)]
    return [even[k] + T[k] for k in range(n // 2)] + \
           [even[k] - T[k] for k in range(n // 2)]

La aceleración permite el procesamiento de señales en tiempo real.

Conclusiones Clave

• La descomposición de Fourier es universal para procesos ondulatorios: sonido, luz, ondas de radio.
• FFT reduce la complejidad de O(n²) a O(n log n), permitiendo cuatrillones de operaciones por segundo.
• Aplicaciones: compresión (MP3/JPEG), comunicación (OFDM), medicina (MRI), reconocimiento (Shazam).
• La ortogonalidad de las ondas sinusoidales asegura la separación de señales sin interferencia.
• La física del mundo es una suma de oscilaciones básicas; Fourier decodifica este lenguaje.

— Editorial Team