Tesis 12370

INSTITUTO POLITÉCNICO NACIONAL
Centro de Investigación en Computación
Algoritmos óptimos para la generación de imágenes

fotorrealistas.
TESIS
Que para obtener el grado de:

Doctor en Ciencias de la Computación presenta el
M. en C. Mauricio Olguı́n Carbajal
Director: Dr. Ricardo Barrón Fernández

Director: Dr. José Luis Oropeza Rodrı́guez
México D.F., julio de 2011

Resumen.
La presente tesis aborda la propuesta y desarrollo de una metodología de extracción

de parámetros obtenidos a partir de imágenes de objetos reales con una cámara digital
para, posteriormente, usar dichos parámetros como elementos de un modelo de
iluminación en la renderización de imágenes generadas por computadora, que se
aproximen lo más posible a imágenes de objetos reales.
A diferencia de las metodologías anteriores que usan un ciclo abierto para la

estimación de los parámetros, la metodología propuesta usa un ciclo cerrado para la
estimación de dichos parámetros de renderización por medio del uso de una heurística
bioinspirada no supervisada.
El presente estudio también aporta una función de la medida de similitud entre dos
imágenes, así como un conjunto de puntos de referencia para aproximar a una imagen
con otra, estos puntos son parte de los parámetros ópticos obtenidos por la metodología.
Agradecimientos técnicos
Al Instituto Politécnico Nacional, por toda la educación y formación que he

recibido tanto en sus instalaciones como fuera de ellas, en general es la mejor edu-
cación que se puede recibir.
Al Centro de Investigación en Computación (CIC), por darme la oportunidad de

estudiar en un Programa Doctoral de reconocido prestigio. Por sus instalaciones, sus
profesores, equipo y todo en general.
Al CONACyT por su apoyo a lo largo de mis estudios doctorales.
Al Centro de Innovación y Desarrollo Tecnológico en Cómputo (CIDETEC), por

su apoyo, comprensión y facilidades otorgadas para realizar mis estudios doctorales.
A mi director de tesis el Dr. Ricardo Barrón Fernández, por su experta guı́a para
el desarrollo de este trabajo, ası́ como por su apoyo y sobre todo por su amistad.
A mi director de tesis el Dr. José Luis Oropeza Rodrı́guez, por su experiencia y

sabia conducción. Asimismo por su gran apoyo y amistad.
A mis sinodales, el Dr. Isaac Juan Rudomin, el Dr. Sergio Suarez y el Dr. Serguei
Pavlovich Levashkine, por sus muy acertados consejos y por su apoyo para la ade-
cuada culminación de este trabajo.
A la Dra. Nareli Cruz por su clases, sus sabios consejos y su experta guı́a.
A todo el personal del CIC, comenzando por mis profesores, y a todo el personal
en general por su apoyo.
xi
Agradecimientos personales
Ante todo deseo agradecer a mis padres Lucia Carbajal Vilchis y Juan Olguı́n
Trejo por todo, en particular por siempre enseñarme que la educación y el estudio
son la base del desarrollo personal.
A mi familia, mi esposa Claudia por su incondicional apoyo, amor, compañı́a,

paciencia, y su constante enseñanza.
A mis hijas por su sola presencia.
A mis hermanos, abuelos, tı́os y primos que siempre me enseñaron y ayudaron a

aprender.
A todos mis amigos, pasados y presentes por su amistad.
A todos mis profesores, de todos he aprendido mucho.
xiii
Índice general
Resumen VII
Abstract IX
Agradecimientos técnicos XI
Agradecimientos personales XIII
Índice general I
Índice de figuras V
Índice de tablas IX
1 Introducción 1
1.1. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Relevancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.2. Objetivos especı́ficos . . . . . . . . . . . . . . . . . . . . . . 3
1.5. Alcances del trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6. Contribuciones del trabajo . . . . . . . . . . . . . . . . . . . . . . . 4
1.7. Resultados obtenidos . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.8. Organización del trabajo . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Trabajos relacionados 7
2.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Revisión del estado del arte . . . . . . . . . . . . . . . . . . . . . . 10
2.3. Trabajo relacionado . . . . . . . . . . . . . . . . . . . . . . . . . . 11
i
ii ÍNDICE GENERAL
2.3.1. Renderizado evolutivo . . . . . . . . . . . . . . . . . . . . . 16

2.3.2. Optimización de parámetros de renderizado . . . . . . . . . 18
3 Marco teórico 21
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3. El proceso de renderizado . . . . . . . . . . . . . . . . . . . . . . . 22
3.4. Radiometrı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4.1. Percepción del color . . . . . . . . . . . . . . . . . . . . . . 26
3.5. Heurı́sticas bioinspiradas . . . . . . . . . . . . . . . . . . . . . . . . 27
3.5.1. Evolución diferencial . . . . . . . . . . . . . . . . . . . . . . 28
3.5.2. Optimización por cúmulo de partı́culas . . . . . . . . . . . . 30
3.6. Unidad de procesamiento gráfico . . . . . . . . . . . . . . . . . . . 31
3.6.1. Caracterı́sticas del sistema. . . . . . . . . . . . . . . . . . . 34
4 Metodologı́a de extracción de parámetros 37

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.1. Metodologı́a actual . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.2. Propuesta de solución . . . . . . . . . . . . . . . . . . . . . 38
4.2. Adquisición de imagen objetivo . . . . . . . . . . . . . . . . . . . . 39
4.2.1. Condiciones de adquisición de imagen . . . . . . . . . . . . 41
4.2.2. Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3. Algoritmo propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4. Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.1. Generación de archivo de escena . . . . . . . . . . . . . . . 46
4.4.2. Codificación de los parámetros de renderización . . . . . . . 47
4.4.3. Aproximación de parámetros por PSO . . . . . . . . . . . . 47
4.4.4. Evolución diferencial . . . . . . . . . . . . . . . . . . . . . . 49
4.4.5. Separación de tareas de optimización . . . . . . . . . . . . . 49
4.4.6. Modelo de color HSV . . . . . . . . . . . . . . . . . . . . . 49
4.4.7. Modelo de iluminación mejorado . . . . . . . . . . . . . . . 52
4.4.8. Corrección gamma . . . . . . . . . . . . . . . . . . . . . . . 53
4.4.9. Aproximaciones sucesivas . . . . . . . . . . . . . . . . . . . 54
4.4.10. Puntos de interés . . . . . . . . . . . . . . . . . . . . . . . . 54
5 Implantación en la arquitectura paralela 59

5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2. Estudio comparativo de implantaciones paralelas en una arquitec-
tura multihilos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.2.2. Trabajo relacionado . . . . . . . . . . . . . . . . . . . . . . 61
ÍNDICE GENERAL iii
5.2.3. Implantación de variantes del algoritmo PSO paralelo en el

GPU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.2.4. Experimentos y resultados . . . . . . . . . . . . . . . . . . . 66
5.2.5. Desarrollo experimental . . . . . . . . . . . . . . . . . . . . 67
5.2.6. Discusión de resultados . . . . . . . . . . . . . . . . . . . . 69
5.2.7. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . 75
5.3. Estudio comparativo de algoritmos de optimización por cúmulo de
partı́culas contra evolución diferencial implementados en un GPU
multihilos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.3.1. Algoritmos PSO contra DE . . . . . . . . . . . . . . . . . . 77
5.3.2. Implementación con programación paralela en el GPU . . . 78
5.3.3. Experimentos y resultados . . . . . . . . . . . . . . . . . . . 79
5.3.4. Métricas de desempeño para procesamiento paralelo . . . . 82
5.3.5. Discusión de resultados . . . . . . . . . . . . . . . . . . . . 82
5.3.6. Resultados del experimento 1 . . . . . . . . . . . . . . . . . 83
5.3.7. Resultados del experimento 2 . . . . . . . . . . . . . . . . . 84
5.3.8. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . 86
5.4. Implementación de la metodologı́a propuesta en arquitectura pa-
ralela multihilos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6 Presentación y discusión de resultados 93

6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2. Experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2.1. Evaluación de resultados . . . . . . . . . . . . . . . . . . . . 97
6.3. Experimento 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.4. Experimento 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7 Conclusiones 113
7.1. Aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.2. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.3. Productos de la investigación . . . . . . . . . . . . . . . . . . . . . 115
Referencias 117
A Mejora en el tiempo 123
B Renderizado 125
B.0.1. Etapa de aplicación . . . . . . . . . . . . . . . . . . . . . . 125
B.0.2. Etapa geométrica . . . . . . . . . . . . . . . . . . . . . . . . 126
B.0.3. Etapa de rasterizado . . . . . . . . . . . . . . . . . . . . . . 127
iv ÍNDICE GENERAL
C Modelos de color 131

C.1. Modelo de color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
D Corrección gamma 137

D.1. Corrección gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
E Otros experimentos 141

E.1. Problemas de comunicación . . . . . . . . . . . . . . . . . . . . . . 141
Lista de abreviaciones 143
Glosario 145
Índice de figuras
2.1. Un modelo práctico para el transporte de luz subsuperficial, Henrik

Wann Jensen et al. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Un modelo practico analitico singular de dispersión para el renderiza-
do en tiempo real, Bo Sun et al. . . . . . . . . . . . . . . . . . . . . . 13
2.3. Un microscopio de hoja delgada de luz laser para oceanografı́a micro-
biana, Fuchs et al. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4. Modelado de objetos basado en apariencia usando una base de datos
de texturas: captura, compresión y renderizado, Furukawa et al. . . . . 14
2.5. Esquema de dispositivo de adquisición de propiedades de dispersión
en medios participantes diluı́dos . . . . . . . . . . . . . . . . . . . . . 15
2.6. Dispositivo de captura de propiedades de dispersión en medios parti-
cipantes diluidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.7. Metodologı́a actual de obtención de parámetros . . . . . . . . . . . . . 16
2.8. Metodologı́a propuesta de obtención de parámetros . . . . . . . . . . . 16
3.1. Etapas del proceso de renderizado . . . . . . . . . . . . . . . . . . . . 22

3.2. Código de VRML que genera una imagen 3D . . . . . . . . . . . . . . 23
3.3. El porcentaje de transistores usados para procesamiento de datos en
CPU y en GPU. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1. Metodologı́a actual de obtención de parámetros . . . . . . . . . . . . . 38

4.2. Metodologı́a propuesta de obtención de parámetros . . . . . . . . . . . 38
4.3. Entrada y salida de la metodologı́a propuesta de obtención de pará-
metros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4. Diagrama de la metodologı́a propuesta de obtención de parámetros . . 39
4.5. Sistema de adquisición de imágenes de referencia . . . . . . . . . . . . 40
4.6. Parámetros usados en la cámara de adquisición . . . . . . . . . . . . . 42
4.7. Metodologı́a de obtención de parámetros . . . . . . . . . . . . . . . . . 43
v
vi ÍNDICE DE FIGURAS
4.8. Imágenes con un pı́xel de diferencia, a) imagen de referencia b) imagen

modificada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.9. Evolución de las imágenes generadas, se presenta la mejor imagen de
cada 5 generaciones, se puede apreciar el número de cada iteración,
después de las letras PSOR . . . . . . . . . . . . . . . . . . . . . . . . 48
4.10. Resultados obtenidos por evolución diferencial, un mejor conjunto de
parámetros para la fuente de iluminación y una mejora respecto al
color del objeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.11. Separación de tareas de optimización, la primera etapa es la opti-
mización de los parámetros de la fuente de iluminación, la segunda
son los parámetros de los objetos, como el color y los ı́ndices de re-
flexión y difracción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.12. Ejemplo de evolución usando modelo de color HSV . . . . . . . . . . . 51
4.13. Espacio de color RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.14. Espacio de color HSV, se conceptualiza como una forma cónica . . . . 52
4.15. Modelo de iluminación mejorado, se puede apreciar la variación del
tamaño de la reflexión especular . . . . . . . . . . . . . . . . . . . . . 53
4.16. Tanto el color del suelo como el objeto se ven con más brillo que en las
partes anteriores, la corrección gamma empleada es de 1.2 para todas
las componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.17. La Evolución Diferencial funcionó desde la figura PAS00000 hasta la
PASS00121, recuadro rojo, a partir de la imagen 131 se realizó una
búsqueda con una variación en los parámetros de color para cada
componente, con ±10 . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.18. Puntos de interés encontrados por la metaheurı́stica Optimización por
Cúmulo de Partı́culas -Evolución Diferencial . . . . . . . . . . . . . . . 56
4.19. Puntos de interés encontrados por la mejor partı́cula en la generación
inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.20. Puntos de interés encontrados por mejor partı́cula de la generación 100 57
5.1. Comparativo del desempeño de las variantes PSO en función de la

complejidad de la función objetivo . . . . . . . . . . . . . . . . . . . . 69
5.2. Comparativo del error de las variantes PSO, en función del número
de iteraciones, para la optimización de F11 . . . . . . . . . . . . . . . 70
5.3. Comparativo del tiempo consumido por las variantes PSO, en función
del número de iteraciones, para la optimización de F11 . . . . . . . . . 71
5.4. Comparativo del tiempo consumido por las variantes PSO, en función
del número de partı́culas, para la optimización de F11 . . . . . . . . . 72
5.5. Comparativo de la ventaja de las variantes PSO paralelas en función
del número de iteraciones . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.6. Comparativo de la ventaja de las variantes PSO paralelas en función
del número de partı́culas . . . . . . . . . . . . . . . . . . . . . . . . . . 75
ÍNDICE DE FIGURAS vii
5.7. Comparativo de la eficiencia de las variantes PSO paralelas en función

del número de iteraciones . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.8. Comparativo de la eficiencia de las variantes PSO paralelas en función
del número de partı́culas . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.9. Convergencia para optimización en la función F01, con un número fijo
de 128 individuos y con iteraciones variables . . . . . . . . . . . . . . . 83
5.12. Costo en la función F01, con un número fijo de 128 individuos y con
iteraciones variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
de 2000 iteraciones y con número de individuos variable . . . . . . . . 89
6.1. Imágenes de referencia para los experimentos . . . . . . . . . . . . . . 94

cada 10 generaciones, se puede apreciar el número de cada generación,
después de las letras PAS . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.3. Búsqueda de los parámetros de la Intensidad de la fuente de iluminación 96
6.4. Aptitud de cada una de las componentes, a medida que disminuye el
valor en la gráfica, disminuye la diferencia entre la imagen generada
y la imagen objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.5. Búsqueda y estabilización de valores buenos para el color de la esfera . 98
6.6. Evolución de los parámetros de brillo y chispa, para el material de la
esfera roja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.7. Imagen de referencia para los ajustes a mano . . . . . . . . . . . . . . 100
6.8. Imagen obtenida por aproximación manual . . . . . . . . . . . . . . . 100
6.9. Imagen obtenida por uso de la metodologı́a . . . . . . . . . . . . . . . 100
6.10. Imagen de referencia para los ajustes a mano . . . . . . . . . . . . . . 102
6.11. Gráfica de diferencia de los componentes de color de la imagen gene-
rada por el usuario, respecto a la imagen de referencia. . . . . . . . . . 103
6.12. Imágenes de referencia para los experimentos . . . . . . . . . . . . . . 103
viii ÍNDICE DE FIGURAS

cada 10 generaciones, se puede apreciar el número de cada generación,
después de las letras PAS . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.14. Búsqueda de los parámetros de la posición de la fuente de iluminación 106
6.15. Búsqueda del parámetro de intensidad de la fuente de iluminación
para la esfera verde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6.16. Evolución de los parámetros de color, para la esfera verde . . . . . . . 108
6.17. Evolución de los parámetros de brillo y chispa, para el material de la
esfera verde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.18. Imágenes de la esfera verde donde se pueden ver: a) imagen objetivo
e b) imagen generada por la metodologı́a. . . . . . . . . . . . . . . . . 109
6.19. Comparación de las imágenes objetivo y las imágenes generadas por
la metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
B.1. Transformaciones de coordenadas mundiales a coordenadas de dispo-

sitivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
B.2. Etapas del proceso de renderizado: a) Definición de escena, b) Con-
formación de la escena, c) Definición del punto de vista, d) Antes
de eliminar los polı́gonos ocultos, e) Polı́gonos ocultos eliminados, f)
Recorte a volumen 3D, g) Eliminación de superficies ocultas, h) Mo-
delo de iluminación, i) Rasterización, j) Despliegue de la imagen. . . . 128
C.1. Sı́ntesis de color, Aditiva . . . . . . . . . . . . . . . . . . . . . . . . . . 132

C.2. Sı́ntesis de color, sustractiva . . . . . . . . . . . . . . . . . . . . . . . . 132
C.3. Modelo de color CMY, Cyan, Magenta, Yellow . . . . . . . . . . . . . 133
C.4. Modelo de color RGB, Red, Green, Blue . . . . . . . . . . . . . . . . . 134
C.5. Espacio de color RGB . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
C.6. Rueda de ajuste HSV . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
C.7. Espacio de color HSV, se conceptualiza como una forma cónica . . . . 136
D.1. Imagen lineal mostrada en un dispositivo con comportamiento no li-

neal y sin corrección gamma . . . . . . . . . . . . . . . . . . . . . . . . 138
D.2. Imagen lineal mostrada en un dispositivo con comportamiento no li-
neal y con corrección gamma . . . . . . . . . . . . . . . . . . . . . . . 138
Índice de tablas
4.1. Codificación de parámetros para el modelo de color RGB . . . . . . . 48

4.2. Codificación de parámetros para el modelo de color HSV . . . . . . . . 51
5.1. Proporciones del costo computacional en función del número de partı́cu-

las . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.2. Proporciones del costo computacional en función del número de di-
mensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.3. Comparativo de referencia para tres funciones clásicas . . . . . . . . . 68
5.4. Desempeño en función de iteraciones durante la optimización de F11 . 71
5.5. Desempeño en función del número de partı́culas durante la optimización
de F11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.6. Ventaja de las variantes PSO paralelas, respecto de la variante secuen-
cial, en función del número de iteraciones . . . . . . . . . . . . . . . . 73
5.7. Ventaja de las variantes PSO paralelas, respecto de la variante secuen-
cial, en función del número de partı́culas . . . . . . . . . . . . . . . . . 73
5.8. Eficiencia de las variantes PSO paralelas, respecto de la variante se-
cuencial, en función del número de iteraciones . . . . . . . . . . . . . . 73
5.9. Eficiencia de las variantes PSO paralelas, respecto de la variante se-
cuencial, en función del número de partı́culas . . . . . . . . . . . . . . 73
5.10. Porcentaje de tiempo de ejecución . . . . . . . . . . . . . . . . . . . . 91
6.1. Desviación de cada uno de los mejores individuos con respecto a su

imagen objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.2. Comparación de la desviación de los diferentes métodos . . . . . . . . 99
6.3. Tabla parcial de experimentos para obtención de parámetros por méto-
do semiautomático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.4. Comparación resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.5. Desviación de cada uno de los mejores individuos con respecto a su
imagen objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.6. Comparación de la desviación de los diferentes métodos . . . . . . . . 111
ix
x ÍNDICE DE TABLAS
7.1. Publicaciones internacionales . . . . . . . . . . . . . . . . . . . . . . . 116

7.2. Ponencias en congresos internacionales . . . . . . . . . . . . . . . . . . 116
Resumen
La presente tesis aborda la propuesta y desarrollo de una metodologı́a de extrac-

ción de parámetros obtenidos a partir de imágenes de objetos reales con una cámara
digital para, posteriormente, usar dichos parámetros como elementos de un modelo
de iluminación en la renderización de imágenes generadas por computadora, que se
aproximen lo más posible a imágenes de objetos reales.
Se propone una metodologı́a para que, a partir de una imagen tomada de un

objeto real; se obtengan los parámetros ópticos que produzcan una imagen con un
algoritmo de renderización, el cual tomará parámetros de un algoritmo biosinspirado
y gradualmente generará imágenes que se aproximen cada vez más a la imagen del
objeto real. A diferencia de las metodologı́as anteriores que usan un ciclo abierto
para la estimación de los parámetros, la metodologı́a propuesta usa un ciclo cerrado
para la estimación de dichos parámetros de renderización por medio del uso de una
heurı́stica bioinspirada no supervisada.
En el trabajo se observa que el nivel de exactitud de los parámetros obtenidos

es directamente dependiente de la exactitud del modelo de iluminación usado, con
un modelo sencillo se obtienen parámetros inexactos, con un mejor modelo se ob-
tienen parámetros con una mejor aproximación. El presente estudio también aporta
una función de la medida de similitud entre dos imágenes, ası́ como un conjunto de
puntos de referencia para aproximar a una imagen con otra, estos puntos son parte
de los parámetros ópticos obtenidos por la metodologı́a.
Finalmente como parte del uso de una arquitectura paralela para mejorar el de-
sempeño en velocidad, se demuestra que la implantación de heurı́sticas bioinspirada
es paralelizable, lo que mejora respecto al nivel de granuralización de la implantación
usada y a que tanto del código a ejecutar se programa en el GPU.
vii
Abstract
This work is about a design and development for a parameter estimation method-
ology from real objects image obtained with a digital camera for, afterward, use these
obtained parameters as input data for an illumination model in computer generated
graphics rendered images, as close as posible to the real objects image.
We propose an optical parameters estimation metodology from data obtained of

an images of a real object, by using these parameters in a CG rendering software we
can render an image close enought to the original to be indistinguible. The proposal
will take test parameters generated in a bioinspirated algorithm and then render im-
ages more and more close to the real object image.
Apart from other methodologies that use an open loop for parameter estimation,
the proposed methodology uses a close loop for the estimation of these illimination
model rendering parameters, by using a non-supervised bioinspirated heuristic.
In this work we are able to see that the precision level of the obtained parameters
is straigthforward dependent of the used illumination model accuracy. The better the
illumination model, the better the acuracy for the obtained parameters.
This work also add a function capable to compare two images and assign a differ-
ence percentage between both images. Present work adds too a set of image reference
points, used to bring near generated images to objetive image, aquired one, this set
of point are part of metodology obtained optical parameters.
Finally to improve the performance and speed, we show that a bioinspirated

heuristic implementation is parallelizable, to gets better performance at granuraliza-
tion level respect how much of executing code is running on the Graphics Proccesor
Unit.
ix
Capı́tulo 1
Introducción
1.1. Motivación
La búsqueda de imágenes fotorrealistas, comienza desde los primeros traba-
jos en 1945 de Jay Forrester del MIT en ASCA (Navy’s Airplane Stability And
Control Analyzer), creando el sistema de despliegue de texto e imágenes en un
osciloscopio, el problema de la graficación ha sido un reto que gradualmente ha
ido aumentando, actualmente las gráficas por computadora se usan de forma tan
cotidiana que ya son parte de la vida diaria, y han logrado un realismo tal que
en la mayorı́a de las ocasiones no es posible percatarse de que lo que se ve en
la televisión o en el cine son gráficas generadas por computadora. Por ejemplo,
en la pelı́cula el Harry Potter 7 parte 2 se usaron más efectos por computado-
ra que en ninguna otra pelı́cula anterior (julio de 2011). A las gráficas generadas
a partir de los datos de un escenario virtual se les denomina gráficas renderizadas.
El termino render se puede traducir como “interpretar”, de tal forma que

cuando se tienen datos de computadora que representan un escenario, tales datos
deben ser interpretados para generar una imagen en dos dimensiones que sea sus-
ceptible de ser presentada en un dispositivo de despliegue tal como un monitor
de computadora o un cañón proyector.
En el presente trabajo se propone una metodologı́a para que, a partir de una

imagen tomada de un objeto real; se obtengan los parámetros ópticos que pro-
duzcan una imagen con un algoritmo de renderización, el cual tomará parámetros
de un algoritmo biosinspirado y gradualmente generará imágenes que se aproxi-
men cada vez más a la imagen del objeto real. La metodologı́a para estimar los
parámetros de uno o varios objetos de un escenario real usa un dispositivo sencillo
de adquisición de imágenes y técnicas de inteligencia artificial como son los algo-
1
2 CAPÍTULO 1. INTRODUCCIÓN
ritmos heurı́sticos poblacionales tales como los algoritmos genéticos, la evolución

diferencial y la optimización por cúmulo de partı́culas, entre otros. Usando esta
metodologı́a, es posible obtener los parámetros de un escenario real y aplicarlos
en un escenario virtual para renderizar imágenes con una apariencia fotorrealista
sin consumir tanto tiempo de cómputo en el cálculo del mapeo de texturas o en
un cálculo en tiempo real de texturas simuladas.
El diseñador de los modelos tridimensionales tiene que ajustar los parámetros

del modelo de iluminación con el que va a trabajar de forma que las imágenes
que se generen a partir de estos datos se parezcan al mundo real desde su punto
de vista. Los parámetros a extraer en el presente trabajo son: el color difuso de
los objetos, su ı́ndice de reflexión, su brillantez, su rugosidad, y la posición de las
fuentes de iluminación en el escenario, ası́ como su intensidad.
Nuestra metodologı́a, a diferencia de las existentes, propone el uso de una fase

de retroalimentación en la extracción de parámetros para el renderizado, en el
que se compara una imagen objetivo con una imagen generada por la metodologı́a
y los valores propuestos por una heurı́stica bioinspirada. Para lograr lo anterior,
se propone una función de evaluación que compara el grado de similitud entre
dos imágenes y lo asigna como una aptitud a un individuo de la heurı́stica. Los
parámetros de renderizado de un escenario se codificaron como parte de un indi-
viduo de la heurı́stica y los mejores individuos obtenidos generaron las imágenes
más aproximadas a la imagen de referencia.
1.1.1. Relevancia
Desde el punto de vista de las aplicaciones, la generación de imágenes fotorrea-
listas tiene un alto impacto económico a nivel mundial. Como ya se mencionó an-
teriormente, la industria de la cinematografı́a se ve en gran medida beneficiada
de las imágenes generadas por computadora, pero no es la única, también indus-
trias multimillonarias como la de los juegos de computadoras, las de producción y
postproducción de video, las de imágenes médicas, las de televisión (por ejemplo,
las productoras de programas infantiles), la investigación en fı́sica atómica, las
de astronomı́a, quı́mica, entre otras.
La ventaja que presenta esta metodologı́a, respecto a la sı́ntesis puramente

modelada, radica en que el diseñador obtiene parámetros de renderizado que em-
patan con objetos, colores y texturas reales que él desea obtener, por ejemplo: en
el diseño de elementos de escenarios, donde se van a mezclar objetos renderizados
con objetos reales, el adecuado empalme de los parámetros de renderizado con la
imagen real debe ser de una diferencia mı́nima. En pelı́culas como el hombre araña
o los hombres X, se conjugan escenarios reales, como las calles, casas, interiores,
1.2. JUSTIFICACIÓN 3
autos e incluso algunos actores, con personajes renderizados y se requiere que su

respuesta a las condiciones de iluminación, sean idénticas, objetivo que se puede
lograr de manera más rápida usando esta metodologı́a, que una aproximación de
sı́ntesis pura o una metodologı́a semi-automática.
1.2. Justificación
Actualmente la mayorı́a de los métodos empleados para la obtención de pará-
metros, no usan las condiciones actuales del escenario a renderizar ya que se basan
en el criterio y la experiencia del diseñador, lo cual tiene una gran parte subjetiva.
La solución propuesta es eliminar en la medida de lo posible lo subjetivo, por
medio del uso de Inteligencia Artificial y la metodologı́a propuesta, y volverlo
objetivo.
1.3. Hipótesis
Es posible realizar una extracción de parámetros ópticos que definen a un
objeto por medio del uso de un dispositivo sencillo de captura de imágenes y un
algoritmo bioinspirado que buscará los parámetros a encontrar; generando una
imagen a partir de un escenario virtual que contenga los mismos elementos que
la imagen original y realizando una comparación de la imagen generada contra la
imagen obtenida e intentando minimizar la diferencia entre ambas, modificando
únicamente los parámetros del modelo de iluminación a usar. Esto se realiza
mediante un dispositivo sencillo para capturar una imagen de un objeto con
parámetros desconocidos de color, reflexión y absorción de la luz.
1.4. Objetivos
1.4.1. Objetivo general
Desarrollar una metodologı́a de extracción de parámetros de iluminación para
renderizado, por medio del uso de una imagen de un escenario real como referen-
cia.
1.4.2. Objetivos especı́ficos

1. Proponer una función que evalúe la diferencia entre dos imágenes de la
misma resolución.
2. Desarrollar un algoritmo heurı́stico poblacional bioinspirado para obtener

los parámetros del modelo de iluminación para algoritmos de renderizado.
3. Integrar la función de evaluación de dos imágenes al algoritmo bioinspirado

de renderizado de imágenes.
4. Programar el algoritmo en una arquitectura paralela para mejorar el de-

sempeño en tiempo.
1.5. Alcances del trabajo

1. El desarrollo de una nueva metodologı́a para la extracción de parámetros
en un ciclo cerrado, a diferencia de los desarrollos actuales los cuales usan
ciclo abierto.
2. El desarrollo de una versión paralela del algoritmo obtenido, para su eje-

cución en una arquitectura de Unidad de Procesamiento Gráfico (Graphics
procesing Unit, GPU).
1.6. Contribuciones del trabajo

1. El aporte principal de este trabajo fué el desarrollo de una metodologı́a de
extracción de parámetros de renderizado de escenarios en tres dimensiones,
de ciclo cerrado, a diferencia de las actuales que son de ciclo abierto.
2. Se desarrolló un algoritmo heurı́stico de optimización de parámetros fı́sico

ópticos de renderizado que usa un algoritmo de traza de rayos para obte-
ner la aptitud de cada individuo. Dicho algoritmo los hemos denominado
“Rendering in the loop”.
3. Se desarrolló una de las primeras implantaciones del algoritmo de evolución

diferencial en una arquitectura paralela de GPU.
4. Se demostró que la metodologı́a propuesta obtiene mejores resultados que

una persona y en un tiempo significativamente menor, en un orden de mag-
nitud.
5. Se desarrolló un algoritmo para el cálculo de puntos óptimos para la ex-

tracción de parámetros.
6. Se demostró que la metodologı́a obtiene mejores resultados que la mayo-

rı́a de las metodologı́as comparables, y que rivaliza con el mejor método
comparado.
7. Se demostró que una programación paralela basada únicamente en las ca-

racterı́sticas multihilos de un GPU, resulta en una aceleración proporcional
al número de núcleos de un GPU, obteniendo el poder computacional de
un cluster en una computadora personal convencional.
1.7. RESULTADOS OBTENIDOS 5
8. Se demostró que el desempeño total de un GPU mejora conforme aumenta

la cantidad de tareas sencillas distribuidas en los hilos del mismo.
1.7. Resultados obtenidos

1. Se desarrolló un algoritmo heurı́stico poblacional bioinspirado para la ex-
tracción de los parámetros de iluminación de un ambiente virtual.
2. Un algoritmo que pruebe el nivel de aproximación entre las imágenes obte-

nidas por el sistema de adquisición y el desarrollado en la presente tesis.
3. Se desarrolló un sistema sencillo de adquisición de imágenes de referencia.
4. Se apoyó en la generación de una base de conocimientos en el área de las

gráficas por computadoras para el Centro de Investigación en Computación
en particular y para el Instituto Politécnico Nacional en general.
5. Se publicó a nivel internacional resultados obtenidos, tanto en dos revistas

de prestigio ası́ como en congresos internacionales.
1.8. Organización del trabajo

La organización del presente documento es la siguiente:
En el capı́tulo 2 se presenta una investigación del estado del arte de la grafi-
cación por computadora y los desarrollos actuales para la generación de imágenes
fotorrealistas. Por otra parte se presenta un estado actual de las investigaciones
relacionadas con la extracción de parámetros fı́sico ópticos para la sı́ntesis de
imágenes por computadora.
El capı́tulo 3 presenta los fundamentos teóricos necesarios de la graficación

por computadora, especı́ficamente el modelo de iluminación y sus parámetros
de trabajo. Se explica la percepción del color y los diferentes modelos de color,
ası́ como la corrección gamma. Finalmente, se explican los fundamentos de las
heurı́sticas bioinspiradas a usar, en particular el algoritmo de optimización por
cúmulo de partı́culas (PSO) y el algoritmo de evolución diferencial (DE).
En el capı́tulo 4 se realiza una descripción de la propuesta para la extrac-

ción de parámetros fı́sico ópticos usando un dispositivo sencillo de adquisición de
imágenes. Pruebas de la función objetivo y la propuesta del algoritmo extracción
de parámetros basado en una heurı́stica poblacional bioinspirada.
En el capı́tulo 5 se describe el proceso de la implantación de la metodologı́a

de extracción de parámetros en la arquitectura del GPU. Primero se realiza una
implantación de un algoritmo PSO y se evalúa su desempeño. Posteriormente

se hace un comparativo de la implantación de un algoritmo PSO y de un al-
goritmo de Evolución Diferencial y se reporta su comportamiento en el GPU.
Finalmente, con base en los resultados de los experimentos anteriores se implan-
ta la metodologı́a propuesta en el GPU.
El capı́tulo 6 se presentan pruebas y resultados obtenidos con diferentes imá-

genes objetivo, se destaca la obtención de la posición de la fuente de iluminación
ası́ como su intensidad. Asimismo se obtiene un color aproximado de los objetos
en el escenario y una huella de la imagen objetivo representada por un conjunto
de puntos de interés.
El capı́tulo 7 Se presenta el conjunto de conclusiones, trabajo futuro y pro-

ductos de la investigación.
Capı́tulo 2
Trabajos relacionados
2.1. Antecedentes
Desde el desarrollo de la primera técnica para la interpretación de datos de
escenarios virtuales [3], que consumı́a mucho poder de cómputo, se han desa-
rrollado técnicas que gradualmente fueron mejorando la apariencia de la imagen
final, primero haciendo una interpolación bilineal de intensidades para tener cur-
vas más suaves [37], después realizando mapeos de textura [12], posteriormente
agregándole brillos especulares a los objetos [3] hasta que finalmente se llegan a
técnicas de generación fotorrealistas que brindan imágenes que usan un modelo
que simula el comportamiento de los rayos de luz [92] el cual obtiene algunas de
las imágenes más impresionantes generadas por computadora [69] y [11]. Por
desgracia, estas técnicas consumen una gran cantidad de poder de cómputo, por
lo que la comunidad de sı́ntesis de imágenes por computadora está en constante
búsqueda de nuevas técnicas que permitan obtener imágenes fotorrealistas a un
menor costo computacional. Muchas de las propuestas para resolver la generación
de gráficas por computadora van desde el tipo de estructura para el almace-
namiento de la información [29] [81], pasando por la arquitectura empleada para
el mejor desempeño de los algoritmos de renderizado [54], y por la subdivisión
espacial del entorno virtual [51] [41], y finalizando hasta la forma de la distribu-
ción de los rayos de luz [15]. Algunas de estas aproximaciones usan novedosas
técnicas de transformaciones geométricas [80] como parte de su esquema para
lograr una mejora en el desempeño. Existen también otras soluciones en las cuales
técnicas conocidas como la traza de rayos son modificadas para usar algoritmos
evolutivos con la finalidad de obtener mejores imágenes en menor tiempo con el
mismo poder de cómputo [90] y [69].
Las mejoras para la generación de gráficas fotorrealistas puede ser en cualquiera
7
8 CAPÍTULO 2. TRABAJOS RELACIONADOS
de las tres grandes etapas del algoritmo de renderización: aplicación, geométrica

y rasterizado, ver apéndice B.
En la etapa de aplicación se realiza optimización usando por ejemplo:
1. Nivel de detalle
2. Objetos precalculados
3. Detección de colisiones
4. Secuencias precalculadas
Los algoritmos para el manejo del nivel de detalle, ası́ como los objetos precal-
culados, la detección de colisiones y las secuencias precalculadas son operaciones
que tienen la finalidad de evitar cálculos innecesarios de objetos o escenarios en
los cuales se pueden encontrar redundancias y tiempo de procesamiento perdido
que no van a tener relevancia en la imagen final; por ejemplo, si se tienen ob-
jetos que no cambian de posición, orientación o tamaño, dichos objetos pueden
ser precalculados de forma que no impacte en el tiempo de generación de una
imagen donde existen otros objetos que si tienen variantes. En el caso del nivel
de detalle, se hace que los objetos a grandes distancias tengan poco detalle (pocos
polı́gonos) y a distancias cortas muy buen detalle (muchos polı́gonos por objeto),
lo que aumenta considerablemente el desempeño del algoritmo de cálculo de la
imagen, ya que en objetos lejanos con cientos o miles de polı́gonos sólo se calculan
unas pocas decenas de polı́gonos y no existe impacto en la imagen final generada.
Por parte de la etapa geométrica se realiza optimización usando:
1. División del espacio
2. Árboles binarios [29]
3. Árboles octales [36]
4. Subdivisión adaptiva [81]
5. Álgebras geométricas [69]
6. Cuaterniones [47] [80]
7. Uso de Voxels [51]
8. Intersecciones triángulares [41]
9. Intersecciones cuadrilaterales [41]
10. Intersecciones jerárquı́cas [45]

2.1. ANTECEDENTES 9
En la parte de procesamiento geométrico es posible apreciar que a nivel mun-

dial se realiza un gran esfuerzo por reducir tanto el número de polı́gonos como
las estructuras necesarias para la descripción de los objetos y la relación que e-
xiste entre ellos y el escenario donde todos se encuentran. Por ejemplo Han-Wei
propone una nueva estructura de almacenamiento de información [40], pero aún
es necesaria una traducción, debido a que al tratar los polı́gonos se debe realizar
una descripción de ellos en una forma que la computadora sea capaz de usar.
Esta descripción es comúnmente a través de vectores y su manejo es tı́picamente
por medio del uso de matrices, pero no es ésta la única manera, existen otras
formas de lograr una reducción por medio del uso de metodologı́as diferentes a
las comunmente usadas para el manejo de los descriptores básicos de los objetos
y el universo donde ellos se desenvuelven.
En el campo de las transformaciones geométricas también se han usado las solu-
ciones heurı́sticas como parte de nuevas aproximaciones para resolver problemas
tales como la programación geométrica, especı́ficamente la solución del sistema
inmune [55]. También es posible una reducción si se usa el álgebra de Clifford
también conocida Algebras Geométricas. Ya se han realizado desarrollos usando
los cuaterniones para resolver las rotaciones de una manera diferente al uso de
las matrices [47] y [80], estos desarrollos han resuelto las rotaciones en obje-
tos y escenarios tridimensionales de una manera más eficiente que la solución
tradicional con matrices aunque sólo acelera la transformación de las rotaciones.
Los cuaterniones se pueden considerar una pequeña parte de las Álgebras Geo-
métricas (AG), por lo cual es probable que usando las AG se puedan acelerar
otras transformaciones geométricas como son la traslación, el escalamiento, y la
deformación. De hecho, ya se han desarrollado algunas soluciones con AG para
la renderización, tal es el caso de un sistema de renderización por traza de rayos
que se puede tener al final del libro de Daniel Fontijne [59].
En la etapa de rasterizado se realiza optimización usando:
1. Jerarquı́as Simples [25]
2. Metajerarquı́as [4]
3. Distribución guiada de rayos [15]
4. Traza de rayos paralelos [32]
5. Clasificación de rayos [49]
6. Conos de rayos [2]
7. Traza de rayos por hipercubo [54]
8. Evolutiva de rayos [69]

A nivel de rasterizado también es posible usar una aproximación diferente para

lograr combinar las dos grandes áreas de la resolución de visión y de iluminación,
la traza de rayos y la radiosidad. Este concepto ya fue manejado por James T.
Kajiya en su propuesta de la ecuación de renderización [56], en la que propone
que ambos métodos mencionados anteriormente son, de hecho, una descripción
diferente de la misma ecuación y propone la unión de ambos métodos a través
de su ecuación ya sea por métodos convencionales o por medio de heurı́sticas, es
aquı́ donde pueden entrar los algoritmos evolutivos para lograr encontrar la mejor
solución práctica a la ecuación de renderizado. Y es que en la renderización ya se
han usado heurı́sticas para solucionar algunos problemas especı́ficos, por ejemplo
para la distribución de rayos se usan mutaciones logrando una mejora notable
en la imágen en el mismo tiempo [90] y [69]. Pero un algoritmo de generación
de imágenes tiene una gran cantidad de parámetros a considerar y asimismo
se han propuesto soluciones a cada uno de ellos en particular, tales como: la
difracción de la luz en medios turbios [10], el transporte superficial de la luz para
obtener una adecuada representación de subsuperficies [44], un manejo adecuado
de la sombra y la penumbra [62], una adecuada iluminación global basada en la
emisión de luz como una radiación [25], y la representación de texturas [12], entre
muchos otros. Todos estos parámetros se van a solucionar de manera diferente
dependiendo de la aproximación para la representación de la luz en el entorno de la
computadora, las dos grandes tendencias para dicha representación son que la luz
se comporte como una partı́cula representada por un rayo, es decir, una reflexión
perfectamente especular (traza de rayos) y que la luz se comporte como una onda
una reflexión perfectamente difusa (radiosidad), pero como menciona Kajiya [56]
ambas soluciones son parte de una misma ecuación ya que en la realidad se
tiene tanto una reflexión especular ası́ como una reflexión difusa y es factible de
realizar una solución general a la ecuación de renderizado, algunas propuestas
son realizar de forma tradicional la solución combinando ambas técnicas como
en el caso de la radiosidad con dos trayectorias y en el caso de la traza de rayos
con un muestreo estocástico o con una generación de rayos hijos. Pero la solución
de Kajiya propone el uso de un algoritmo muy parecido a la traza de rayos que
genera reflexión difusa, reflexión especular y refracción, por medio del uso de un
rayo que genera hijos de forma estocástica.
2.2. Revisión del estado del arte

Es posible apreciar que a nivel mundial se ha tenido un gran avance en el área
de graficación por computadora, la optimización es parte fundamental de estos
avances, ya que a medida que se tiene un mejor uso de los recursos, se pueden usar
técnicas más complejas que aproximan las imágenes finales más a las reales. A
pesar de esto todavı́a son posibles una gran cantidad de mejoras, por mencionar
2.3. TRABAJO RELACIONADO 11
algunas están:
1. Usar otras álgebras geométricas además de los cuaterniones.
2. Usar algoritmos evolutivos para: hibridación de algoritmos, finalización de

rayos inútiles, distribución de los rayos, área de sombreados y selección de
la estrategia de sombreado.
3. Selección del algoritmo de rasterizado: Traza de rayos, Radiosidad, Buffer

Z, Buffer A, etc.
4. Estimación de los parámetros de renderizado.
De lo anterior se puede ver que las mejoras en el área de optimización de gráfi-

cos por computadora es una promesa de obtención de buenos resultados en la
investigación de las ciencias computacionales.
2.3. Trabajo relacionado

Los esfuerzos se han enfocado en desarrollar algoritmos de renderizado efi-
cientes y exactos basados en la estimación Montecarlo [69] y aproximaciones
analı́ticas. Dichos algoritmos tienen parámetros que directa o indirectamente re-
presentan las propiedades fı́sicas ópticas de los objetos que componen el escenario.
Para lograr que la imagen generada tenga una apariencia realista es necesario que
dichos parámetros sean exactos. A medida que han avanzado y mejorado los al-
goritmos de renderizado, el realismo de una imagen es altamente dependiente de
la exactitud de los parámetros fı́sico ópticos de los objetos. Ya que actualmente
existen relativamente pocos trabajos para medir o estimar las propiedades fı́sico
ópticas de los objetos, relativo a la graficación por computadora, los parámetros
normalmente son definidos por el diseñador del ambiente virtual, con toda la
subjetividad que esto conlleva.
Los métodos existentes para la medición de los parámetros fı́sico ópticos re-
quieren del uso de equipo muy costoso por ejemplo el que se usa para medir
las propiedades de dispersión para quı́mica coloidal [26], por medio del uso
de un Goniometro ALV modelo SP-86, un fotomultiplicador QB EMI 9863, y
un correlacionador-estructurador ALV 3000. Como fuente de iluminación usaron
un Laser de Argon-ion operado a una longitud de onda de 514.5nm, el análisis
de los datos obtenidos se proceso en varias computadoras personales (PC) con
procesadores 80286 y 80386. El experimento obtuvo datos muy útiles para su
investigación, sin embargo entrega pocos datos utilizables para la graficación por
computadora. Más recientemente se han realizado esfuerzos para la medición y
estimación de propiedades fı́sicas ópticas de los objetos con la finalidad de usar
estos parámetros en la graficación por computadora en los modernos algoritmos

de renderizado.
Existen trabajos destacables en la medición o estimación de los parámetros

de los objetos virtuales. De acuerdo a Srinivasa G. Narasimhan et al. [82] se
tienen dos métodos para la obtención de las propiedades ópticas de los objetos:
la medición directa y la estimación indirecta. La estimación indirecta hace uso
de aproximaciones analı́ticas [46], primero midiendo algunos parámetros de ob-
jetos de prueba y después proponiendo efectos de la función de distribución de
dispersión de superficie que no es posible capturar.
El uso de soluciones numéricas para el transporte de luz [10], en el que pro-
Figura 2.1: Un modelo práctico para el transporte de luz subsuperficial, Henrik

Wann Jensen et al.
ponen una integración analı́tica de las ecuaciones de transporte de luz para la

dispersión sencilla para una fuente de luz isotrópica en un medio homogéneo,
para su procesamiento en tiempo real, obteniendo resultados impresionantes. Sin
embargo, para usar este método es necesario tener tablas con valores de paráme-
tros precapturados, lo que nos conduce, en primer lugar, a la obtención de dichos
parámetros.
Para la medición directa se han usado algunos métodos, entre ellos la Gonio-
fotometrı́a la cual mide la función de fase para la dispersión en medios traslucidos
[28]. En esta técnica se usa óptica microscópica convencional pero se reemplaza
al sistema de iluminación al usar una hoja de luz Laser, lo cual proporciona una
mejor medición del medio, ya que mejora la nı́tidez de la imagen al mismo tiempo
que disminuye el nivel de ruido de fondo.
Figura 2.2: Un modelo practico analitico singular de dispersión para el renderi-

zado en tiempo real, Bo Sun et al.
Figura 2.3: Un microscopio de hoja delgada de luz laser para oceanografı́a micro-
biana, Fuchs et al.
Una aproximación es la que realizan Fukawa et al. [30] en la cual usan un dis-
positivo de adquisición, basado en escaners laser de rango, para obtener el modelo
3D (tridimensional) de la textura de los objetos, la cual después aplicarán en sus
modelos. Esta plataforma especializada para captura de parámetros, funciona
en dos etapas: primero obtiene la información geométrica de los objetos y su
conjunto indexado de texturas 4D o BTF (Funcion de Textura Bidireccional,
bi-directional texture functions), y después comprime la base de datos de la tex-
tura usando un producto tensor de expansión. Esta información le permite a los
diseñadores renderizar los objetos desde puntos de vista arbitrarios, con ilumi-
nación y deformaciones también arbitrarias.
De forma similar Gero Muller et. al [35] usan un sistema de adquisición de
parámetros el cual está formado por una semiesfera de cámaras y luces fijas que
a diferencia de otros diseños usa un paralelismo masivo y no tiene partes móviles,
esta aproximación obtiene la textura tridimensional de los objetos ası́ como su
Figura 2.4: Modelado de objetos basado en apariencia usando una base de datos
de texturas: captura, compresión y renderizado, Furukawa et al.
color e ı́ndice de reflexión, sin embargo el equipo y el poder de cálculo necesarios

son costosos.
Wojciech Matusik et al. [93] usan un equipo con 6 cámaras y un arreglo de

luces como dispositivo de captura, colocando los objetos en una mesa giratoria
y hacen uso de técnicas multifondo “mate” para la adquisición del canal alfa y
el ambiente mate para múltiples puntos de vista, con lo cual reconstruyen la a-
pariencia tridimensional del objeto con los ı́ndices de color, reflexión y difracción
que usaran en sus modelos, sin embargo el equipo y el procesamiento sigue siendo
costoso.
G. Müller et. al [31] diseñan un dispositivo con una sola cámara y una fuente
de luz, pero la fuente de luz se queda fija, mientras que la cámara se desplaza
en un semicı́rculo para obtener los parámetros de reflexión y color de un objeto.
El sistema requiere un ambiente medido y de control complejo ya que adquiere
una función bidireccional de textura (BTF) para la adecuada representación de
la textura del objeto en el modelo tridimensional, esta técnica brinda unos re-
sultados impresionantes, aunque sigue siendo un sistema costoso por el equipo,
el control y el cálculo asociado. Asimismo la gran cantidad de datos generados
por un sistema como éste requiere que los datos adquiridos sean comprimidos ya
que dichos datos sin comprimir pueden tener hasta 1 Gigabyte de tamaño para
81 vistas de 81 luces, con imágenes de 256x256, según Wai Kit Addy Ngan [64].
Se han desarrollado otras aproximaciones más sencillas para medir un conjun-

to de parámetros, por ejemplo Srinivasa G. Narasimhan et. al. [82] desarrollaron
un pequeño dispositivo de adquisición el cual envı́a un haz de luz a través de
un medio y con una cámara en la parte inferior del medio miden los parámetros
de dispersión del medio, ası́ como su fase y su ı́ndice de absorción de la luz, en-
tre otros; posteriormente usan estos parámetros en un algoritmo Motecarlo para
generar imágenes fotorrealistas con muy buenos resultados.
Figura 2.5: Esquema de dispositivo de adquisición de propiedades de dispersión

en medios participantes diluı́dos
Figura 2.6: Dispositivo de captura de propiedades de dispersión en medios parti-

cipantes diluidos
La mayorı́a de estas técnicas requieren un costoso hardware especializado y

los resultados que buscan son de propósito especı́fico, en nuestro caso se propone
una aproximación diferente, usar un dispositivo de adquisición sencillo y técnicas
heurı́sticas poblacionales para la obtención de los parámetros de iluminación que
requiera el usuario.
La diferencia fundamental de nuestra aproximación es que las técnicas re-

visadas para la extracción de parámetros se basan en un procedimiento sin re-
troalimentación 2.7, mientras que nuestra propuesta tiene una fase de retroali-
mentación propia del algoritmo bioinspirado y que permite que los parámetros se
ajusten y se vayan optimizando a medida que avanzan las iteraciones, 2.8.
Figura 2.7: Metodologı́a actual de obtención de parámetros
2.3.1. Renderizado evolutivo

Los algoritmos evolutivos para el renderizado de imágenes ya han sido usa-
dos con anterioridad en una variedad de aspectos. En su trabajo de renderizado
de pinturas 2D, John Collomose comenta, “aplicamos Algoritmos Genéticos para
la selección del estilo usando una evaluación interactiva estética y se le permite
al usuario seleccionar estilos visuales diferentes, tales como expresionismo, pun-
tillismo, impresionismo y abstracto”, [14]. Ellos usan una selección de paráme-
Figura 2.8: Metodologı́a propuesta de obtención de parámetros

tros de bajo nivel para ajustar el estilo visual. Asimismo Collomose y Hall [53],
han desarrollado un sistema automático para pintura adaptiva aplicando técnicas
de búsqueda evolutiva para el aprendizaje de las máquinas, usando Algoritmos
Genéticos como un mecanismo para el control automático del detalle en la reali-
zación de las pinturas, pero únicamente en un sólo estilo de pintura.
Tatsuo Unemi es un artista que usa expresiones matemáticas para generar

imágenes por medio del uso de distintas versiones de su software BART [84] y
[89].
En la generación de imágenes 3D artı́sticas los cientı́ficos y artistas recurren a

una gran variedad de técnicas para evolucionar la geometrı́a 3D en varios domi-
nios. William Latham y Stephen Todd trabajaron en unas de las primeras formas
orgánicas creadas usando su software en 1990[87]. Posteriormente, Rowbottom
desarrolló una implementación, para máquinas PC, de la aproximación de Lath-
am a la cual llamó Form [74]. Latham y Todd desarrollaron un sistema llamado
PC Mutator para permitir que su aproximación genética interactiva se pudiera
comunicar con otros paquetes de PC, tales como programas de dibujo [88].
Para el proceso de renderizado, los algoritmos evolutivos han sido usados para
obtener una mejor distribución de los haces en un algoritmo de renderizacion por
algoritmo de trazador de rayos, usando el supermuestreo de un haz de luz, como
el sistema usado por Dutre, Suykens, y Willems [69]. Beyer y Lange aplicaron
algoritmos genéticos para solucionar el problema de la integración de la radianza
en una semiesfera [7]. Ellos usaron los individuos como rayos, los cuales evolu-
cionaron para mejorar su distribución en la superficie con respecto a la radianza
incidente. Otra aproximación es la usada por Veach y Guibas, donde las rutas de
los haces son seleccionadas usando un método Metropolis para mutar las rutas
en lugar de la más comúnmente usada técnica Montecarlo. Su algoritmo comien-
za con unas cuantas trayectorias de transporte de la luz y les aplica mutaciones
aleatorias. Como resultado “En el estado fijo, las cadenas de Markov resultantes,
visitan cada trayectoria con una probabilidad proporcional a la contibución de
dicha trayectoria a la imágen” [90].
Nuestra propuesta es diferente, ya que nosotros usamos la evolución y el algo-

ritmo de renderizado, como una herramienta para la estimación de los parámetros
ópticos con el objeto de lograr una mejor aproximación a una imagen de refe-
rencia de un escenario real. En nuestro caso no se usa para la distribución de
trayectorias ni para la generación de imágenes artı́sticas.
2.3.2. Optimización de parámetros de renderizado
Existe poco trabajo previo que se relacione con lo realizado en la presente

tesis, son trabajos que abordan la optimización de parámetros para el renderiza-
do usando técnicas de optimización. A continuación lo describiremos brevemente.
El primero es una propuesta para diseñar la iluminación de un ambiente u-

sando técnicas de optimización aplicadas a un sistema de renderización que usa
Radiosidad basada en un sistema de sı́ntesis de imagen, realizada por Kawai,
Painter y Cohen [52]. Esta propuesta se basa en la optimización de los parámetros
de la iluminación y trabaja basándose en restricciones y objetivos especificados
por el usuario para modificar la iluminación del ambiente. Este sistema de Ra-
dioptimización resuelve las “mejores” posibles configuraciones para: emisividad
de la fuente de luz, reflexividad de los elementos y parámetros de direccionalidad
de la fuente de luz. Esta propuesta ya tiene un escenario prediseñado donde los
parámetros de los objetos tales como el color, la dureza, el ı́ndice de reflexión
especular y la difracción los propone el usuario de antemano, a diferencia de
nuestra propuesta que los propone durante la extracción de los parámetros. El
objetivo de la Radioptimización es obtener condiciones de iluminación tales que
minimice la energı́a usada para la iluminación del escenario a renderizar o para
proporcionar a la escena la impresión de “privacidad”. Como método de opti-
mización usan un sistema de optimización con restricciones que usa el algoritmo
BFGS (BroydenFletcherGoldfarbShanno), el cual evalúa la función objetivo y el
gradiente en el paso corriente en el diseño del espacio para calcular una dirección
de búsqueda. El método de radioptimización explora únicamente una trayectoria
posible en la aplicación de las técnicas de optimización para los problemas de
diseño de sı́ntesis de imagen.
Otra propuesta es la de Yu, Debeverec, Malik y Hawkins [96] ası́ como la

de Yu [97], en la cual se estudia el problema de recuperación de modelos de
reflectancia para escenas realistas a partir de fotografı́as. Este método recupera
las propiedades de reflectancia de todas las superficies de una escena real a partir
de un conjunto de fotografı́as y después las usa para renderizar, con métodos de
renderizado “convencionales”, una versión virtual de la escena, en la que se han
mapeado las texturas correspondientes a la escena real, pero que responde a las
condiciones virtuales de iluminación. El objetivo es encontrar los parámetros de
la BRDF (función bidireccional de distribución de la reflectancia) para usarse
en una renderización. Este método permite agregar modificaciones arbitrarias a
la estructura e iluminación, por ejemplo objetos extra. La entrada al sistema es
un modelo geométrico de la escena y un conjunto de fotografı́as de alto rango
dinámico tomadas con una iluminación directa conocida. Una vez obtenidos los
parámetros y renderizadas las imágenes, se procede a comparar las imágenes gen-
eradas con imágenes del escenario real tanto en condiciones originales como en
nuevas condiciones, el resultado es que el método predice adecuadamente la im-
agen resultante bajo condiciones nuevas de iluminación. Los parámetros que se
obtienen son el ı́ndice de reflexión difusa y el ı́ndice de reflexión especular para
los colores rojo, verde y azul.
El problema de la iluminación inversa tambien ha sido abordado por Scho-

nenman et al. en su articulo “Painting with ligth”, [78]. Donde se propone una
solución en la cual el diseñador del escenario usa una “brocha de luz” con la cual
puede especificar las áreas de una imagen renderizada de la escena en las cuales
él desea que sean iluminadas con cierto nivel de intensidad, su sistema busca
la mejor configuración de luces para iluminar la escena por medio de la mini-
mización de la diferencia entre la escena renderizada y la iluminación deseada.
Como algoritmo de renderización se usa la traza de rayos.
Finalmente Elorza y Rudomin [21], desarrollan una propuesta donde se re-

aliza un diseño de iluminación por medio de sı́ntesis de imagen en ambientes
cerrados, basado en una solución del problema de la iluminación inversa, apli-
cando un algoritmo genético como técnica de optimización y un algoritmo de
radiosidad como técnica de renderizado. Los parámetros que se optimizan son:
la cantidad, la posición y la intensidad de las fuentes de iluminación usadas en
la escena. El objetivo es encontrar los parámetros que generen una imagen mini-
mizando la energı́a usada y maximizando la iluminación.
Nuestra propuesta, a diferencia de las anteriores, obtiene un conjunto más

amplio de parámetros como son: los ı́ndices de reflexión difusa, de difracción, de
rugosidad, y de brillantez, ası́ como los parámetros de la fuente de iluminación
como son posición e intensidad de la fuente.
Capı́tulo 3
Marco teórico
3.1. Introducción
Este capı́tulo está dedicado a proporcionar conceptos básicos de dos temas
fundamentales de este trabajo de tesis, el proceso de renderizado y la computación
heurı́stica bioinspirada. Estos temas se consideran importantes para establecer
claramente el problema que se desea solucionar. Inicialmente se comienza con los
conceptos fundamentales del proceso de renderizado y de la radiometrı́a. Tam-
bién se revisa el proceso de la percepción del color. Posteriormente se pasa a las
heurı́sticas poblacionales bioinspiradas como una herramientas que se propone
para solucionar la obtención de los parámetros ópticos de renderizado. Final-
mente se hace una revisión de la arquitectura de una Unidad de Procesamiento
Gráfico (GPU, Grapchics Processor Unit) y las caracterı́sticas del sistema de
pruebas.
3.2. Antecedentes
Las gráficas por computadora tienen una relevancia muy grande en la vida
diaria, desde la medicina, la geografı́a, la exploración, las simulaciones de fı́sica
de partı́culas de alta energı́a hasta el entretenimiento [95], Anexo A.
A las gráficas generadas a partir de los datos de un escenario virtual se les

denomina gráficas renderizadas. El término render se puede traducir como “inter-
pretar”, de tal forma que cuando se tienen datos de computadora que representan
un escenario estos datos deben ser interpretados para generar una imagen en dos
dimensiones que sea susceptible de ser presentada en un dispositivo de despliegue
tal como un monitor de computadora o un cañón proyector.
21
22 CAPÍTULO 3. MARCO TEÓRICO
3.3. El proceso de renderizado

En general el proceso de renderizado se puede dividir en 3 fases: aplicación,
geometrı́a y rasterizado. Como se puede apreciar, figura 3.1, se tiene un archivo
con la definición de un escenario, con sus objetos, texturas, fuentes de iluminación,
etc. El archivo es la entrada del proceso de renderizado y la salida resultante es
la imagen generada o renderizada.
Figura 3.1: Etapas del proceso de renderizado
La computadora interpreta una escena 3D y la plasma en una imagen 2D. La

renderización se desarrolla con el fin de imitar un espacio en 3D formado por es-
tructuras polı́gonales, comportamiento de luces, texturas, materiales, animación,
simulando ambientes y estructuras fı́sicas verosı́miles, etc.; Esto es, renderizar
es pasar información del formato que maneja la computadora (VRML, JAVA3d,
estructuras en ensamblador, objetos en código máquina, etc.), a una imagen en 2
dimensiones que dé la apariencia de 3 dimensiones, [60]. En la fig. 3.2 se puede
apreciar un segmento de código VRML y del lado derecho se observa el resultado
de la renderización de dicho código.
3.4. Radiometrı́a
La radiometrı́a es el campo de la ciencia encargado del estudio de la medición
de la energı́a electromagnética, se encarga del estudio del transporte de la energı́a,
en el caso de la luz visible se encarga del estudio del transporte de la luz. En las
gráficas por computadora, el transporte de la luz es simulado únicamente en
el espectro visible de la luz. Algunos fenómenos del comportamiento de la luz,
respecto su análisis como una propagación de onda, son ignorados por ejemplo:
la fosforescencia, la fluorescencia, la interferencia y la polarización.
En las gráficas por computadora un modelo de iluminación corresponde a la
forma en la que será tratado el fenómeno de la incidencia de la luz visible sobre
3.4. RADIOMETRÍA 23
Figura 3.2: Código de VRML que genera una imagen 3D
un punto y como va a reaccionar dicho punto dependiendo de las propiedades

del objeto donde se encuentra ese punto. El material del objeto, desde el punto
de vista de las gráficas por computadora, presenta una coloración dependiente
de las propiedades de absorción y emisión del objeto para cada longitud de onda
ası́ como de las propiedades de la fuente de emisión de luz y del conjunto de
elementos que componen el escenario. Por lo anterior el color de un punto depende
de 3 factores:
La aportación de la fuente
La aportación del objeto
La aportación de los otros objetos
La ecuación de renderizado, James T. Kajiya [56], dice que la energı́a que

fluye en una pequeña región del espacio debe ser igual a la energı́a que sale,
calculando:
SALIEN T E − EN T RAN T E = EM IT IDA − ABSORBIDA (3.1)
El proceso de renderizado se puede apreciar más claramente si se toma como

base la ecuación de renderizado definida por Kajiya
L0 (x, ω0 ) = Le (x, ω0 ) + Lr (x, ω0 ) (3.2)
Donde:
L0 (x, ω0 ) es el total de la luz saliente
Le (x, ω0 ) es la suma de la luz emitida

Lr (x, ω0 ) es la suma de la luz reflejada
La ecuación indica que la energı́a que abandona el punto x, en dirección ω0

será igual a la energı́a emitida del punto x en dirección ω0 más la totalidad de
todas las aportaciones de energı́a circundantes.
Z
L0 (x, ω0 = Le (x, ω0 ) + fr (x, ωi → ω0 )Li (x, ωi ) cos θi dωi (3.3)
H2
Donde:
L0 (x, ω0 ) es la luz saliente en una dirección y posición particular
Le (x, ω0 ) es la luz emitida

R
H2 fr (x, ωi ) es la suma de todas las aportaciones de la luz reflejada
Li (x, ωi ) cos θi dωi es la suma la luz incidente de todas las direcciones mul-
tiplicada por la superficie de reflexión y el ángulo de incidencia
Las aportaciones circundantes estarán compuestas por las propiedades del

material definidas por f r y la integración de las energı́as que lleguen al punto
x desde la dirección considerada multiplicado ωi por el coseno entre la dirección
de incidencia y a la normal del punto x, para cada una de las direcciones de
incidencia.
Basado en lo anterior se puede observar que la energı́a que abandona un punto

está compuesta por la suma de las componentes locales y globales de iluminación.
Donde las componentes locales se refieren a las propiedades del material como
ı́ndice de emisión, de reflexión y de refracción. Y las componentes globales se
refieren a: la luz ambiental, la luz emitida por otros objetos y la luz emitida por
las fuentes de iluminación.
El cálculo del color del punto entonces se compone de las siguientes aporta-
ciones:
La reflexión difusa de la luz ambiental
La reflexión difusa y especular de las fuentes sobre el objeto
La reflexión especular en otros objetos
La transmisión especular en otros objetos
La luz emitida por el propio objeto

3.4. RADIOMETRÍA 25
La ecuación que lo define:
I(Q) = ka × Ia × C
+ SU M i : 1..m(f aten(Q)i × (kd × Idi × (N ∆Li) × Cd
+ ks × Isi × (V ∆Ri)n × Cs))
+ kr × Ir
+ kt × It
+ Ce (3.4)
Donde:
I(Q) es el color del punto a calcular
ka es la reflexión difusa de la luz ambiental
Ia es la intensidad de la luz ambiental
C es el color del objeto
kd es la constante difusa del objeto
Idi es la intensidad de la iluminación difusa del objeto
ks es la constante especular del objeto
Isi es la intensidad de reflexión especular del objeto
(V ∆Ri) es el ángulo de incidencia de la luz en el objeto
Cs es el color de la reflexión especular
kr es la constante de reflexión del objeto
Ir es la intensidad de reflexión del objeto
kt es la constante de transmisión del objeto
It es la intensidad de transmisión del objeto
Ce es la luz emitida por el propio objeto
Esta ecuación define el modelo de iluminación a usar para calcular el color

de cada punto en la imagen a renderizar. Para que este modelo de iluminación
genere imágenes realistas es necesario conocer los mejores parámetros ópticos
que se usarán para definir a las aportaciones. La estimación de algunos de estos
parámetros es el objetivo de la metodologı́a desarrollada en la presente tesis.
3.4.1. Percepción del color

El ojo humano tiene su mayor sensibilidad al color en la longitud de onda de
555 nm que corresponde a un color entre amarillo y verde y su mı́nima sensibili-
dad la tiene en un color entre el rojo y el violeta. En la luz del dı́a o con buena
iluminación se tiene lo que se denomina “Visión fotópica” donde actúan ambos
fotorreceptores del ojo humano, los conos y los bastones.
En condiciones de iluminación pobre, como en la noche se tiene la “Visión es-

cotópica” donde se produce el efecto Purkinjen [85] y [91], en el cual la curva, de
sensibilidad de los receptores, se desplaza hacia las longitudes de onda más bajas
modificando la sensibilidad máxima en la longitud de onda de 507nm, donde no
trabajan los conos. Lo que significa que ya no hay visión de color. Sin embargo
el ojo se vuelve muy sensible a la energı́a en el extremo azul del espectro y casi
ciego al rojo.
Todo lo anterior debe ser considerado cuando se elige la fuente de iluminación

a usar, ya que se debe seleccionar una fuente de iluminación de luz diurna o noc-
turna, dependiendo de las condiciones del objeto, donde se está analizando, y en
que condiciones se va a renderizar.
Rendimiento del color
Una fuente de emisión de luz puede ser considerada de un alto rendimiento

de color si emite la mayorı́a de los colores de espectro visible, una luz con un
rendimiento ideal deberı́a emitir todos los colores visibles. Si falta un color, la
fuente de emisión disminuye su rendimiento de color.
El CRI (Color Rendering Index, Índice de Reproducción Cromática) indica

las propiedades de una fuente de luz, a los efectos de la reproducción de los colores
[76]. Este factor es determinado al comparar el aspecto cromático que presenta un
objeto iluminado por una fuente de luz determinada, con respecto a una fuente
de referencia. En el caso de la luz de dı́a se denomina como continua y se dice
que tiene un CRI = 100. Aunque en realidad le falta componente de luz Roja,
lo mismo sucede con la luz incandescente que también se considera con un CRI
de 100. Si se usan lámparas de descarga (fluorescentes), estas lámparas generan
un espectro discontinuo, ya que presenta lı́neas espectrales que son propias del
material emisor. Adicionalmente presenta la falta de componente Azul y tienen
un CRI máximo de 20. El caso de las fuentes de emisión LED es similar a las
lámparas fluorescentes ya que para generar luz blanca los LED generan una luz
azul y después pasa a un material similar al de las lámparas fluorescentes para
generar la luz blanca, por lo cual también tiene una banda de absorción propia
3.5. HEURÍSTICAS BIOINSPIRADAS 27
de dicho material y se puede considerar que su emisión es discontinua. Sin em-

bargo y a diferencia de las lámparas fluorescentes, la emisión de luz generada por
un LED no tiene una frecuencia de presentación, como si la tienen las lámparas
fluorescentes. Los LED de luz blanca presentan un CRI de hasta 90, de acuerdo
a [68] y [34], los LEDs presentan una mayor fidelidad al color que las lámparas
fluorescentes no generan, y aunque tengan un mismo CRI. Y esto debe ser con-
siderado al seleccionar la fuente de iluminación a usar.
Modelos de color lineales contra logarı́tmicos
Si bien es cierto que el ojo humano recibe y procesa la información de forma

logarı́tmica y que serı́a más lógico trabajar con modelos de color logarı́tmicos
como el CMY, es necesario aclarar que el ojo humano no interviene en el proceso
de optimización. La metodologı́a propuesta trabaja con una ecuación que mide
la suma de las diferencias totales de la imagen y la suma de las diferencias de un
conjunto de puntos, dicha diferencia es una relación lineal y como tal el algoritmo
se maneja en un espacio lineal, no logarı́tmico. También se debe recordar que los
algoritmos de optimización usados, PSO y Evolución Diferencial, trabajan en un
espacio de búsqueda lineal y hacerlos que trabajen en un espacio de búsqueda
logarı́tmico y verificar sus resultados queda fuera del objetivo del presente trabajo.
3.5. Heurı́sticas bioinspiradas

Los algoritmos evolutivos se pueden comprender conociendo el hecho de que
son técnicas bioinspiradas que trabajan en un espacio de soluciones finito, por
medio de la modificación de elementos denominados individuos, los cuales pueden
ser modificados a través de dos operadores básicos, la mutación y la cruza.
En realidad es un conjunto de agentes con reglas de comportamiento basadas en
algunas reglas básicas de la evolución. El algoritmo genético simple es desarrollado
por John Holland y se describe a continuación.
1. Generar aleatoriamente la población inicial
2. Calcular aptitud de cada individuo
3. Seleccionar probabilı́sticamente en base a la aptitud
4. Aplicar cruza a los padres para producir la población de hijos
5. Aplicar mutación a los hijos
6. Los hijos forman la nueva población aplicando elitismo
7. Repetir desde el paso 2 un número predeterminado de veces

A partir del desarrollo de Holland se abre un campo de investigación el cual

crea técnicas de optimización inspiradas en su trabajo, este nuevo campo genera
posteriormente nuevas propuestas como son: las estrategias evolutivas, la progra-
mación genética, la optimización por colonia de hormigas, etc. En este trabajo
se aplican dos de las técnicas más rápidas para encontrar buenas soluciones, la
evolución diferencial y la optimización por cúmulo de partı́culas.
3.5.1. Evolución diferencial

El algoritmo de evolución diferencial ED es una heurı́stica poblacional de op-
timización bioinspirada, desarrollada por Storm y Price en 1995, se desarrolló en
un principio para resolver polinomios complejos de Chevichev. Los principios de
su desarrollo son la eficiencia, simplicidad y el uso de variables de punto flotante
en lugar de números binarios. La idea básica surge cuando Ken Price propone
usar diferencias entre vectores para perturbar los vectores de las poblaciones. Al
igual que otros algoritmos evolutivos, ED usa operadores de mutación, cruza y
de selección, para evolucionar a sus individuos.
Al igual que los algoritmos evolutivos, la ED comienza con una población

aleatoria la cual es mejorada al paso de las generaciones, usando la selección,
cruza y mutación. Existen diversas formas para determinar el criterio de para-
da, de las cuales se pueden usar: la generacional ó el alcance del óptimo. Los
parámetros de control para la ED son el parámetro de control de cruce CR, el
factor de mutación F y el tamaño de la población N P .
En cada generación G, la ED pasa a través de cada vector de decisión xi,G

de la población y crea un vector de prueba correspondiente a U iG, el cual se
compara con xi,G y el de mejor aptitud es el que pasa a la siguiente generación.
ED genera vectores de prueba sumando la diferencia ponderada entre los

vectores de población. Price y Storm llaman a esta operación mutación. Los pa-
rámetros mutados son entonces combinados con los parámetros de otro vector, el
vector objetivo, para obtener lo que se denomina un vector de prueba. Si el vector
de prueba obtiene un valor de costo de función menor que el vector objetivo, un
vector de la población previamente seleccionado, el vector de prueba substituye
al vector objetivo como individuo de la nueva población.
El vector objetivo puede ser parte de una generación de vectores, aunque no

necesariamente. Según Storn y Price [83], la extracción de información de distan-
cia y dirección de una población para generar desviaciones aleatorias proporciona
un esquema adaptativo con excelentes propiedades de convergencia.
3.5. HEURÍSTICAS BIOINSPIRADAS 29
El funcionamiento básico del algoritmo de ED es de la siguiente forma:

Se define una población inicial con valor NP.
Mutación
Para cada vector xi,G , donde i=0, 1, 2, ..., N P − 1 un vector de prueba v es

generado de acuerdo a:
vi,G+1 = xr1,G + F ∗ (xr2,G − xr3,G ) (3.5)
Considerando r1, r2, r3 [0, N P − 1] enteros mutuamente diferentes y F > 0.

F es un factor real constante el cual controla la variación de las diferencias. Los
enteros r1, r2, r3 deben ser seleccionados aleatoriamente del intervalo [0, N P − 1]
y deben ser diferentes del ı́ndice i actual. De forma tal que N P debe ser mayor
o igual a 4 para permitir esta condición.
Cruza
Con la finalidad de lograr un incremento en la diversidad de los vectores de

parámetros, se define el vector u:
ui,G+1 = (u1i,G+1 , u2i,G+1 , , uDi,G+1 ) (3.6)
Por lo que para:
( v if (randb(j) ≤ CR) o j = rnbr(i)

ji,G+1
uji,G+1 =
xi,G if (randb(j) > CR) y j 6=rnbr(i)
j = 1, 2, ..., D (3.7)
randb(j) es un número aleatorio entre 0 y 1. rnbr(i) es un ı́ndice seleccionado

aleatoriamente que va desde 0 hasta D, el cual asegura que ui,G+1 tenga por lo
menos un parámetro de vi,G+1 CR[0, 1] es la probabilidad de cruce y constituye
una variable de control, la cual ha demostrado ser muy importante para encontrar
el óptimo en funciones con variables separables cuando CR tiene valores pequeños.
Selección
Para decidir si el vector u se convertirá en un miembro de la población G + 1,

se compara con el vector xi,G . Si el vector u tiene un valor menor para su función
objetivo que xi,G . Entonces xi,G+1 será el valor de u, de otra forma el valor an-
terior de xi,G será conservado. Es necesario tener en cuenta que para diferentes
problemas, se deberán tener diferentes valores de N P , CR y F , con el fin de
obtener los mejores resultados.
Existen diferentes variantes al algoritmo original, la nomenclatura usada para

identificar a las variantes parte de un identificador inicial que comúnmente es
DE para Differential Evolution. A continuación viene el tipo de selección de
los individuos que generarán a la descendencia, éste puede ser aleatorio (rand)
o el mejor de la población (best). El siguiente número es la cantidad de pares
de soluciones escogidos. Finalmente se indica el tipo de recombinación usado
que puede ser binario (bin) o exponencial (exp). Por ejemplo, la variante más
comúnmente usada es la DE/rand/1/bin, la cual podemos saber es un algoritmo
de evolución diferencial (DE), que genera a su descendencia usando una selección
aleatoria (rand), con un par de soluciones escogidas (1) y usa una recombinación
del tipo binaria (bin).
3.5.2. Optimización por cúmulo de partı́culas
El algoritmo Particle Swarm Optimization (PSO) ha tenido gran aceptación

como una de las alternativas de optimización global basadas en heurı́sticas bio-
inspiradas. Sus principales ventajas son su buen desempeño, baja complejidad
computacional y el mı́nimo de parámetros requeridos para su operación. El al-
goritmo PSO intenta representar el movimiento de un conjunto de partı́culas o
individuos que “vuelan” en un espacio n-dimensional en busca del óptimo global
en forma colaborativa. En cada iteración del algoritmo se sigue una regla simple
para actualizar la posición de tal manera que el movimiento, aunque esencialmen-
te aleatorio, se ve influenciado por su propia experiencia (aprendizaje individual)
y por el entorno (influencia social) [57].
El algoritmo PSO está basado en el movimiento de partı́culas o individuos

que vuelan en un espacio de búsqueda de n dimensiones, intentando encontrar un
óptimo global de forma colaborativa. La posición de la partı́cula es actualizada
en cada iteración del algoritmo siguiendo una sencilla regla, de tal forma que el
movimiento del individuo, esencialmente aleatorio, es influenciado por su propia
experiencia y por el ambiente o la experiencia grupal. Originalmente el algoritmo
fue propuesto por Kennedy y Heberhart en 1995 [57], basado en la posición y el
cambio de posición para cada partı́cula. Posteriormente, el algoritmo fue mejo-
3.6. UNIDAD DE PROCESAMIENTO GRÁFICO 31
rado por Shi y Heberhart en 1998[79], por medio de la introducción del concepto
de inercia. El algoritmo PSO es descrito a continuación:
Algoritmo de optimización por cúmulo de partı́culas:
1. Inicializar cada partı́cula de la población de forma aleatoria, generando

ası́ los valores para los vectores de posición y velocidad.
2. Calcular la aptitud respecto a la posición de cada partı́cula. Si la aptitud

actual es mejor que la anterior, entonces actualizar con la mejor.
3. Determinar la localización de la partı́cula con la mejor aptitud global y

comparar con la propia.
4. Para cada dimensión de cada partı́cula, la velocidad debe ser actualizada

respecto a la siguiente ecuación:
vi,d (t + 1) = ω × vi,d (t) + c × r1 × (pbxi,d − xi,d (t)) + c2 × r2 × (gbxi,d − xi,d (t))

(3.8)
donde ω es la inercia del sistema c1 y c2 son constantes que determinan
la influencia del aprendizaje individual y la influencia social respectiva-
mente; r1 y r2 son valores aleatorios, entre 0 y 1, que representan el libre
movimiento de cada partı́cula.
5. Actualizar la posición x de cada partı́cula de acuerdo a la siguiente ecuación:
xi,d (t + 1) = xi,d (t) + vi,d (t + 1) (3.9)
6. Repetir los pasos 2 al 5 hasta alcanzar la condición de finalización (número

de iteraciones o precisión).
Ambas técnicas, ED y PSO, usan una población inicial con individuos que
representan soluciones al problema propuesto, estas soluciones deben ser repre-
sentables en forma de un vector de números reales. Para el estudio del presente
trabajo ambas técnicas de optimización son prometedoras debido a su naturaleza
poblacional, y a su capacidad de exploración y explotación del universo de solu-
ciones. Encontrar una solución óptima para los parámetros de renderización por
medio de una búsqueda exhaustiva es impráctico, sin embargo el uso de PSO y
ED ofrece una posibilidad de encontrar buenas soluciones.
3.6. Unidad de procesamiento gráfico

El sistema seleccionado para realizar las pruebas es un GPU (Graphics Pro-
cessor Unit, Unidad de Procesamiento Gráfico) utilizado normalmente como co-
procesador gráfico para sistemas de video de alto desempeño especı́ficamente
en videojuegos y producción de video. Un GPU es una arquitectura de proce-

sadores vectoriales capaces de ejecutar operaciones matemáticas sobre múltiples
datos de forma simultanea, a diferencia de los procesadores escalares comunes
en los CPU los cuales manejan una operación por dato. La gran mayorı́a de los
CPU son procesadores escalares o algo muy similar. Los procesadores vectoriales
eran comunes en computadoras de investigación cientı́fica [48] pero eventual-
mente fueron desplazados por arquitecturas escalares multinúcleo. Sin embargo
no fueron eliminados ya que muchas arquitecturas de gráficos por computadora
usan los procesadores vectoriales como base de su hardware. Al parecer, hoy la
tendencia en el desarrollo de las unidades de procesamiento gráfico posibilita el
retorno del cómputo cientı́fico hacia arquitecturas ı́ntimamente relacionadas con
los procesadores vectoriales, en los cuales tienen su origen.
De forma general un procesador tiene que buscar la instrucción para ejecu-

tarla, este proceso toma tiempo, dicho tiempo genera latencia en la ejecución de
las instrucciones. Para reducir este tiempo los procesadores modernos ejecutan
un conjunto de instrucciones en forma concurrente realizando lo que se conoce
como “instruction pipelining” (entubamiento de instrucción), en el cual las ins-
trucciones pasan a través de varias subunidades en turnos, el primer elemento
lee la dirección y la decodifica, el siguiente elemento obtiene (fetch) los valores
contenidos en esas direcciones y la siguiente hace el cálculo matemático según la
instrucción recuperada. Con el “instruction pipelining” se inicia la decodificación
de la siguiente instrucción incluso antes de que la primera haya salido del proce-
sador, de tal forma que el decodificador de instrucciones esté en un uso constante
y se disminuyan las latencias. El tiempo de ejecución de una sola instrucción es
el mismo, pero un conjunto de instrucciones se ejecuta en menor tiempo aumen-
tando con esto el desempeño general del procesador.
En los procesadores vectoriales este concepto se lleva aún mas lejos, de forma
tal que en vez de sólo entubar las instrucciones, también se entuban los datos,
de manera que en lugar de estar decodificando instrucciones constantemente y
obteniendo los datos necesarios para completarlas, se lee una sola instrucción y a
continuación una gran cantidad de datos para operar esta instrucción sobre todos
ellos, esto permite un gran ahorro de tiempo por la parte de la decodificación de
instrucción.
Debido a lo anteriormente expuesto es posible visualizar un gran poder de

cómputo en los procesadores vectoriales, aunque se tienen algunas reglas que
seguir, una de las más importantes es que la instrucción a seguir debe ser la
misma para una gran cantidad de datos, esto es especialmente cierto para opera-
ciones con vectores o matrices. En las gráficas por computadora existe una gran
cantidad de operaciones matriciales, de hecho las imágenes se pueden visualizar

como un conjunto de matrices de valores de intensidades o de profundidades. De
forma tal que, cuando se va a realizar el cálculo de una imagen, se puede ope-
rar sobre conjuntos de matrices aplicando una sola instrucción a múltiples datos.
Debido a lo anterior los procesadores vectoriales encontraron un nicho en la grafi-
cación por computadora y el hardware diseñado para la generación de imágenes
en producción de video y videojuegos se basa en esta arquitectura.
Gracias a una gran demanda por juegos y producciones de video de apariencia

fotorrealista en tiempo real, la producción de GPU cada vez más poderosos y con
arquitecturas con mejor desempeño ha conducido al mercado de las tarjetas de
video a generar propuestas multinúcleo, multihilo altamente paralelas, las cuales
tienen un tremendo poder de cálculo que rememora a aquellas primeras super-
computadoras Cray de procesamiento vectorial.
Los GPU se han especializado en un cómputo intensivo altamente parale-

lo, debido a esto un gran porcentaje de los transistores usados para fabricar al
GPU están dedicados al procesamiento de datos, más que al manejo y control
de flujo de dichos datos, como se puede apreciar en la figura 3.3. Sin embargo,
Figura 3.3: El porcentaje de transistores usados para procesamiento de datos en

CPU y en GPU.
hoy la tendencia en el desarrollo de los GPU permite preveer la consolidación de

un nuevo modelo de programación paralela, donde el GPU tiene un papel más
preponderante como administradores de hilos al mismo tiempo que mantiene, e
incluso aumenta, sus capacidades de cómputo paralelo:
“Debido a que el mismo programa se ejecuta para cada elemento de datos, exis-
ten bajos requisitos para el control de flujo y debido a que este procesamiento
se ejecuta sobre una gran cantidad de datos con una alta intensidad aritmética
la latencia en los accesos a memoria puede ser ocupada en cálculos en lugar de
caches de datos” [16].
Es evidente la ventaja que este nuevo enfoque en la arquitectura aporta para

el procesamiento de imágenes, sobre todo debido al potencial de paralelizar ca-
da pixel de una imagen en núcleos de procesamiento diferentes, pero no es el
único tipo de cálculos que se puede beneficiar de esta arquitectura, de hecho
casi cualquier tarea susceptible de ser paralelizada puede sacar ventaja de esta
arquitectura, desde la simulación de partı́culas fı́sicas, procesamiento de señales,
detección de virus en redes, computación biológica, simulaciones de desplaza-
mientos de grandes multitudes, etc.
El dispositivo a usar es un GPU Nvidia 8600GT, es un arreglo de proce-

sadores masivamente multihilos, que el fabricante denomina arquitectura Tesla
de cómputo y gráficas unificadas. Este diseño se construye alrededor de un a-
rreglo escalable de multiprocesadores para flujo multihilo. Cada multiprocesador
consiste de ocho núcleos de procesadores escalares, dos unidades especiales para
trascendentes, una unidad de instrucciones multihilo y una unidad de memoria
compartida en el GPU.
El multiprocesador se encarga de la creación, manejo y ejecución de los hilos

actuales en el hardware, para poder manejar una cientos de hilos (teóricamente
hasta 512) ejecutando diferentes programas, el multiprocesador puede hacer uso
de lo que el fabricante denomina SIMT (Single Instruction Multiple Thread). El
multiprocesador entonces debe mapear cada hilo a un núcleo de procesamiento
escalar y cada hilo escalar debe ejecutarse de forma independiente de los demás,
con su propia dirección de instrucción y registro de estado. Esto hace que la pro-
gramación sea orientada al manejo de los hilos y la optimización en su uso.
Se usa el modelo de programación CUDA (Computer Unified Device Archi-

tecture, Arquitectura Unificada de Dispositivos de Cómputo), es un modelo de
programación paralela para dispositivos GPU, desarrollado por NVIDIA. Con-
siste en un conjunto de programas y compiladores que facilitan la programación
de programas en forma paralela usando GPUs de la marca NVIDIA.
3.6.1. Caracterı́sticas del sistema.

Las pruebas se realizaron en una computadora con procesador Intel Core
Duo, a la que denominaremos “Anfitrión”, con un disco duro de 160 Gigabytes,
memoria de acceso aleatorio (RAM) de 512 Mbytes, con un monitor LCD de
19 pulgadas. La tarjeta de video es una Tarjeta NVIDIA 8600GT, a la que de-
nominamos GPU, con 256 Mbytes de memoria de trabajo, el procesamiento de
la tarjeta está integrada por 4 multiprocesadores de 8 núcleos de “Shading” los

cuales suman en conjunto 32 núcleos de trabajo que pueden ser programados a
través del sistema CUDA para funcionar como un cluster de coprocesamiento
matemático.
El sistema de cómputo tiene un arranque dual de sistema operativo, una

partición de Windows XP y otra de Linux. Las pruebas se realizaron en ambos
sistemas operativos pero en Linux se obtuvieron menores tiempos (mejores) que
en Windows, de forma que los experimentos se realizaron en Linux. 0
Capı́tulo 4
Metodologı́a de extracción de
parámetros
4.1. Introducción
El presente capı́tulo comienza con una breve descripción de la metodologı́a
actualmente usada para la obtención de parámetros ópticos para su uso en la
renderización y posteriormente explica la metodologı́a que el presente trabajo
propone como una alternativa para la extracción de parámetros.
4.1.1. Metodologı́a actual

Los trabajos presentados en la sección de estado actual, tienen en común
una metodologı́a de extracción ó cálculo de los parámetros ópticos a ser usados
en la renderización, esta metodologı́a obtiene los parámetros a usar y los aplica
en modelos previamente preparados y renderiza imágenes con ellos. La imagen
generada muestra el efecto del uso de los parámetros obtenidos. Sin embargo no
se realiza una comparación de la imagen obtenida y la imagen generada en el
proceso de la extracción/cálculo de los parámetros, figura 4.1.
La metodologı́a se puede visualizar desde el punto de vista de la teorı́a del

control, como un sistema de lazo abierto, en el que el proceso obtiene los pará-
metros y los usa. Se puede pensar que el usuario cierra el lazo al comparar la
imagen renderizada con el objeto real o una imagen del objeto real y modificar,
en respuesta a lo observado, el sistema de adquisición. Sin embargo el enfoque
de nuestra propuesta es diferente del método usado actualmente, ya que incluye
una retroalimentación dentro del proceso de extracción de parámetros, figura 4.2.
37
38 CAPÍTULO 4. METODOLOGÍA DE EXTRACCIÓN DE PARÁMETROS
Figura 4.1: Metodologı́a actual de obtención de parámetros
Figura 4.2: Metodologı́a propuesta de obtención de parámetros
Por lo anterior se propone una metodologı́a de extracción de parámetros fı́sico

ópticos para renderización de imágenes en la graficación por computadoras, que
reciba un fotograma digital de un escenario real, como imagen de referencia, y
una descripción de ese escenario en una mundo virtual, figura 4.3. La metodologı́a
propone el uso de un algoritmo de optimización bioinspirado el cual tiene como
función objetivo la comparación de dos imágenes, una imagen de referencia o
imagen objetivo y la otra imagen generada por cada individuo del algoritmo
bioinspirado. Cada imagen generada se prueba contra la imagen de referencia y
se obtiene un valor de proximidad, el cual se usa como aptitud que se asigna al
individuo que generó dicha imagen, figura 4.4.
4.1.2. Propuesta de solución

Propuesta de algoritmo bioinspirado
1. Tomar una imagen de referencia con una cámara digital
a) La imagen estará con condiciones mı́nimas de entorno externo

4.2. ADQUISICIÓN DE IMAGEN OBJETIVO 39
Figura 4.3: Entrada y salida de la metodologı́a propuesta de obtención de pará-

metros
Figura 4.4: Diagrama de la metodologı́a propuesta de obtención de parámetros
b) Se guardará en formato BMP
2. Usar una función objetivo que compara dos imágenes y muestra su diferen-
cia en valores RGB por separado
4.2. Adquisición de imagen objetivo

El dispositivo de adquisición de imagen figura 4.5a, consiste de una caja de
15x15x20 cms, el cual tiene 4 leds de alta luminosidad como fuentes de luz, colo-
cados en la parte superior de la caja, ası́ como un orificio para una cámara web
para la adquisición de las imágenes. A 6 cm de la base de la caja se coloca una
sección para soportar los objetos a capturar. Cada led puede ser controlado de
manera independiente, de forma que se puede tener uno, dos, tres o los cuatro
leds encendidos en cualquier orden.
Figura 4.5: Sistema de adquisición de imágenes de referencia
Se eligió como fuente de emisión de luz a un Diodo LED debido a su dis-

persión uniforme de la luz, a diferencia de una fuente fluorescente, asimismo la
emisión de luz blanca del LED presenta una menor dominancia de los colores
verdes que la que presenta la fuente fluorescente y a diferencia de la luz natural
no presenta una dominancia con los colores rojos. Se pueden conseguir hasta 115
lúmenes por LED a 350mA. El LED blanco puede alcanzar hasta un CRI de 90,
de acuerdo a [68] y [34] los LEDs presentan una mayor fidelidad al color que las
lámparas fluorescentes no generan, y aunque tengan un mismo CRI, lo que que no
sucede ya que las lámparas fluorescentes alcanzan como máximo un CRI de 20.
Como ya se mencionó anteriormente la emisión de luz generada por un LED no
tiene una frecuencia de presentación, como sı́ la tienen las lámparas fluorescentes.
Como fuente de alimentación se seleccionó un conjunto de tres baterı́as co-

mo fuente de corriente continua, para que no presente variaciones con respecto
a una fuente de energı́a alterna. El suministro de las baterias se controla con
un multı́metro para mantener un rango constante de 4.5 volts. Se usa un fondo
blanco como revestimiento interior de la caja de captura y un suelo de color verde
claro para apreciar la diferencia del suelo respecto al resto del entorno.
Para dispersar la luz de los LED, que son direccionales, en la parte superior
de la caja se colocó un plástico blanco traslucido para dispersar de manera uni-
forme la luz de los LED. Para minimizar las reflexiones externas se coloca una
tapa en la caja, figura 4.5b para que solo sea visible el lente de la cámara. Con
este dispositivo se adquieren las imágenes de los escenarios a ser usados como
referencia de la función objetivo.
Como objeto principal de los experimentos se eligieron unas esferas de plástico

de varios colores, de un tamaño de 2.5 cm. El motivo de la elección es que las
superficies curvas son de las más difı́ciles de aproximar en una renderizacion, por
la variación gradual de los colores a lo largo de toda la superficie.
4.2.1. Condiciones de adquisición de imagen

El revestimiento interno de la caja es un material blanco mate para minimizar
las reflexiones internas.
Los objetos a capturar siempre se encuentran a la misma distancia y con la

misma iluminación, asimismo el lente de la cámara se coloca en un enfoque fijo.
Como sistema de adquisición de imágenes se eligió una cámara web marca

Creative, modelo WebCam Instant, con capacidad de captura de imágenes a una
resolución de 320 x 240 o de 648 x 480. Puede guardar sus imágenes en formato
BMP o en formato JPG. Se seleccionó este modelo por tener la capacidad de
almacenar sus imágenes en formato BMP. El tiempo de exposición se deja fijo para
que no cambien las imágenes adquiridas respecto a las condiciones de iluminación,
figura 4.6. El conjunto de los parámetros de la cámara es el siguiente:
Exposición = 48
Brillo = 20
Contraste = 20
Hue = 18
Saturación = 50
Sharpness = 3
Gamma = 3
Habilitar color = 1
Compensación de luz posterior = 0
Formato de imagen
Se almacena la imagen de referencia en un formato BMP, el cual es un for-

mato sin compresión, y que almacena la información en forma de matriz RGB,
con valores de 0 a 255. El formato BMP tiene, en su cabecero, la información
correspondiente a la resolución de la imagen a lo ancho y a lo alto (en pixeles),
el número de planos a usar (normalmente cero), el número de bits por pixel, (en
Figura 4.6: Parámetros usados en la cámara de adquisición
este caso 24), el tipo de compresión (normalmente a 0, en este caso 0), el número
de datos en bytes de la imagen, etc. Sin embargo el formato BMP almacena la
información invertida en el eje Y, esto significa que una imagen adquirida por el
dispositivo de captura, se presentará invertida en el eje Y, esto debe ser consi-
derado al momento de la comparación de las imágenes. También se debe tomar
en cuenta que las imágenes se almacenan en bytes pero cada renglón debe tener
un número de elementos correspondientes a un múltiplo de 4, de otra forma el
algoritmo del formato BMP rellena con ceros el final del renglón. Estos ceros
deben ser descartados en la lectura de la imagen para que no interfieran con la
comparación respecto a la imagen generada por el algoritmo de renderizado.
La imagen capturada tiene una resolución de 320 x 240 pı́xeles y se le aplica

un algoritmo de reducción de resolución para obtener una imagen de 128 x 96
pı́xeles. Al realizar le lectura del archivo BMP los bytes de información de cada
pı́xel se almacenan en una matriz de 128 x 96 x 3. Donde 128 es la resolución
horizontal en el eje X, 96 es la resolución vertical en el eje Y, y 3 es el valor para
cada componente de color del modelo RGB (R-Rojo, G-Verde, y B-Azul).
4.2.2. Función objetivo
Para comparar ambas imágenes se propone la sumatoria del valor absoluto de

la resta del valor de cada posición xy de la imagen objetivo (RGBObj) respecto a
la misma posición de la imagen generada por el renderizador basado en trazador
de rayos (RGBTraza), eq. 6.4. La función de comparación se propusó en este

trabajo de tesis pero después se encontró que es la misma que se propone como la
primera de una serie de funciones para comparar las diferencias de dos imágenes
en el trabajo de H. Rushmeier [38], Rushmeier et al. lo expresan como M(A;B)
pero es la distancia entre las imágenes A y B. Midiendo la diferencia entre cada
pı́xel de la imagen generada con respecto al pı́xel correspondiente en la imagen de
referencia. A medida que esta diferencia disminuye, las imágenes son más pare-
cidas entre ellas, cuando la diferencia es cero las imágenes son idénticas.
Figura 4.7: Metodologı́a de obtención de parámetros
F01- Función de evaluación para asignar aptitud, considerando todos los pı́xe-
les de la imagen:
i=n
X
Dif = |RGBObji − RBGT rayi | (4.1)
i=0
Donde:
n = Xmax * Y max
RGBObji = Valor de cada componente del pı́xel i de la imagen objetivo
RGBTrazai = Valor de cada componente del pı́xel i de la imagen generada

por el trazador de rayos
La función objetivo entrega un valor al recibir dos imágenes, con un valor

elevado la diferencia de las imágenes es grande, con un valor reducido la dife-
rencia de las imágenes es pequeña. Esta función, permite conocer la diferencia
entre dos imágenes en un valor de hasta una unidad de intensidad en una sola
componente del modelo RGB. La función se aprecia en el diagrama de bloques

de la metodologı́a, etiquetada como “comparación de imágenes”, figura 4.7
F02- Función de evaluación para asignar aptitud, considerando sólo los puntos
de interés sobre los pı́xeles de la imagen:
i=n
X
Dif = |RGBObji − RBGT razi | (4.2)
i=0
Donde:
n = Puntos de interés.

Prueba de función objetivo
Se probó la función con una imagen adquirida contra la misma imagen con
un pı́xel de diferencia. Dos imágenes iguales con una variación de un pı́xel dan
una diferencia de: 147+ 137+ 134 = 418
Figura 4.8: Imágenes con un pı́xel de diferencia, a) imagen de referencia b) imagen

modificada
4.3. Algoritmo propuesto

El algoritmo propuesto recibe una imagen de referencia, la que el sistema de
adquisición obtuvo, y la almacena en una matriz de 128x96 denominada Matriz-
4.4. ALGORITMO 45
Obj, posteriormente inicializa las partı́culas del algoritmo PSO (Particle Swarm
Optimización) y genera una población de partı́culas, posteriormente evalúa la
aptitud de cada partı́cula. La evaluación se divide en dos fases:
1.- Usando el vector X de la partı́cula seleccionada, se asigna cada variable

del vector a un parámetro de un escenario virtual, el escenario virtual se
usa como entrada para un algoritmo de traza de rayos el cual genera una
imagen de 128 x 96 que se almacena en una Matriz llamada MatrizTraza.
2.- Se llama la función de comparación de las dos imágenes recibiendo como

entrada la MatrizObj y la MatrizTraza, generando como resultado un valor
numérico correspondiente a la diferencia entre ambas imágenes, este valor
es el que se guarda como aptitud de la partı́cula.
El PSO evalúa todas las partı́culas y selecciona la partı́cula de mejor apti-

tud para cada vecindario, posteriormente compara la aptitud entre las mejores
partı́culas de cada vecindario y selecciona la mejor. La información de la mejor
partı́cula se usa para que el PSO realice sus cálculos de actualización de velocidad
y el nuevo valor de cada variable del vector X, asimismo se almacenan los valores
de la mejor partı́cula de cada iteración en un archivo en disco. Finalmente los
parámetros representados por los valores de la mejor partı́cula se usan para ren-
derizar una imagen que se guarda en un archivo BMP de 128x96, en el directorio
correspondiente a esa iteración. Solo se guarda una imagen cada 5 iteraciones
para no saturar al dispositivo de almacenamiento.
Debido a la naturaleza de la heurı́stica bio-inspirada poblacional que se usa

como parte de la metodologı́a, el algoritmo tiene una naturaleza adaptativa, ya
que a diferentes condiciones de los modelos, a los cuales se les extraerán sus
parámetros, el proceso de extracción se adaptará para obtener los mejores resul-
tados. Si se usa un objeto rojo, la metodologı́a se comporta de diferente forma
que para un objeto Azul o uno Verde. El pseudocódigo del algoritmo se presenta
a continuación.
4.4. Algoritmo
ImagenO = Obtención de Imagen
Iniciar partı́culas
Para cada partı́cula
Para cada Variable
Selecciona un valor aleatorio entre 0.0 y 1.0
Crea vecindarios
Mientras (el criterio de parada no se cumpla)
Para partı́cula=1 a numero de partı́culas
Calcula Aptitud
Usa variables de la partı́cula como parámetros del trazador
Ejecuta trazador de rayos y genera imagenT
Compara ImagenO con ImagenT
Calcula Velocidad
Si Aptitud de (Xp > Mejor de vecindario)
Actualiza Mejor de Vecindario con aptitud de Xp
Calcula Mejor de Vecindario
Calcula Mejor de los vecindarios
Fin de ciclo de partı́cula
Próxima Iteración hasta criterio de parada
Parámetros del PSO
Partı́culas = 25
Variables = 30
Vecindarios= 5
Grupos = 5
Iteraciones= 302
VMax = 0.020000
VMin = -0.020000
Resultados esperados
Encontrar un conjunto de ı́ndices de color, reflexión y difracción que sirvan

para proponer un modelo de iluminación óptimo para las imágenes genera-
das por computadora.
Lograr un balance adecuado de los parámetros de iluminación local y global

como resultado de las aproximaciones por algoritmos bioinspirados.
4.4.1. Generación de archivo de escena

Para generar la imagen por traza de rayos, es decir la imagen generada, es
necesario que el algoritmo de traza de rayos tenga como entrada un archivo que
describe la escena en el entorno virtual, el archivo contiene los elementos corres-
pondientes al fondo de la escena, al piso, al objeto central a renderizar, a la fuente
de luz y a la cámara virtual que sirve como observador. El tamaño y la posición de
todos los elementos, menos la fuente de iluminación, son ajustados a mano, esto
significa que la posición del suelo, y el tamaño y la posición del objeto ası́ como
la distancia de la cámara ası́ como su apertura son ajustados por el usuario, para
4.4. ALGORITMO 47
que concuerden en tamaño y en posición con los objetos equivalentes de la imagen

de referencia. El formato del archivo de escena se presenta a continuación:
Tama~no de dispositivo de despliegue

128 96 : Tama~no de salida en pixeles
Ventana
-20.0 41.0 -15.0 30.0 : -X X -Y Y
Cámara X, Y, y Z
0.0 0.0 -50.0
Intensidad de Luz Ambiente
0.4 0.4 0.4
Fuente de Luz
100.0 100.0 -50.0 1.0 1.0 1.0 : Posición X, Y, Z, Ip, R, G, B
Objetos 2
Esfera1
3.0 2.0 -25.0 4.0 : Xc, Yc, Zc, R
0.90 0.0 0.0 : Kd R, G, B
0.0 0.0 0.0 : Ks R, G, B
0.0 : IndiceDeRefracción
0.30 : IndiceDeReflexión
Plano1
0.0 -10.0 0.0 -2.0 : Pn, Pn, Pn, X
0 30.60 0 : P0, P1, P2
0.99 0.99 0.99 : Kd R, G, B
1.0 1.0 1.0 : Ks R, G, B
0.0 : IndiceDeRefracción
0.0 : IndiceDeReflexión
4.4.2. Codificación de los parámetros de renderización

El vector de variables de cada individuo tiene correspondencia con los pará-
metros de iluminación del escenario. Las tres primeras variables son la posición
X, Y y Z de la fuente de iluminación, Pos L. La cuarta variable es la intensidad
de la fuente. Los valores siguientes corresponden a los valores RGB de la esfera
(esf) y del plano (pla), como se puede apreciar en la tabla 4.1.
[XposL , Y posL , ZposL , P otenciaL , Resf , Gesf , Besf , Rpla , Gpla , Bpla ]
4.4.3. Aproximación de parámetros por PSO

A continuación se muestra el resultado de la aproximación de los parámetros
por medio del algoritmo de “rendering in the loop”, usando como técnica de op-
timización un algoritmo PSO.
El conjunto de parámetros de PSO usados en esta sección se obtuvo de forma

experimental y fueron los que obtuvieron los mejores resultados. Se realizaron
Tabla 4.1: Codificación de parámetros para el modelo de color RGB

Parámetro Descripción
X Pos L Coordenada x de la fuente
Y Pos L Coordenada y de la fuente
Z Pos L Coordenada z de la fuente
Potencia L Intensidad de la fuente
R esf Componente rojo de color de la esfera
G esf Componente verde de color de la esfera
B esf Componente azul de color de la esfera
R pla Componente rojo de color del plano
G pla Componente verde de color del plano
B pla Componente azul de color del plano
10 corridas del algoritmo, con un criterio de parada de 200 iteraciones, con 25

partı́culas y vecindarios de 5 partı́culas por vecindario. Con una velocidad máxi-
ma de 0.08 y una velocidad mı́nima de -0.08. A continuación se muestran los
resultados de una corrida, figura 4.9.
Figura 4.9: Evolución de las imágenes generadas, se presenta la mejor imagen de

cada 5 generaciones, se puede apreciar el número de cada iteración, después de
las letras PSOR
4.4. ALGORITMO 49
4.4.4. Evolución diferencial

Debido a que con PSO no se obtuvieron los resultados esperados, se deci-
dió probar con un algoritmo de evolución diferencial. El algoritmo de evolución
diferencial se implementó de la siguiente manera:
ImagenO = Obtención de Imagen

Iniciar individuos
Para cada individuo
Para cada Variable
Selecciona un valor aleatorio entre 0.0 y 1.0
Mientras (el criterio de parada no se cumpla)
Para individuo=1 a número de individuos
Calcula Aptitud
Usa variables del individuo como parámetros del trazador
Ejecuta trazador de rayos y genera imagenT
Compara ImagenO con ImagenT
Calcula aptitud de hijo
Si Aptitud de (Xp > Padre)
Sustituye Hijo por Padre
Calcula Mejor individuo
Fin de ciclo de individuo
Próxima Generacion hasta criterio de parada
El uso de Evolución Diferencial permitió obtener mejores parámetros que los

obtenidos por medio de PSO. Por lo cual el desarrollo de las etapas siguientes se
realizó usando a Evolución Diferencial como algoritmo bioinspirado. Se mejoró en
los parámetros de la fuente de iluminación (posición X, Y y Z, ası́ como en la
intensidad), asimismo el color del objeto, se acercó al color del objetivo, figura
4.10.
4.4.5. Separación de tareas de optimización

Debido a la complejidad del problema, y a los resultados obtenidos hasta el
momento, se decidió dividir la optimización de parámetros en dos partes, en la
primera fase se realiza la optimización de los parámetros de la fuente de ilumi-
nación (posición x, y, z, ası́ como la intensidad) y en segundo lugar los parámetros
de los objetos color, ı́ndice de reflexión, ı́ndice de difracción, e ı́ndice de reflexión
especular, 4.11.
4.4.6. Modelo de color HSV

Se implantó una función para usar los valores obtenidos del individuo como
componentes de color HSV en lugar de usarlos como componentes RGB, las prue-
bas iniciales mostraron una ligera mejorı́a en el color de los objetos obtenidos,
Figura 4.10: Resultados obtenidos por evolución diferencial, un mejor conjunto

de parámetros para la fuente de iluminación y una mejora respecto al color del
objeto
Figura 4.11: Separación de tareas de optimización, la primera etapa es la op-

timización de los parámetros de la fuente de iluminación, la segunda son los
parámetros de los objetos, como el color y los ı́ndices de reflexión y difracción.
figura 4.12. La adecuación que se realizó fue en la etapa de la obtención de los

datos del individuo de evolución diferencial como parámetros de los objetos en
el algoritmo de traza de rayos. Al leer los parámetros del objetos y leerlos como
valores RGB, se modificó la función de renderizado para que los valores leı́dos de
cada individuo se trataran como parámetros HSV, después se pasan a una fun-
ción llamada HSVaRGB la cual los convierte en valores RGB que ya son usados
4.4. ALGORITMO 51
por el algoritmo de traza de rayos, por lo tanto la codificación del individuo se

incorpora en un arreglo donde cada elemento es un valor real, tabla 4.2.
Tabla 4.2: Codificación de parámetros para el modelo de color HSV

Parámetro Descripción
X Pos L Coordenada x de la fuente
Y Pos L Coordenada y de la fuente
Z Pos L Coordenada z de la fuente
Potencia L Intensidad de la fuente
H esf Componente tono de color de la esfera
S esf Componente saturación de color de la esfera
V esf Componente valor de color de la esfera
H pla Componente tono de color del plano
S pla Componente saturación de color del plano
V pla Componente valor de color del plano
Se puede apreciar una ligera mejora en el color del objeto central, esfera, con
respecto a lo obtenido al usar el modelo RGB, figura 4.12.
Figura 4.12: Ejemplo de evolución usando modelo de color HSV
Se uso del modelo de color HSV, como una posibilidad de mejora a los resul-
tados de las búsquedas de los individuos. Esto se justifica si se toma en cuenta
el espacio de búsqueda de un modelo RGB que puede ser conceptualizado como
un cubo el cual tiene algunos puntos que pueden ser de difı́cil acceso para los
individuos de ED, tal como las esquinas del cubo, figura 4.13.
En el caso del modelo HSV, cuyo espacio de búsqueda se conceptualiza como

un cı́lindro o un cono, figura 4.14, se tienen menos esquinas que en el caso del
Figura 4.13: Espacio de color RGB
espacio RGB.
Figura 4.14: Espacio de color HSV, se conceptualiza como una forma cónica
El uso del modelo HSV mejoró el tono del color de la esfera con respecto
a los modelos RGB usados con anterioridad. Por lo cual es lógico pensar que a
la Evolución Diferencial le benefició el espacio de búsqueda HSV ya que pudo
realizar una mejor exploración de parámetros.Para una información adicional de
los modelos de color se puede revisar el apéndice C.
4.4.7. Modelo de iluminación mejorado

Debido a que el modelo de iluminación usado en un principio es un modelo
simplificado basado en el modelo de Phong [72], el resultado de las búsquedas
no encontró el resultado esperado ası́ que se incorporó un modelo más comple-
4.4. ALGORITMO 53
to el cual adicionalmente del color del objeto, el ı́ndice de reflexión, el ı́ndice

de refracción y el ı́ndice de reflexión especular, se agrega un factor de distancia
con respecto a la superficie y la dirección de la cual viene la luz, de forma tal
que se generan reflexiones de diferentes intensidades reflejadas en dirección del
observador, es el modelo Phong-Blinn, [8]. Se considero necesaria una modifi-
cación del modelo de iluminación, debido a lo limitado de la representación final
de la imagen final que logra el modelo anterior. La aplicación de dicho modelo
mejoró notablemente la apariencia final de la imagen con respecto a los intentos
anteriores, figura 4.15. Con lo cual se comprobó que a medida que mejora el
modelo de iluminación, se obtiene una imagen con una diferencia menor respecto
a la imagen original.
Figura 4.15: Modelo de iluminación mejorado, se puede apreciar la variación del

tamaño de la reflexión especular
4.4.8. Corrección gamma

Para mejorar el aspecto de la imagen generada, se agregó una corrección gam-
ma a la parte de la traza de rayos, esta corrección gamma ayuda a que la imagen
se vea más brillante y proporciona un control sobre el contraste de las imágenes
generadas, figura 4.16.
Es posible hacer que el algoritmo encuentre una corrección gamma para la

renderización, pero no es un parámetro propio de los objetos, por lo tanto se
buscó un parámetro de corrección gamma que entrega buenos resultados y se
dejó fijo.
Figura 4.16: Tanto el color del suelo como el objeto se ven con más brillo que
en las partes anteriores, la corrección gamma empleada es de 1.2 para todas las
componentes
4.4.9. Aproximaciones sucesivas

Una vez que los algoritmos de evolución diferencial obtuvieron una buena
solución, se realiza una búsqueda en el rango próximo de los valores de cada com-
ponente de color para aproximar más los parámetros para la imagen final, figura
4.17.
El objetivo fue que la evolución diferencial buscará buenos valores y a través

de una búsqueda con 10 valores hacia arriba y 10 valores hacia abajo del val-
or encontrado, se realizará una evaluación y comparación del resultado de estos
valores, si los parámetros propuestos son mejores que el mejor individuo de la
Evolución Diferencial, entonces se sustituyen los parámetros propuestos en el
mejor individuo de la Evolución Diferencial y se renderiza la imagen.
4.4.10. Puntos de interés

Ya que la segunda función de evaluación requiere de n puntos de interés,
los cuales deben ser fijados por el usuario, estos puntos son muy importantes
para la obtención de la imagen final. Debido a esto se planteó una estrategia, en
la cual los puntos de interés también sean buscados por una heurı́stica. Por lo
tanto se propuso que en un algoritmo PSO cada partı́cula entregue un conjunto
de 10 puntos de interés y que cada propuesta ejecute un algoritmo de evolución
4.4. ALGORITMO 55
Figura 4.17: La Evolución Diferencial funcionó desde la figura PAS00000 hasta

la PASS00121, recuadro rojo, a partir de la imagen 131 se realizó una búsqueda
con una variación en los parámetros de color para cada componente, con ±10
diferencial con 100 generaciones, y el mejor individuo obtenga un valor de aptitud

basado en la proximidad con la imagen de referencia, el objetivo es encontrar la
mejor disposición de puntos de interés en la imagen para obtener las mejores
imágenes posibles. Las imágenes generadas obtendrán una mejor aptitud con
mejores puntos de interés, esta aptitud pasa a la partı́cula de PSO, y después
se prueba la siguiente partı́cula. Se puede apreciar como en la evolución de las
partı́culas, los individuos van eligiendo los puntos donde existen más cambios en
el objeto central de la imagen, figura 4.18.
De esta forma hasta terminar con todas las partı́culas de la iteración, durante
90 iteraciones, evidentemente los mejores puntos de interés van a permanecer. Se
puede ver la distribución inicial que se tiene al principio de la optimización, es
una distribución aleatoria, figura 4.19. Y la distribución final, más organizada
que se tiene en la iteración 100, figura 4.20.
Figura 4.18: Puntos de interés encontrados por la metaheurı́stica Optimización

por Cúmulo de Partı́culas -Evolución Diferencial
Figura 4.19: Puntos de interés encontrados por la mejor partı́cula en la generación

inicial
4.4. ALGORITMO 57
Figura 4.20: Puntos de interés encontrados por mejor partı́cula de la generación

100
Capı́tulo 5
Implantación en la arquitectura
paralela
5.1. Introducción
En el presente capı́tulo se describe el proceso de la implantación de la metodo-
logı́a de extracción de parámetros en la arquitectura del GPU. Primero se realiza
una implantación de un algoritmo PSO y se evalúa el desempeño de sus diferentes
variantes para la implantación paralela. Posteriormente se hace un comparativo
de la implantación de un algoritmo PSO y de un algoritmo de Evolución Dife-
rencial y se observa y reporta su comportamiento en el GPU. Finalmente, en
base a los resultados de los experimentos anteriores se implanta la metodologı́a
propuesta en el GPU.
5.2. Estudio comparativo de implantaciones paralelas en

una arquitectura multihilos
Los algoritmos Optimización por Cúmulo de Particulas, PSO (Particle Swarm
Optimization), han tenido gran aceptación dentro de las alternativas de opti-
mización global basadas en heurı́sticas bio-inspiradas. Sus principales ventajas
son su simplicidad de programación y el mı́nimo de parámetros requeridos para
su operación. En general, las técnicas heurı́sticas han tenido un gran auge en
los últimos veinte años gracias al impresionante poder de cálculo desarrollado
por las computadoras personales en el mismo periodo. Sin embargo, aún resulta
atractivo estudiar alternativas tecnológicas que permitan acelerar la velocidad de
cómputo de estos algoritmos para aplicarlos a problemas mucho más grandes y
complejos. En este trabajo se presenta un estudio empı́rico sobre la implantación
59
60 CAPÍTULO 5. IMPLANTACIÓN EN LA ARQUITECTURA PARALELA
de algunas variantes paralelas de un algoritmo PSO empleando un dispositivo de

procesamiento gráfico, GPU, con capacidad multi-hilos y el más reciente modelo
de programación paralela para estos casos.
5.2.1. Introducción
Las técnicas heurı́sticas bio-inspiradas, tales como el cómputo evolutivo, colo-
nia de hormigas y PSO, se propusieron como alternativas para resolver proble-
mas de optimización difı́ciles obteniendo soluciones aceptablemente buenas en un
tiempo razonable. Estas técnicas, al ser poblacionales, ensayan diferentes solu-
ciones con base a ciertas reglas y al uso extensivo de gran cantidad de procesos
estocásticos subyacentes. Estas herramientas han encontrado aplicación en prácti-
camente todos los campos del conocimiento, gracias a la disponibilidad de la ve-
locidad y poder de cálculo de las actuales computadoras personales. Las técnicas
heurı́sticas obtienen soluciones aceptablemente buenas en un tiempo “razonable-
mente corto”, en comparación con los métodos determinı́sticos y enumerativos
tradicionales que exploran cada una de las posibilidades y que resultan imprácti-
cos en los problemas de optimización difı́ciles. Sin embargo, el tiempo “razonable”
que pueden consumir las técnicas heurı́sticas es de varios segundos, minutos, e
incluso horas, dependiendo del problema y de la técnica heurı́stica que se emplea.
En este sentido, las técnicas como colonia de hormigas y estrategias evolutivas
pueden llegar a ser especialmente demandantes de recursos computacionales. Por
ello, los algoritmos heurı́sticos simples, como lo es el de optimización con cúmulo
de partı́culas, PSO, se han vuelto muy atractivos en virtud de que su relativa
simplicidad se traduce en un tiempo de ejecución proporcionalmente corto. No
obstante, cuando se requiere obtener una buena solución en “tiempo real”, inclu-
so los algoritmos simples pueden resultar lentos. Todo lo anterior ha motivado la
búsqueda de nuevas formas que aceleren el desempeño las técnicas heurı́sticas.
Recientemente se consideró la posibilidad de aprovechar el gran poder com-

putacional disponible en las tarjetas gráficas, GPUs, para resolver problemas de
propósito general [23], concibiendo con ello el concepto del Cómputo de Propósito
General en Unidades de Procesamiento Gráfico. Desde entonces, tanto fabricantes
como desarrolladores han considerado esta nueva área de la computación como
una vertiente con un prometedor futuro, en función de la amplia gama de posi-
bles aplicaciones que pueden obtener una ventaja de la natural paralelización de
operaciones de los GPU.
En este trabajo se presentan las principales consideraciones de implantación,

ası́ como los resultados obtenidos, durante la paralelización de un algoritmo PSO
empleando un nuevo enfoque de programación de GPU basado más en el empleo
de múltiples hilos que en el tradicional empleo de las operaciones paralelas sobre
5.2. ESTUDIO COMPARATIVO DE IMPLANTACIONES PARALELAS EN UNA
ARQUITECTURA MULTIHILOS 61
la memoria de despliegue. Por esta razón se seleccionó el dispositivo NVIDIA

GeForce 8600GT, el cual cuenta con capacidad para administrar múltiples hi-
los concurrentes, además de la tradicional paralelización de operaciones, bajo el
concepto SIMT (instrucción simple múltiples hilos) [65].
5.2.2. Trabajo relacionado

Desde la aparición de los primeros algoritmos poblacionales y bio-inspirados
pareció natural su traslado hacia arquitecturas paralelas y distribuidas, sólo las
limitaciones tecnológicas de los primeros tiempos acotaron el avance en este sen-
tido. El algoritmo PSO no fue la excepción y poco después de su aparición se
presentaron los primeros intentos por explotar su natural propensión al paralelis-
mo, como en [24], interés que se mantiene vigente hasta el dı́a de hoy a fin de
aplicar variantes paralelizadas del algoritmo PSO para resolver problemas de op-
timización muy complejos (ver, por ejemplo, [50], [17] y [61]).
Respecto a la forma de paralelizar al algoritmo PSO, en la comunidad del

cómputo evolutivo existe el consenso de que, siendo ambas técnicas poblacionales,
la clasificación de las variantes paralelas para los algoritmos evolutivos aplica
igualmente para los algoritmos PSO [6], a saber:
Implantaciones paralelas con el enfoque global. Donde existe un procesador

maestro y varios esclavos, de tal manera que el maestro distribuye en los
esclavos principalmente el trabajo relativo a la evaluación de la aptitud,
ya que tradicionalmente se ha considerado que las secciones con cálculos
consumen la mayor parte del tiempo de procesador.
Implantaciones paralelas con enfoque migratorio o de islas. En este enfoque,

los diferentes procesadores corren instancias del algoritmo con sus propias
poblaciones en forma independiente durante cierto tiempo, después del cual
pasan a una etapa de comunicación e intercambio de información donde
comparte las mejores soluciones encontradas hasta ese momento. El proceso
se repite varias veces hasta cumplir un criterio de terminación.
Implantaciones paralelas con enfoque difuminado. Puede verse como un

caso lı́mite del modelo de islas, en donde la población de cada isla es uno y
en donde existen tantos procesadores como individuos.
Las implantaciones paralelas tradicionalmente se han concebido para ejecutarse

en sistemas distribuidos, en donde los procesadores forman una red y en donde el
tiempo de sobrecarga acumulado (overhead) por concepto de comunicación es un
factor que impacta considerablemente el desempeño de la implantación paralela.
Por ello no es raro que el análisis de las implantaciones PSO paralelas usualmente
se haga explı́citamente en función de estrategias de comunicación como en [13],
[9] y [63]. Otras propuestas para paralelizar los algoritmos PSO se han hecho con
base al concepto de procesamiento vectorial paralelo, como en [70] y en [77], pero
también se han hecho propuestas con base a procesos concurrentes en un solo
procesador como en [5].
Aunque en la literatura existe una bibliografı́a significativa de esfuerzos en-

focados en paralelizar algoritmos de cómputo evolutivo, sólo algunos se enfocan
sobre la paralelización de algoritmos PSO. Lo anterior probablemente se deba a la
posterior y relativamente reciente aparición de los algoritmos PSO, pero lo cierto
es que similar situación se presenta en la literatura referente a la programación
del algoritmo PSO en GPUs. Por ejemplo, tenemos en [43], [42], [58] y [73] tra-
bajos muy recientes en que tratan sobre la implantación paralela de algoritmos
genéticos y evolutivos en GPUs, mientras que solo en [22] los autores aplican,
para el caso PSO, su experiencia con previas implantaciones para genéticos en
GPUs.
Nuestras implantaciones del PSO paralelo para GPU difieren enormemente

de la presentada en [22], en virtud de que en nuestro caso no empleamos el tradi-
cional enfoque de programación del GPU basado en operaciones paralelas sobre
múltiples datos de la memoria gráfica (texturas, etc.), que se conoce con el ter-
mino SIMD (instrucción simple múltiples datos), sino en un nuevo modelo de
programación paralela concebido para aprovechar la capacidad de algunos GPU
para administrar múltiples hilos concurrentes en forma muy eficiente, además
del tradicional paralelismo de operaciones sobre memoria, en lo que se conoce
como SIMT (instrucción simple múltiples hilos) [65]. Este nuevo enfoque y las
herramientas de programación asociadas permiten hacer programación paralela
en los dispositivos GPUs de una manera más natural y para aplicaciones de
verdadero propósito general. De hecho, se prevé que este nuevo modelo de pro-
gramación paralela sea el referente para la eventual especificación de un modelo
de programación universal que permita hacer programación paralela, no sólo en
GPUs, sino en cualquier arquitectura multi-núcleo o plataforma de súper cómputo
que aparezca en el futuro.
Por ahora, hasta donde sabemos, no existe en la literatura un estudio empı́ri-

co relativo a la implantación de algoritmos heurı́sticos bio-inspirados en un GPU
con este nuevo modelo de programación paralela orientada a múltiples hilos. Esto
lo atribuı́mos al hecho de que las herramientas de programación son de reciente
introducción [39]. Por lo tanto, este trabajo intenta ser un primer estudio empı́ri-
co que muestre el efecto sobre el desempeño de un algoritmo poblacional, en
particular un PSO, programándolo en forma paralela en un GPU con un enfoque
basado en multi-hilos.
5.2.3. Implantación de variantes del algoritmo PSO paralelo en el

GPU
Se seleccionó al dispositivo NVIDIA GeForce 8600GT, a fin de implantar el
algoritmo PSO con programación paralela en un GPU con soporte multi-hilos, de-
bido a que el fabricante proporciona gratuitamente el software CUDA (Compute
Unified Device Architecture, Arquitectura Unificada de Dispositivo de Cómputo)
[67] que es precisamente el entorno para poder programar con el nuevo modelo de
programación paralela. El objetivo era realizar una implantación paralela en un
GPU sin recurrir al tradicional y laborioso método basado únicamente en opera-
ciones paralelas sobre memoria gráfica. Lo anterior a fin de probar el rendimiento
que podı́a alcanzarse con el GPU mediante una programación paralela relativa-
mente simple centrada en distribuir el trabajo en múltiples hilos.
Ası́ se decidió realizar la implantación de algunas variantes paralelas del algo-

ritmo PSO canónico, y medir su desempeño en función del número de partı́culas
y del número de iteraciones. Las implantaciones, a su vez, serı́an probadas para
la obtención del óptimo global de tres conocidas funciones de referencia:
F05- Función Rosenbrock generalizada:
n−1
X
f5 (~x) = [100(xi+1 − x2i )2 + (xi − 1)2 ] (5.1)
i=1
−30 < xi < 30
mı́n(f5 ) = f5 (1, . . . , 1) = 0
F09- Función Rastrigin’s generalizada:
n−1
X
f9 (~x) = [x2i − 10cos(2πxi ) + 10] (5.2)
i=1
−5,12 < xi < 5,12
mı́n(f9 ) = f9 (0, . . . , 0) = 0
F11- Función Griewank’s generalizada:

n n
1 X 2 Y xi
f11 (~x) = xi − cos( √ ) + 1 (5.3)
4000 i
i=1 i=1
−600 < xi < 600
mı́n(f11 ) = f11 (0, . . . , 0) = 0
Tabla 5.1: Proporciones del costo computacional en función del número de

partı́culas
30 dimensiones, 20 vecinos, 2000 iteraciones
Partı́culas
64 partı́culas 256 partı́culas 1024 partı́culas
Función Evalúa Actualiza Evalúa Actualiza Evalúa Actualiza
F05 2.84 % 96.59 % 3.03 % 97.25 % 2.03 % 97.28 %
F09 27.54 % 70.34 % 26.93 % 69.38 % 27.16 % 69.43 %
F11 39.86 % 55.24 % 41.31 % 55.81 % 14.88 % 35.93 %
En particular se emplearon estas funciones con suficientes dimensiones (más de

30) a fin de probar el desempeño de las implantaciones para problemas con com-
plejidad significativa. La distribución del algoritmo en forma paralela tomó como
referencia los modelos de programación paralela más conocidos: global, islas y
difuminado. Para la implantación con el enfoque global se programaron dos va-
riantes:
Global ev: Con la distribución al GPU de únicamente la evaluación de la

función objetivo.
Global ev+up: Con la distribución al GPU de todos los cálculos, tanto

de evaluación de la función objetivo como de actualización de velocidad,
posición e inercia.
Lo anterior se hizo para mostrar que, a pesar de que tradicionalmente se hace

especial énfasis en el hecho de distribuir los cálculos referentes a la función obje-
tivo, cuando los problemas son n-dimensionales la evaluación de la aptitud puede
llegar a representar una menor proporción del tiempo de procesamiento, respecto
de los bloques de actualización de velocidad y posición (ver cuadros 5.1 y 5.2).
Esto se debe a que las operaciones de actualización, aunque de menor compleji-
dad aritmética, se vuelven de un volumen mayor respecto de las operaciones de
evaluación de la aptitud. En particular, la obtención de los números aleatorios
puede llegar a ser muy demandante de tiempo de procesamiento.
Respecto de las implantaciones con modelo paralelo de islas y difuminado, al

considerar que el modelo difuminado es un caso lı́mite del de islas, optamos por
englobar estas últimas variantes bajo el término embebido (embedded), ya que
en cualquiera de ellas todo el algoritmo PSO corre en la tarjeta GPU.
La estrategia de programación paralela para todas las implantaciones con-
sistió en crear un hilo por cada partı́cula, a fin de poder distribuir las tareas del
algoritmo PSO. La táctica para obtener la versión paralela del código consistió en
remplazar todo lazo que estuviera en términos del número de partı́culas por una
Tabla 5.2: Proporciones del costo computacional en función del número de di-
mensiones
256 partı́culas, 20 vecinos, 2000 iteraciones
Dimensiones
30 dimensiones 60 dimensiones 120 dimensiones
Función Evalúa Actualiza Evalúa Actualiza Evalúa Actualiza
F05 3.03 % 97.25 % 3.26 % 96.74 % 3.38 % 96.66 %
F09 26.93 % 69.38 % 30.51 % 67.81 % 33.56 % 66.53 %
F11 41.31 % 55.81 % 44.9 % 53.55 % 46.95 % 49.49 %
llamada a un kernel multi-hilo. Adicionalmente, se implantó el algoritmo PSO se-

cuencial como referencia para el cálculo de las métricas de desempeño. Se pueden
apreciar los siguientes bloques funcionales [57]:
Inicialización de población.
Evaluación de la aptitud mediante el cómputo de la función objetivo.
Comparación para determinar si un individuo tiene mejor aptitud que el

registrado como el mejor, ya sea local o global.
Imitación, donde cada individuo actualiza su posición, influenciado por su

propia experiencia y por el entorno social.
En la versión de PSO Secuencial todos los bloques funcionales son ejecutados

en el procesador anfitrión. En la versión PSO Global ev, lo que se distribuye hacia
el GPU es el bloque de evaluación de la aptitud, remplazando el lazo correspon-
diente por una llamada a una función kernel que distribuye el trabajo a múltiples
hilos dentro de la tarjeta del dispositivo GPU. En la versión PSO Global ev+up,
se distribuye hacia el GPU toda operación que implique cálculos, de tal manera
que tanto el bloque de evaluación de la aptitud como el de actualización de la
posición se paralelizan mediante las correspondientes llamadas a funciones kernel
multi-hilos. Finalmente en la versión PSO Embebida, el único bloque funcional
que queda en poder del procesador central es el de inicialización de la población,
ya que se llama a una función kernel que ejecuta las tareas asociadas con la evalu-
ación, la comparación y la imitación, hasta cumplir con el criterio de terminación.
Para concluir con esta sección, sólo resta mencionar algunas consideraciones
prácticas que deben tomarse en cuenta para lograr una implantación funcional
de un algoritmo PSO paralelo en un GPU:
Tiempo de sobrecarga (overhead). En el GPU también existe un tiempo

adicional acumulado (overhead) debido a los traslados de memoria entre el
anfitrión y el dispositivo GPU, lo cual es necesario para el intercambio de

datos. Debido a que estos traslados son relativamente lentos, el diseño para
una implantación paralela en un GPU debe minimizar su empleo. Por lo
antes dicho, es de esperar que las implantaciones PSO globales sean más
lentas que la embebida debido al mayor intercambio de datos entre el an-
fitrión y el GPU durante todo el algoritmo, ya que para que el procesador
central pueda realizar las comparaciones requiere conocer los datos produci-
dos por las secciones de evaluación y de actualización.
Sincronización. Todos los hilos que estén ejecutándose deben de sincronizarse

justo antes de continuar con los puntos donde se requiere que toda la in-
formación esté lista para la toma de alguna decisión. Este punto es parti-
cularmente importante cuando los hilos tienen que comunicarse entre ellos
para compartir información, en donde lo ideal, además de sincronizar los
hilos, es implantar una estrategia de comunicación maestro-esclavo, de tal
manera que sólo uno de los hilos sea el que actualiza variables globales con
base a la información de todos los demás.
Contención. Hay que tener cuidado con el manejo de variables globales que
pueden ser actualizadas y leı́das por varios hilos a la vez, incorporando las
técnicas que resuelvan este problema. Por ejemplo, en el algoritmo PSO
esto ocurre con la variable que contiene el ı́ndice a la mejor solución global
hasta el momento.
Generación de números aleatorios. Este es un punto fundamental para el

buen funcionamiento del algoritmo PSO y se vuelve crı́tico cuando se trata
de generar los aleatorios al interior del GPU. Una implantación que asuma
una generación de aleatorios de buena calidad en el GPU (diferentes en
cada llamada rand() y para cada hilo) tomando las medidas pertinentes,
puede repercutir en un algoritmo que no converja debido a la falta de di-
versidad. Por ello, en nuestra implantación del PSO embebida el bloque de
inicialización se mantiene fuera del GPU y, en especial, la generación de
semillas para los aleatorios, que en nuestro caso es de una semilla por hilo.
5.2.4. Experimentos y resultados

Métricas para el desempeño del procesamiento paralelo
Para evaluar el desempeño de las diferentes variantes del algoritmo PSO pa-
ralelo, se definen algunas métricas, usadas comunmente para medir el desempeño
en algoritmos paralelos, las cuales nos son más que medidas para comparar el
desempeño entre las variantes:
Costo computacional
Rapidez
Ventaja (speedup)
Eficiencia
El costo computacional, C, lo definimos como el tiempo de procesamiento con-

sumido (en segundos) que le toma a cada variante ejecutar el algoritmo PSO,
con los parámetros de prueba dados (iteraciones, partı́culas, dimensiones etc.).
Definimos la rapidez, V , como el inverso del costo computacional:
1
V = (5.4)
C
La ventaja (speedup) es la tasa que resulta de dividir la rapidez de la variante
de interés entre la rapidez de la variante de referencia (por ejemplo, la variante
secuencial).
Vobj
S= (5.5)
Vref
Finalmente, pero no menos importante, definimos a la eficiencia paralela, E, como
la tasa que resulta de dividir la ventaja obtenida entre el número de unidades de
procesamiento:
S
E= (5.6)
n
donde n es igual al número de núcleos de procesamiento del GPU (en nuestro
caso 32).
5.2.5. Desarrollo experimental

Las pruebas se realizaron en el sistema mencionado en la sección 3.6.1.
Se llevaron a cabo una serie de experimentos para medir el desempeño de
cada una de las variantes implantadas del algoritmo PSO paralelo, a saber:
1. Variante secuencial. Un PSO que se ejecuta totalmente en el procesador del

anfitrión.
2. Variante Global ev. Ejecuta sólo la función de evaluación en el GPU y el

resto del algoritmo lo ejecuta en el anfitrión.
3. Variante Global ev+up. Un PSO que ejecuta la evaluación de aptitud y la

actualización de la velocidad en el GPU, mientras que el resto del algoritmo
se ejecuta en el anfitrión.
4. Variante Embebida. Es un programa PSO donde se han delegado al GPU la

mayorı́a de los bloques funcionales del algoritmo PSO, dejando al anfitrión
únicamente la inicialización de la población y el despliegue de los resultados.
Tabla 5.3: Comparativo de referencia para tres funciones clásicas
10,000 iteraciones, 256 partı́culas, y 30 dimensiones

Función
F05 F09 F11
Variante PSO óptimo Tiempo óptimo Tiempo óptimo Tiempo
segs. segs. segs.
Secuencial 0.0198489 20.832 2.0894139 28.553 0.0009857 35.934
Global ev 0.0023021 25.125 1.8904221 22.747 0.0663081 22.914
Global ev+up 20.8692016 8.456 4.1788275 6.5 0.01083621 6.663
Embebida 31.7282912 7.568 5.2254372 5.958 0.2614562 6.186
Las funciones que se usaron fueron la F05, F09 y F11, ya que presentan una
complejidad significativa al ser evaluadas [1]. El óptimo para todas las funciones
es de 0.
El primer grupo de experimentos se realizó para medir el desempeño en térmi-
nos de la complejidad de las funciones objetivo. Se fijaron los parámetros en
10,000 iteraciones, 256 partı́culas, y 30 dimensiones. Se realizaron 10 corridas de
las 4 variantes del algoritmo PSO para cada una de las 3 funciones de evalua-
ción, obteniendo el promedio del óptimo encontrado y del tiempo consumido en
segundos. Los resultados se pueden apreciar en la tabla 5.3. A continuación se
realizaron pruebas de desempeño de las implantaciones variando dos parámetros
fundamentales: el número de partı́culas usadas y el número de iteraciones. Se
reportó el error respecto del óptimo, ası́ como el tiempo consumido en segundos
con centésimas de segundos de precisión. Debido a las restricciones de espacio, y
después de observar que la función F11 consume más tiempo de procesamiento
en todos los casos, se optó por elegir a las corridas con F11 para ilustrar los
resultados experimentales de este trabajo.
Para los experimentos donde se varió el número iteraciones se fijaron los si-
guientes parámetros:
Partı́culas = 256
Dimensiones = 60
Función = F11
Criterio de parada = número de iteraciones.
Iteraciones = 10,000, 30,000 y 60,000
mientras que para aquellos experimentos donde se varió del número de partı́cu-
las se fijaron los siguientes parámetros:
Figura 5.1: Comparativo del desempeño de las variantes PSO en función de la

complejidad de la función objetivo
Iteraciones = 10,000
Dimensiones = 60
Función = F11
Criterio de parada = número de iteraciones.
Partı́culas = 64, 256 y 1024
5.2.6. Discusión de resultados

En lo referente al tiempo consumido, experimentalmente se observó que el
desempeño, de la variante Global ev puede llegar a ser peor que el de la variante
secuencial si la complejidad aritmética de la función objetivo es poca, pero a me-
dida que esta complejidad aumenta, el desempeño de la variante Gloval ev mejora
en virtud de un tiempo de sobrecarga acumulado (overhead) proporcionalmente
menor (ver fig 5.1). Los resultados muestran una tendencia que sugiere una mejora
en tiempo, respecto a la ejecución en el anfitrión, para la implantación Global ev
durante la optimización de las funciones F09 y F11. La mejora en tiempo es
más notable para la variante Global ev+up, a pesar de tener resultados pobres
para las funciones F05 y F09. La mayor mejora en tiempo, reducción, la logra
el algoritmo PSO embebido, el cual tiene un tiempo de cálculo de 6 segundos
Figura 5.2: Comparativo del error de las variantes PSO, en función del número
de iteraciones, para la optimización de F11
en promedio, sin embargo también muestra un desempeño pobre en relación con

el algoritmo secuencial para el caso de las funciones F05 y F09. No obstante, la
mejora en tiempo es notable: 35.9 seg. de la variante secuencial contra 6.6 seg.
de la variante embebida.
Variando el número de las iteraciones se pudo obtener una buena aproxi-

mación al óptimo real en todas las implantaciones. Se observó que la implantación
secuencial tiene un error bajo y muy uniforme, si se toma como punto de partida
10000 iteraciones. Por su parte, la variante embebida comienza con un error lige-
ramente mayor al de las demás implantaciones, pero a medida que se incrementa
el número de iteraciones su rendimiento mejora y alcanza la misma precisión
para 30 y 60 mil iteraciones (ver figura 5.2), lo cual logra en tan sólo una fracción
de tiempo consumido por la implantación secuencial, para el mismo número de
iteraciones. De hecho, a 60 mil iteraciones la variante embebida tiene un error
menor que la secuencial en una razón de 5 a 1 (ver cuadro 5.4).
En la figura 5.3 se puede apreciar el incremento exponencial de tiempo con-

sumido por el algoritmo secuencial a medida que se aumenta el número de ite-
raciones. Es clara la mejora adquirida a medida que se aumenta el número de
operaciones matemáticas distribuidas en el GPU. También es interesante señalar
la mejora que se tiene cuando el GPU, además de ejecutar los cálculos de la fun-
Figura 5.3: Comparativo del tiempo consumido por las variantes PSO, en función
del número de iteraciones, para la optimización de F11
Tabla 5.4: Desempeño en función de iteraciones durante la optimización de F11
256 partı́culas, 60 dimensiones

Iteraciones
10,000 30,000 60,000
segs. segs. segs.
Secuencial 0.009865 35.83 0.012321 107.2 0.009857 214.31
Global ev 0.000000 22.82 0.000000 68.2 0.000000 136.3
Global ev+up 0.009876 6.67 0.007396 19.89 0.000000 39.89
Embebida 0.237734 6.08 0.000000 9.81 0.000000 7.66
ción objetivo(variante Global ev), también realiza la actualización de velocidad

y posición (variante Global ev+up). En cuanto a la implantación embebida, es
muy interesante observar que el tiempo consumido es prácticamente el mismo,
independientemente del número de iteraciones.
Por su parte, los resultados obtenidos al variar el número de partı́culas mos-

traron un comportamiento similar (ver figura 5.4): a mayor número de partı́culas
mejor el desempeño de las implantaciones en el GPU (ver Tabla 5.6).
En general, los experimentos mostraron que el desempeño de los algoritmos
Figura 5.4: Comparativo del tiempo consumido por las variantes PSO, en función
del número de partı́culas, para la optimización de F11
Tabla 5.5: Desempeño en función del número de partı́culas durante la opti-

mización de F11
10,000 iteraciones, 60 dimensiones

Partı́culas
64 256 1024
segs. segs. segs.
Secuencial 0.012316 9.1 0.012316 35.78 0.000000 147.50
Global ev 0.007396 7.54 0.0073.96 22.67 0.000000 91.68
Global ev+up 0.007396 4.33 0.009865 6.66 0.000000 20.53
Embebida 0.238114 4.21 0.277701 6.20 0.000000 8.76
implantados adquiere una notable mejorı́a a medida que más cálculos son dis-
tribuidos para su ejecución en el dispositivo GPU, comportamiento que es prácti-
camente uniforme para todas las funciones probadas. Las métricas para el de-
sempeño de las diferentes variantes se resumen en los cuadros 5.6 a 5.9 y sus
gráficas corespondientes (ver fig 5.5 a fig 5.8), las cuales son elocuentes por sı́ mis-
mas.
Resumiendo, de los resultados experimentales podemos destacar, en primer

Tabla 5.6: Ventaja de las variantes PSO paralelas, respecto de la variante secuen-
cial, en función del número de iteraciones
F11, 256 partı́culas, 60 dimensiones
Iteraciones
10,000 30,000 60,000
Variante PSO Ventaja Ventaja Ventaja
Global ev 1.57011394 1.57184751 1.57234043
Global ev+up 5.37181409 5.38964304 5.37252444
Embebida 5.89309211 10.9276249 27.9778068
Tabla 5.7: Ventaja de las variantes PSO paralelas, respecto de la variante secuen-
cial, en función del número de partı́culas
F11, 10,000 iteraciones, 60 dimensiones
Partı́culas
64 256 1024
Variante PSO Ventaja Ventaja Ventaja
Global ev 1.20689655 1.57829731 1.60885689
Global ev+up 2.10161663 5.37237237 7.18460789
Embebida 2.16152019 5.77096774 16.8378995
Tabla 5.8: Eficiencia de las variantes PSO paralelas, respecto de la variante se-
cuencial, en función del número de iteraciones
F11, 256 partı́culas, 60 dimensiones
Iteraciones
10,000 30,000 60,000
Variante PSO Eficiencia Eficiencia Eficiencia
Global ev 0.04906606 0.04912023 0.04913564
Global ev+up 0.16786919 0.16842634 0.16789139
Embebida 0.18415913 0.34148828 0.87430646
Tabla 5.9: Eficiencia de las variantes PSO paralelas, respecto de la variante se-
cuencial, en función del número de partı́culas
F11, 10,000 iteraciones, 60 dimensiones
Partı́culas
64 256 1024
Variante PSO Eficiencia Eficiencia Eficiencia
Global ev 0.03771552 0.04932179 0.05027678
Global ev+up 0.06567552 0.16788664 0.22451901
Embebida 0.06754751 0.18034274 0.52618436
Figura 5.5: Comparativo de la ventaja de las variantes PSO paralelas en función

del número de iteraciones
lugar, el buen desempeño que tiene un GPU en relación al procesador anfitrión.

Por ejemplo, al optimizar la función Griewank’s generalizada (F11, de alto costo
computacional con 60 dimensiones y 60,000 iteraciones y 256 partı́culas), mientras
la variante secuencial encontró el óptimo 0.0 en el transcurso de 214.13 segun-
dos (tiempo que por sı́ solo demuestra la relativa rapidez del algoritmo PSO), la
variante Gloval ev consumió 136.3 segundos y la variante Gloval ev+up consu-
mió 39.89 segundos, una ventaja de 5.37 veces respecto a la variante secuencial.
Finalmente, la variante embebida consumió únicamente 7.66 segundos, es decir
una ventaja de 27.97 veces con respecto a la ejecución secuencial, que se traduce
en una eficiencia de prácticamente 1 (recuérdese que en nuestro caso el GPU se
integra por 32 núcleos).
Nótese como al aumentar el número de partı́culas, o las iteraciones, la efi-

ciencia para las variantes Global ev y Global ev+up se mantiene prácticamente
constante, aunque la métrica de ventaja aumente. Esto se debe a que el tiempo
de sobrecarga acumulado (overhead) también aumenta en proporción directa al
número de partı́culas o bien de iteraciones. En cambio, la variante embebida au-
menta su eficiencia a medida que aumenta el número de las partı́culas o el número
de iteraciones.
Los resultados experimentales también confirman lo siguiente:

Figura 5.6: Comparativo de la ventaja de las variantes PSO paralelas en función

del número de partı́culas
En problemas de optimización n-dimensionales el mayor tiempo de proce-

samiento del algoritmo PSO lo consumen las tareas de actualización (posi-
ción y velocidad), y no la de evaluación de aptitud.
La disminución en el desempeño para las variantes paralelas Gloval ev y

Global ev+up, respecto de la variante embebida, se debe al tiempo de so-
brecarga (overhead) acumulado durante los intercambios de datos entre el
anfitrión y el GPU.
5.2.7. Análisis de resultados

En este trabajo se presentó un estudio empı́rico comparativo sobre el de-
sempeño de tres variantes paralelas del algoritmo de optimización por cúmulo de
partı́culas (PSO) en un GPU con soporte multi-hilos, empleando el más reciente
modelo de programación paralela orientado a hilos. Los resultados mostraron que
el algoritmo es paralelizable y funciona en un esquema de arquitectura de proce-
sadores del tipo de un GPU.
En general, se demostró que un algoritmo paralelo programado simplemente

con base a los hilos de un GPU (i.e. exclusivamente distribuyendo el trabajo en
hilos y sin recurrir a un uso intensivo de las capacidades de paralelización de
operaciones en múltiples datos), por lo menos, puede alcanzar una ventaja pro-
Figura 5.7: Comparativo de la eficiencia de las variantes PSO paralelas en función

del número de iteraciones
porcional al número de núcleos del GPU, con lo cual se tiene el poder de cómputo
de un cluster en una máquina de escritorio. Se intuye que aprovechando todas
las capacidad del GPU para realizar operaciones simultáneamente sobre múlti-
ples elementos de datos, además de la eficiente administración de hilos, es posible
incrementar las métricas de desempeño.
En particular, se demostró que el desempeño total del GPU mejora conforme

aumenta la cantidad de tareas sencillas distribuidas en los hilos del mismo. Esto
es más claro en la implantación embebida donde a medida que aumentamos las
partı́culas, o bien las iteraciones, el desempeño mejora en forma significativa.
5.3. Estudio comparativo de algoritmos de optimización

por cúmulo de partı́culas contra evolución diferencial
implementados en un GPU multihilos
En esta parte se presenta un estudio empı́rico de comparación en implementa-
ciones paralelas de PSO y DE en la arquitectura GPU multihilos. La tendencia
actual en el desarrollo de GPU NVIDIA nos permite confirmar la consolidación
de un nuevo modelo de programación paralela ofrecida a través de la herramienta
de programación CUDA, donde el GPU no sólo incrementa su capacidad original
5.3. ESTUDIO COMPARATIVO DE ALGORITMOS DE OPTIMIZACIÓN POR
CÚMULO DE PARTÍCULAS CONTRA EVOLUCIÓN DIFERENCIAL
IMPLEMENTADOS EN UN GPU MULTIHILOS 77
Figura 5.8: Comparativo de la eficiencia de las variantes PSO paralelas en función

del número de partı́culas
de cálculo paralelo, sino que además tiene un rol preponderante como manejador
multihilos [16].
5.3.1. Algoritmos PSO contra DE

En fechas recientes, los algoritmos PSO y DE son dos algoritmos poblacionales
que han despertado el interés de muchos investigadores. Aunque su estructura
básica es muy similar (ambos poseen bloques de inicialización, evaluación de ap-
titud, comparación y actualización), sin embargo usan diferentes reglas de com-
paración y actualización. En general el algoritmo PSO es una estrategia cola-
borativa que encuentra el óptimo como resultado del movimiento de individuos
que intentan imitar al mejor individuo de un vecindario (local o global). Por otra
parte, en la Evolución Diferencial, los individuos no intentan imitar al mejor in-
dividuo de cualquier vecindario, en su lugar, generan conjuntos de tres o más
individuos con la finalidad de generar un nuevo individuo (usando operadores de
mutación y cruza). Este nuevo individuo intenta mejorar el desempeño del mejor
individuo de la actual población.
Partiendo del teorema de “no hay desayuno gratis” de Wolpert [94], se sabe
que usando un conjunto limitado de funciones de prueba no se garantiza que un
algoritmo con un buen desempeño, no será necesariamente competitivo con un
conjunto diferente de problemas. De hecho, es bien sabido que cada heurı́stica es

competitiva en un conjunto especı́fico de problemas. Este estudio intenta obtener
algunas pistas acerca de qué algoritmos pueden explotar el potencial del GPU
para reducir el tiempo de convergencia y obtener buenos resultados, basado en el
tipo de problema y la dependencia de tiempo de ejecución como una función de
la cantidad de individuos o de la cantidad de iteraciones.
5.3.2. Implementación con programación paralela en el GPU

En el estudio comparativo de PSO, se demostró que una forma conveniente de
paralelización de algoritmos poblacionales, en una arquitectura GPU multihilos,
es una variante de la implementación de difusión. donde existe un procesador
por cada individuo. En nuestra propuesta nosotros generamos un individuo por
hilo, de tal forma que la evaluación y la actualización de un individuo son eje-
cutadas por un único hilo del GPU, mientras que las comparaciones, entre los
individuos, es calculada dentro del GPU después de una necesaria y conveniente
sincronización de hilos. A esta implementación le denominamos Embbeded, ya
que la mayorı́a del los bloques funcionales, con excepción de la inicialización, son
delegadas al GPU, y es la implementación paralela de los algoritmos de PSO y
DE que se usa en este estudio para comparar su desempeño al ejecutarlas en el
GPU.
El algoritmo 1, PSO, y el algoritmo 2, DE, fueron paralelizados como una

estrategia de programación que consiste en la creación de un hilo por cada indi-
viduo. La regla que se siguió, fué reemplazar todos los ciclos secuenciales donde
las iteraciones se encontraban en términos del número de individuos por medio
de una llamada multihilo a la función kernel. De esta forma, mientras que en
los ciclos de un código secuencial, cada ciclo de iteración es independiente de los
otros, dentro del GPU todas las iteraciones intentan ser ejecutadas en forma con-
currente al mismo tiempo. La herramienta de programación CUDA nos permite
realizar una migración de los ciclos en kernels paralelos, transformando a cada
iteración de ciclo en un hilo independiente [65]. Los programas CUDA ejecutan
kernels paralelos con la siguiente sintaxis, la cual ya se habı́a explicado:
kernel <<< dimGrid, dimBlock >>> (listadeparámetros); (5.7)
donde:
dimGrid y dimBlock son parámetros especializados que especifican las dimen-
siones del la malla de procesamiento paralelo, en bloques, y las dimensiones de
los bloques en hilos, respectivamente.
La estructura general de un algoritmo PSO y un algoritmo DE se puede
conjuntar en los siguientes bloques funcionales:
Inicialización de la población. Inicia los individuos de la población con va-
lores aleatorios.
Evaluación de la función de aptitud.
Comparación. Determina si un individuo tiene mejor aptitud que que el

mejor registrado.
Actualización. Cada individuo actualiza su posición siguiendo las reglas

especı́ficas del algoritmo.
Para ilustrar la paralelización del código, los bloques funcionales del código se-
cuencial han sido reorganizados, resaltando los ciclos que están en términos del
número de individuos. La idea principal es crear un hilo por cada individuo.
En la implementación secuencial, todos los bloques funcionales son ejecutados
en el procesador anfitrión. En contraste, en nuestra implementación paralela, a
la que llamamos empotrada (embedded), únicamente el módulo de inicialización
se encuentra en el anfitrión, ya que existen llamadas a kernel asociadas con la
evaluación, la comparación y la actualización, todas ejecutándose en el GPU
hasta que se alcance una condición de finalización. De forma especı́fica, nuestra
implementación embebida y su correspondiente módulo de inicialización, la ini-
cialización de las semillas (una por hilo, usadas para la generación de los números
aleatorios) es llevada a cabo en el anfitrión y permanece fuera del GPU. La condi-
ción anterior, garantiza que la generación de números aleatorios sea diferente,
dentro del GPU, para cada hilo de procesamiento.
Es conveniente destacar algunas consideraciones prácticas a tomar en cuenta

para obtener una implementación funcional en la paralelización de algoritmos
poblacionales en multihilos:
Tiempo de sobrecarga(Overhead)
Sincronización (Synchronization)
Contención (Contention)
Generación de números aleatorios (Random numbers generation)
5.3.3. Experimentos y resultados
Los experimentos se llevaron a cabo en el sistema de la sección 3.6.1.

Procedimiento experimental
El objetivo fue evaluar el desempeño de nuestras implementaciones parale-

las para PSO y DE, comparando una respecto a la otra. La dependencia del
desempeño fue medida para un conjunto de funciones de prueba bien conoci-
das [20], en función del número de individuos y del número de iteraciones. Se
seleccionaron 4 funciones multimodales, ya que ellas presentan una significativa
complejidad de optimización. Siendo F01 y F03 funciones separables, mientras
que F02 es no separable, entendiéndose como funciones separables aquellas que
pueden ser escritas como combinaciones lineales de funciones de variables indi-
viduales:
F01- Función Rosenbrock generalizada:

n−1
X
f1 (~x) = [100(xi+1 − x2i )2 + (xi − 1)2 ] (5.8)
i=1
−30 < xi < 30
min(f1 ) = f5 (1, . . . , 1) = 0
F02- Función Rastrigin generalizada:

n−1
X
f2 (~x) = [x2i − 10cos(2πxi ) + 10] (5.9)
i=1
−5,12 < xi < 5,12
min(f2 ) = f9 (0, . . . , 0) = 0
F03- Función Griewank generalizada:

n n
1 X 2 Y xi
f3 (~x) = xi − cos( √ ) + 1 (5.10)
4000 i
i=1 i=1
−600 < xi < 600
min(f3 ) = f11 (0, . . . , 0) = 0
Los experimentos se llevaron a cabo para medir el desempeño de cada una de

las implementaciones paralelas:
Experimento 1. Para las implementaciones paralelas de PSO y DE, la medi-

ción del desempeño en términos de número de iteraciones. El número de
iteraciones se hizo variable (1000 a 31000, en incrementos de 2000), los
siguientes parámetros se fijaron:
• Individuos = 128
• Dimensiones = 30
• Criterio de parada = número de iteraciones
Experimento 2. Para implementaciones paralelas de PSO y DE, mediciones

de desempeño en términos de número de individuos. Mientras que el número
de individuos se hizo variable (64, 128 hasta 1024, en incrementos de 128
individuos). Observese que en este experimento, el número de individuos
se incrementó en pasos que son múltiplos de 64, los cuales son resultado
de que en nuestras implementaciones paralelas, se creó al menos un hilo de
procesamiento por individuo, y también debido a que NVIDIA recomienda
la construcción de bloques de hilos con un tamaño que sea múltiplo de
64, para lograr explotar de forma adecuada los recursos del GPU [16], los
siguientes parámetros se fijaron:
• Iteraciones = 15000
• Dimensiones = 30
• Criterio de parada = número de iteraciones.
El algoritmo 1, PSO, fue implementado en la versión local (p.e. cada partı́cula

tiene un vecindario local y conoce cuál es la partı́cula con el mejor global) y cuál
es la mejor partı́cula del vecindario (la mejor local) los siguientes valores fueron
fijados para todas las funciones probadas:
c1 =1
c2 =1
vmax =1
vmin = −1
Para PSO, el vecindario que se definió para cada partı́cula fue de 20 vecinos
seleccionados de forma aleatoria, el valor es la norma en los esquemas de vecin-
darios en los algoritmos PSO.
El algoritmo 2, DE, se implementó en su variante rand/1/bin. El parámetro F

se estableció a 0.6 para todas las funciones probadas, mientras que el parámetro
CR se estableció a un a valor dependiente de la función a analizar, tal y como lo
recomienda Mezura [20]: 0.9 para F01 y F03 (las cuales son funciones no sepa-
rables), y 0.0 para F02 (función separable). Estos valores tambien son la norma
para esta implantación de DE, y propician un comportamiento muy parecido en-
tre DE y PSO.
Cada experimento se ejecutó 30 veces para cada función de prueba. Ası́ se

encontró el óptimo promedio, su desviación estándar y el tiempo promedio con-
sumido en segundos, valores que se reportan en la sección de resultados.
5.3.4. Métricas de desempeño para procesamiento paralelo

Para poder evaluar, graficar y comparar el desempeño de nuestras imple-
mentaciones paralelas, se definieron las siguientes métricas:
Costo computacional
Aceleramiento.
El costo computacional C se define como el tiempo de procesamiento (en segun-

dos) que un algoritmo dado consume. La cantidad de trabajo que puede realizar
la definimos como rapidez (throughput) V se define como el inverso del costo
computacional.
Definimos la rapidez, V , como el inverso del costo computacional:
1
V = (5.11)
C
La ventaja (speedup) es la tasa que resulta de dividir la rapidez de la variante
de interés entre la rapidez de la variante de referencia (por ejemplo, la variante
secuencial).
Vobj
S= (5.12)
Vref
Finalmente, pero no menos importante, definimos a la eficiencia paralela, E, como
la tasa que resulta de dividir la ventaja obtenida entre el número de unidades de
procesamiento:
S
E= (5.13)
n
donde n es igual al número de núcleos de procesamiento del GPU (en nuestro
caso 32).
5.3.5. Discusión de resultados

Debido a que el objetivo es comparar el desempeño de PSO y DE en sus im-
plementaciones paralelas, ejecutándose en una arquitectura multihilos, GPU, con
un conjunto seleccionado de funciones de prueba de algoritmos bioinspirados, se
presentan a continuación los resultados para ambos algoritmos en la misma tabla
y sus respectivas gráficas.
Debido a que es bien sabido que la calidad de convergencia en un algorit-

mo poblacional dado, durante el proceso de optimización, tı́picamente es muy
sensible a sus parámetros especı́ficos (p. e. vmax , vmin , wmax , wmin , c1 , c2 , y el
tamaño del vecindario para PSO, o CR y F para DE) y también es dependiente
del problema mismo (p.e. la función objetivo), determinar que algoritmo tiene
mejor convergencia para cada tipo de problema está fuera de los alcances de
este trabajo. Sin importar que algoritmo tiene mejor convergencia, estamos más
interesados en determinar el efecto de la variación del número de individuos e
iteraciones en el costo promedio (p.e. tiempo consumido) y en la forma gener-
al de la curva de convergencia. Todas las funciones tienen un valor óptimo de cero.
5.3.6. Resultados del experimento 1

En esta sección se presentan las mediciones de desempeño para las imple-
mentaciones paralelas de PSO y DE, en términos de iteraciones variables.
Figura 5.9: Convergencia para optimización en la función F01, con un número

fijo de 128 individuos y con iteraciones variables
Como se puede apreciar, figuras 5.9, 5.10 y 5.11, el efecto de la variación del
número de iteraciones, con un conjunto fijo de parámetros de 128 individuos y F
= 0.6 para todas las funciones, y cambiando el parámetro CR dependiendo si son
funciones separables o no separables. El algoritmo DE converge a un buen valor en
las primeras 1000 a 5000 iteraciones. Incrementando el número de iteraciones no
muestra una mejora significativa. Asimismo, para este conjunto de experimentos,
DE tiene un mejor desempeño que PSO desde el inicio hasta el fin en todas las
funciones, excepto en la función F01 (Rosenbrock genralizada) figura 5.9, donde

al inicio (iteración 1000) PSO tiene un mejor desempeño que DE, pero en la
iteración 3000 y de ahı́ en adelante, hasta las 23,000 iteraciones, DE es mucho
mejor que PSO.
En cuanto al tiempo consumido (costo), pudimos observar que al aumen-

tar las iteraciones da como resultado en un crecimiento aproximadamente lineal
para PSO y DE, y ninguno se muestra mejor que el otro, presentando resultados
mixtos, por una parte en las funciones F02 y F03, PSO tiene un desempeño li-
geramente mejor que DE, figuras 5.13 y 5.14. Por otra parte, en la función F01,
DE mostró un desempeño ligeramente mejor que PSO, figura 5.12. Esto resul-
ta en una aceleración diferente para cada función: primero la función F01 tiene
una aceleración decreciente de 1.5 a 0.9. La función F02 se observa un factor
de aceleración de 1.25 en todas las iteraciones. Finalmente en F03 se tiene una
aceleración promedio de 1.24.
5.3.7. Resultados del experimento 2
En esta sección se presentan las mediciones de desempeño para las imple-

mentaciones paralelas de PSO y DE, en términos de iteraciones e individuos.
Respecto a la dependencia de desempeño debido al número de individuos, los
resultados experimentales se presentan en las Tablas 1 a la 4 y se grafican en las

figuras 3 a la 10. De forma similar, los resultados mostrados en las tablas 5 a la

8, se grafican en las figuras 11 a la 18, y corresponden al desempeño dependiente
del número de iteraciones.
En cuanto al efecto de modificar el número de individuos, es destacable que
para todas las funciones probadas, con los parámetros especificados, el algoritmo
DE converge a un buen valor con sólo 256 individuos. El incremento de individuos
con un valor superior a 256 no produce una mejora significativa para el algorit-
mo DE. Sin embargo el comportamiento general de DE es asintótico respecto al
valor óptimo en el rango ilustrado aquı́, se ha afirmado que el desempeño de DE
puede disminuir si el número de individuos es lo suficientemente grande, [20].
En nuestro caso particular, confirmamos que este comportamiento previsto es
evidente con mas de 4096 individuos. La variación de los individuos dentro del
rango especificado, nos permitió observar que el comportamiento PSO es menos
regular que el de DE. De hecho, para el caso especı́fico de la función F01 (Rosen-
brock Generalizada), la convergencia PSO no mejora, pero sin embargo empeora
a medida que el número de individuos se incrementa.
Respecto al tiempo consumido (costo), se pudo observar que incrementando

el número de individuos resulta en un crecimiento aproximadamente lineal del
tiempo consumido, tanto para PSO como para DE. Aparentemente, dentro del
rango gráficado, ningún algoritmo muestra una clara ventaja, lo cual se traduce
en una aceleración, de PSO, de aproximadamente 1, respecto a DE. Sin embargo,
Figura 5.12: Costo en la función F01, con un número fijo de 128 individuos y con
iteraciones variables
con un número suficientemente grande de individuos aparece un espacio significa-

tivo, medible en segundos, lo cual resulta en una pequeña pero evidente ventaja
para uno de los dos algoritmos, dependiente de la función objetivo. Por ejemplo,
con 15,000 iteraciones y 8192 individuos, la optimización de la función F01 con
PSO consume 175 segundos respecto a los 197 que le toma a DE. Por otra parte,
la optimización de la función F02 le toma 168 segundos a PSO mientras que a
DE consume 141 segundos. En el primer caso resulta que PSO tiene una ventaja
de aceleramiento de 1.2 con respecto a DE. En el segundo caso resulta que DE
tiene una ventaja de aceleración de 1.19 con respecto a PSO.
5.3.8. Análisis de resultados

Los resultados experimentales demostraron que el algoritmo paralelo de DE
tiene un mejor comportamiento optimizando el conjunto de nuestras funciones
de prueba, con una dimensionalidad significativa de 30. Es destacable que DE,
usando valores apropiados para los parámetros CR y F que dependen del pro-
blema, pueda ser capaz de converger a un óptimo global con tan poco como 64
individuos y 3000 iteraciones, recordando que la dimensionalidad del problema
es de 30.
Los resultados experimentales mostraron que con el uso de estas herramientas,

CUDA y GPU, es posible tener variantes paralelas para algoritmos poblacionales
con una significativa mejora en el desempeño, por medio de una programación

paralela simple y directa.
En términos generales, el conjunto de experimentos realizados demostró que

una programación paralela basada únicamente en las caracterı́sticas multihilos
del GPU, cuando menos resulta en una aceleración proporcional al número de
núcleos del GPU, obteniendo el poder computacional de un cluster en una com-
putadora personal convencional, esto es parte de la naturaleza de los algoritmos
probados, que son de carácter poblacional y con elementos individuales factibles
de ser programados en la arquitectura del GPU debido a sus caracterı́sticas in-
herentes como son necesidades reducidas de memoria y un conjunto de funciones
iguales pero con diferentes datos. Además, se demostró que el desempeño total
del GPU mejora cuando se aumenta la cantidad de tareas simples distribuidas
en hilos del GPU. Este comportamiento puede ser apreciado en el desempeño
de todas las variantes paralelas probadas, pero es más evidente en la variante
incrustada (embbeded), donde el desempeño mejoró significativamente.
5.4. Implementación de la metodologı́a propuesta en ar-

quitectura paralela multihilos
En esta sección se presentan las consideraciones de implantación, ası́ como los
resultados obtenidos, durante la paralelización de la metodologı́a de extracción
de parámetros ópticos empleando el enfoque de programación de GPU basado
en el empleo de múltiples hilos. En esta parte se usa el mismo sistema definido
en la sección 3.6.1, el cual cuenta con capacidad para administrar múltiples hi-
los concurrentes, además de la tradicional paralelización de operaciones, bajo el
concepto SIMT (instrucción simple múltiples hilos) [65].
La estrategia de programación paralela para la implantación de la metodologı́a

consistió, al igual que en las implantaciones de los experimentos anteriores, en
crear un hilo por cada individuo, a fin de poder distribuir las tareas del algoritmo
de Evolución Diferencial a cada uno de ellos. La táctica para generar la versión
paralela del código consistió en remplazar todo lazo que estuviera en términos del
número de individuos por una llamada a un kernel multi-hilo. Adicionalmente,
se implantó el algoritmo de Extracción Secuencial como referencia.
Finalmente, la versión de Extracción de Parámetros incrustada, el único

bloque correspondiente al algoritmo bioinspirado que queda en poder del proce-
sador central es el de inicialización de la población, ya que se llama a una función
5.4. IMPLEMENTACIÓN DE LA METODOLOGÍA PROPUESTA EN
ARQUITECTURA PARALELA MULTIHILOS 89

fijo de 2000 iteraciones y con número de individuos variable
kernel, Extracción de Parámetros, que ejecuta las tareas asociadas con la evalua-
ción, la comparación y la imitación, hasta cumplir con el criterio de parada.
Cabe recordar algunas consideraciones prácticas que deben tomarse en cuenta

para lograr una implantación funcional de un algoritmo PSO o de ED paralelo en
un GPU, primeramente la implantación debe considerar tres tipos de funciones:
Anfitrión - las que se ejecutan en el anfitrión
Globales - las que se llaman desde el anfitrión pero son ejecutadas en el

GPU
Dispositivo - las que se ejecutan en el dispositivo
La ejecución de la extracción de parámetros en el GPU se lleva a cabo en

cuatro partes:
Inicialización en el anfitrión - Se da un inicio general a todas las variables

locales, globales y de dispositivo, se inicia una arreglo con números aleato-
rios que se pasarán al GPU, también se lee la imagen de referencia y se pasan
estos datos a matrices del dispositivo mediante la función CudaMemcpy.
Llamada de la función Kernel Extracción de Parámetros - Se envı́an a la

función de kernel el número de hilos a generar ası́ como el número de bloques
que éstos requieren.

Ejecución de la función Extracción de Parámetros - Se calcula, mediante

el algoritmo de cálculo de aptitud, la aptitud de cada individuo tomando
como valores el vector de solución del individuo, esta información se le pasa
como parámetros a un trazador de rayos, el cual genera una imagen, esta
imagen se compara con la imagen de referencia y basado en el resultado se
asigna la aptitud al individuo, ası́ con cada individuo de toda la población
y hasta alcanzar el criterio de parada durante n generaciones.
Despliegue de resultados en el anfitrión - Una vez que concluye la función

Extracción de Parámetros, la información que obtuvo de los mejores indivi-
duos de cada generación es guardada en una matriz, dicha matriz se envı́a
al anfitrión. El anfitrión lee los datos de la matriz y genera las imágenes co-
rrespondientes a cada mejor individuo de las generaciones reportadas, para
visualizar la información.
Como es bien sabido, la parte que más tiempo de cálculo consume en las
heurı́sticas bioinspiradas es la prueba de la función objetivo, y en este caso no
es la excepción. La metodologı́a propuesta usa un algoritmo de traza de rayos
para generar una imagen de prueba que se compara con la imagen de referen-
cia, el resultado se almacena como la aptitud de cada individuo de Evolución
Diferencial. Debido a lo anterior el número de individuos, ası́ como el número de
generaciones, determina la cantidad de llamados a la función objetivo. En este
caso se realizaron pruebas con 60 individuos y con con un numero inicial de 150
5.4. IMPLEMENTACIÓN DE LA METODOLOGÍA PROPUESTA EN
ARQUITECTURA PARALELA MULTIHILOS 91

generaciones y un numero final de 1050, ver tabla 6.4.
Tabla 5.10: Porcentaje de tiempo de ejecución

Desviación
Generaciones % tiempo de heurı́stica % tiempo de traza de rayos
150 10.1 89.9
250 14.3 85.2
350 17.2 82.8
450 17.9 82.1
550 19.3 80.7
650 19.5 80.5
750 20.7 79.3
850 22.8 77.2
950 22.3 77.7
1050 21.8 78.2
Las pruebas de desempeño indican que el tiempo consumido por la traza de

rayos es lo que mas tiempo le toma al algoritmo, es lógico debido a que es la
parte de cálculo mas intensivo de la metodologı́a, asimismo se observa una ligera
disminución en el porcentaje del tiempo usado por la traza de rayos a medida
que aumenta el número de generaciones, aunque este se estabiliza cuando se pasa
de 1000. Una vez implantado el algoritmo en el GPU se pasa a la parte de las

pruebas de ejecución del capı́tulo siguiente.
Capı́tulo 6
Presentación y discusión de
resultados
6.1. Introducción
El presente capı́tulo reporta las pruebas y los resultados obtenidos con dife-
rentes imágenes objetivo, se destacan la obtención de la posición de la fuente de
iluminación ası́ como su intensidad. Asimismo, se obtiene un color aproximado
de los objetos en el escenario y sus caracterı́sticas de material, como dureza y
rugosidad.
6.2. Experimento 1
Se tiene un escenario sencillo con un plano que representa el piso, una esfera de
diferente material y una fuente de iluminación, se capturan 7 imágenes objetivo
de diferentes colores y materiales, figura 6.1.
Como ya se mencionó, el vector de variables de cada individuo tiene una
correspondencia con la fuente de iluminación del escenario, de forma tal que las
primeras tres variables de cada individuo corresponden a la posición X, Y y Z
de la fuente de luz (posL ), y la cuarta variable corresponde a la intensidad de
la fuente (P otenciaL ), las siguientes variables corresponden a los valores HSV
de la esfera (esf ), el siguiente valor corresponde al parámetro brillo (dureza) y
el último a la chispa (rugosidad) y posteriormente los mismos valores del plano
(pla), de forma tal que el vector X de cada individuo de evolución diferencial
está de la siguiente forma:
93
94 CAPÍTULO 6. PRESENTACIÓN Y DISCUSIÓN DE RESULTADOS
Figura 6.1: Imágenes de referencia para los experimentos
[XposL , Y posL , ZposL , P otenciaL , Hesf , Sesf , Vesf , BResf , Cesf ,

Hpla , Spla , Vpla , BRpla , Cesf ] (6.1)
El algoritmo de evolución diferencial es multiobjetivo, para minimizar tres

funciones, la diferencia de las componentes de rojo, verde y azul de la imagen ob-
jetivo y la generada por traza de rayos. Donde cada componente es un objetivo
a minimizar. Se tiene una dominancia suave, con una dominancia de dos o tres
elementos.
Se han realizado 10 corridas del algoritmo, por cada objeto, con un criterio de
parada de 100 iteraciones para encontrar la posición de la fuente de iluminación
y su intensidad, a continuación se realizan 200 generaciones para el cálculo de
los componentes del objeto (color HSV, brillo y chispa) y finalmente se realiza
la etapa de optimización de color con 20 valores de prueba para H, S y V. El
algoritmo de Evolución Diferencial se ejecuta con 60 individuos. Con una variable
CR de 0.8 y F de 0.6. A continuación se muestran los resultados de una corrida
para una esfera de color, se pueden observar claramente las tres etapas de la
metodologı́a, figura 6.2.
De la imagen PAS00001 a la imagen PAS00091 es la etapa donde se opti-

mizan los parámetros de la fuente de iluminación
6.2. EXPERIMENTO 1 95

cada 10 generaciones, se puede apreciar el número de cada generación, después
de las letras PAS
De la imagen PAS00101 a la imagen PAS00291 es la optimización de los

parámetros de los objetos, color HSV, Brillo y Chispa
De la imagen PAS00301 a la PAS00421, es la optimización del color
El promedio de las 10 corridas para la esfera roja entrega la información de

la posición de la fuente de iluminación, considerando que el valor entregado se
multiplica por 100 y al resultado se le restan 50, para tener un rango de posición
de la fuente de luz de ±500 unidades de distancia para X, Y y Z. Sabiendo que
la distancia de la fuente de luz en el escenario real es de:
X = 10mm
Y = 80mm
Z = -35mm
Los valores entregados por el algoritmo son:
X = 0.521
Y = -0.02
Z = 0.73
Transformados en unidades de distancia del mundo virtual son:

X = 50 - (0.521 * 100) = -2.1
Y = 50 - (-0.02 * 100) = 54.1
Z = 50 - (0.73 * 100) = -23.0
Los datos no son iguales a los del mundo real pero están con una aproximación
razonable. La búsqueda de la posición de la fuente de iluminacion se muestra en
la figura 6.3.
Figura 6.3: Búsqueda de los parámetros de la Intensidad de la fuente de ilumi-

nación
La intensidad de la fuente de iluminación también determina la diferencia

de una imagen con respecto a la otra, y a medida que pasan las iteraciones el
algoritmo encuentra un valor bueno para la intensidad de la fuente de iluminación,
figura 6.4.
Para la determinación de los componentes HSV de color de la esfera se ejecu-
tan 200 generaciones, y a lo largo de las 200 se está intentando encontrar buenos
valores para el color de la esfera, sin embargo en la generación 300, entra la parte
de optimización directa, sin algoritmo poblacional, y al final se encuentra un valor
ligeramente mejor que el encontrado por la Evolución Diferencial, figura 6.5. Es
posible apreciar que en las primeras generaciones se tiene una propuesta de color
de la esfera roja es un color bueno, pero a medida que avanzan las generaciones
se va depurando el color, sobre todo por individuos que prueban componentes
HSV distintos, sobre todo en el componente H y en el S.
Asimismo se está probando con diferentes valores de brillo y chispa en el
material de la esfera, figura 6.2. Esto se puede apreciar en la forma, definición
Figura 6.4: Aptitud de cada una de las componentes, a medida que disminuye el
valor en la gráfica, disminuye la diferencia entre la imagen generada y la imagen
objetivo
y tamaño de la reflexión especular de una generación respecto a otra, lo cual se

representa en la figura 6.6.
Se realizaron experimentos con las 7 esferas que se muestran en la figura 6.1.
En cada uno de los experimentos se tuvo un desempeño similar al de la esfera roja,
siendo el objeto más difı́cil de optimizar la esfera blanca, y la esfera verde y la
azul las que tuvieron una convergencia mayor, es decir, las que en más ocasiones
de las 10 corridas llegaron a propuestas muy similares entre cada corrida.
6.2.1. Evaluación de resultados

Para evaluar la similitud de una imagen con respecto a otra se usa la misma
función de aptitud que se desarrolló para Evolución Diferencial:
F01- Función de evaluación para asignar aptitud, considerando todos los pı́xeles
de la imagen:
i=n
X
i=0
Donde:
n = Xmax * Y max

Figura 6.5: Búsqueda y estabilización de valores buenos para el color de la esfera
RGBT razai = Valor de cada componente del pı́xel i de la imagen generada

Esta función se incluyó en un programa que abre la imagen de referencia (imagen

objetivo) y la imagen generada por el trazador de rayos con los parámetros finales
del mejor individuo, en la tabla 6.1, se presentan los resultados de los mejores
individuos para cada esfera:
Tabla 6.1: Desviación de cada uno de los mejores individuos con respecto a su
imagen objetivo
Desviación
Esfera %R %G %B Promedio
Roja 6.2560 5.2532 5.2027 5.5706
Verde 6.9311 6.1894 4.3935 5.8380
Azul 10.8471 9.5256 7.4329 9.2685
Amarilla 7.2940 6.9565 10.1744 8.1416
Blanca 12.6140 10.5589 6.2914 9.8214
Naranja 8.7913 7.2358 15.9613 10.6628
Metal 7.7390 6.4553 4.4356 6.2100
Los resultados del algoritmo se compararon contra otros métodos que obtienen
parámetros de renderizado y los implantan en objetos virtuales, la comparativa
se realizó obteniendo las imágenes de los artı́culos de cada método, ya que no
Figura 6.6: Evolución de los parámetros de brillo y chispa, para el material de la

esfera roja
fue posible implementar los métodos que los autores proponen, debido a que se
requiere equipo especial que ellos diseñaron y con el cual realizaron su proceso
de extracción de parámetros, es probable que el desempeño sea diferente si se
obtienen imágenes de referencia y generadas directamente de los autores. Los
resultados se presentan en la tabla 6.6 Cabe aclarar que en el caso de los
Tabla 6.2: Comparación de la desviación de los diferentes métodos

Desviación
Metodo %R %G %B Promedio
Wai Kit Addy 1 8.92 9.55 8.54 8.97
Wai Kit Addy 2 12.41 9.67 8.58 10.22
Ward 3.30 3.48 3.14 3.30
Ward-Durn 2.20 2.32 2.25 2.25
Nuestro Mejor 6.2560 5.2532 5.2027 5.5706
Nuestro Peor 8.7913 7.2358 15.9613 10.6628
modelos de Wai Kit Adi, no se tiene una imagen del modelo real y del modelo
virtual que ajusten en tamaño y forma, ası́ que se tomaron imágenes lo mas
parecidas posible. En el caso de los modelos Ward, no se tenı́a una imagen del
modelo real ası́ que se comparó contra la referencia que los autores presentan,
la cual también es un modelo virtual y por lo tanto la diferencia entre ambas
imágenes es menor.
6.3. Experimento 2
Como un segundo conjunto de experimentos se compara la eficiencia de ex-
tracción de parámetros de la metodologı́a respecto a la eficiencia de una persona
con conocimientos de renderizado y de modelado de objetos.
Figura 6.7: Imagen de referencia para los ajustes a mano
El objetivo es que el sujeto de prueba intente igualar la imagen objetivo (esfera

amarilla adquirida con cámara digital), partiendo del hecho de que ya se tiene un
escenario virtual listo y ajustado a las proporciones del escenario real, el sujeto
tiene que ajustar los parámetros de la posición de la fuente de iluminación, su
intensidad, ası́ como las componentes de color de la esfera y del piso. El objetivo
es la esfera amarilla, figura 6.7.
Figura 6.8: Imagen obtenida por aproximación manual
La mejor imagen generada por la persona con el método semiautomático,

figura 6.8, obtiene un color semejante al color del suelo y de la esfera, sin embargo
no es mejor que el obtenido por la metodologı́a, figura 6.9.
Figura 6.9: Imagen obtenida por uso de la metodologı́a
La tabla de resultados de cada uno de los experimentos muestra que el sujeto

se aproxima gradualmente a un buen resultado, y le toma un tiempo de 1 hora
con 57 minutos, ver tabla 6.3.
Tabla 6.3: Tabla parcial de experimentos para obtención de parámetros por méto-
do semiautomático
Diferencia de imagen objetivo vs imagen aproximada por método semiautomático

Experimento %R %G %B Promedio
1 29.11 17.08 16.9 21.03
5 29.95 15.57 13.03 19.51
10 28.30 15.35 12.79 18.81
15 27.53 15.38 11.62 18.17
20 26.91 15.38 11.68 17.99
25 26.31 15.65 12.07 18.0
30 26.21 15.68 11.74 17.87
35 22.4 13.76 11.75 15.96
40 21.17 13.96 12.14 15.75
45 21.5 13.94 12.32 15.92
50 20.5 13.87 12.06 15.47
La curva de porcentaje de diferencia por componente RGB, figura 6.10, mues-

tra una aproximación gradual para cada una de las componentes, mientras que
la figura 6.11 muestra una mejora gradual total hasta un porcentaje de 15.47 de
aproximación de la imagen generada por método semiautomático. Sin embargo la
aproximación obtenida por la metodologı́a propuesta, en este conjunto de expe-
rimentos, es de un porcentaje con diferencia de 13.3 %, la metodologı́a lo obtiene
en 32 minutos usando una programación secuencial, si se usa la implantación en
la arquitectura del GPU se tiene una velocidad de 4.2 minutos.
La tabla 6.4, muestra que aunque la aproximación por método semiau-

tomático se acerca a un buen resultado, la metodologı́a obtiene mejores resul-
tados en un tiempo menor. Asimismo muestra que el modelo de iluminación es
una limitante para una mejor aproximación, tanto para una persona como para
la metodologı́a.
Tabla 6.4: Comparación resultados

Desviación
Método %R %G %B Promedio Tiempo (mins)
Manual 20.5 13.87 12.06 15.47 117.0
Metodologı́a secuencial 15.77 12.60 11.80 13.34 32.0
Metodologı́a GPU 15.77 12.60 11.80 13.34 4.2
Figura 6.10: Imagen de referencia para los ajustes a mano

Es probable que una persona pueda, gradualmente, tener mejores tiempos
para la obtención de los parámetros, sin embargo se debe considerar que el GPU
usado tiene 32 núcleos y actualmente se venden en el mercado tarjetas con 240
y 480 núcleos a un precio accesible, esto significa una mejora significativa en el
tiempo que la metodologı́a puede obtener los parámetros. Asimismo, significa que
una persona no tiene que estar en una tarea repetitiva y tediosa como lo es la
obtención de dichos parámetros para el modelado de sus objetos y escenarios, y
puede usar este tiempo para generar mejores modelos o mejores animaciones.
6.4. Experimento 3
El desempeño de nuestro método es altamente dependiente del modelo de
iluminación usado, se programaron tres modelos de iluminación básicos y el de-
sempeño del tercero es superior al primero y segundo, debido a que considera
un mayor número de factores, como son la brillantez y la chispa del material,
asimismo el cálculo del color del pixel resultante es de mayor exactitud a los dos
anteriores. Es de suponer que al usar un modelo de iluminación más complejo, el
desempeño también mejore. Para demostrar lo anterior se propone otro conjunto
de experimentos en el cual la imagen objetivo no es adquirida por una cámara
digital, en su lugar la imagen objetivo se genera usando los mismos escenarios
con el modelo de iluminación más completo. Y verificar el nivel de aproximación
Figura 6.11: Gráfica de diferencia de los componentes de color de la imagen ge-

nerada por el usuario, respecto a la imagen de referencia.
que logra la metodologı́a.

Se diseñó un escenario virtual con un plano que representa el piso, una es-
fera de diferente material y una fuente de iluminación, se generaron 6 imágenes
objetivo de diferentes colores y materiales, figura 6.12.
Figura 6.12: Imágenes de referencia para los experimentos
Al igual que en el experimento anterior, en el vector de variables de cada indi-

viduo las 4 primeras tienen una correspondencia con la fuente de iluminación del
escenario, las 3 variables siguientes corresponden a los valores HSV de la esfera
(esf ), el siguiente valor corresponde al parámetro brillo (dureza) y el último a la
chispa (rugosidad) y posteriormente los mismos valores del plano (pla), de forma
tal que el vector X de cada individuo de evolución diferencial está conformado
de la siguiente forma:
[XposL , Y posL , ZposL , P otenL , Hesf , Sesf , Vesf , BResf , Cesf ,

Hpla , Spla , Vpla , BRpla , Cesf ] (6.3)
A diferencia del experimento anterior, en este experimento si se conocen con

exactitud los parámetros que se están buscando, se tiene la posición exacta de la
fuente de iluminación, ası́ como su intensidad para cada escenario, lo mismo para
cada uno de los parámetros de los objetos que en el hay, en este caso la esfera y
el plano.
Se han realizado 10 corridas del algoritmo, por cada objeto, con un criterio de
parada de 50 iteraciones para encontrar la posición de la fuente de iluminación y
su intensidad, a continuación se realizan 200 generaciones para el cálculo de los
componentes del objeto (color HSV, brillo y chispa). El algoritmo de Evolución
Diferencial se ejecuta con 60 individuos. Con una variable CR de 0.8 y F de 0.6.
A continuación se muestran los resultados de una corrida para una esfera de color
Amarillo, figura 6.13.
Se pueden observar claramente las etapas de la metodologı́a, figura 6.13:
De la imagen PAS00001 a la imagen PAS00051 es la etapa donde se opti-

mizan los parámetros de la fuente de iluminación
De la imagen PAS0052 a la imagen PAS00251 es la optimización de los

parámetros de los objetos, color HSV, Brillo y Chispa
El promedio de las 10 corridas para la esfera Verde entrega la información de

la posición de la fuente de iluminación. Sabiendo que la posición de la fuente de
iluminación en el escenario generado manualmente es de:
X = 0.430
Y = 0.173
Z = 0.731
Intensidad = 300
Los valores entregados por el algoritmo son:


cada 10 generaciones, se puede apreciar el número de cada generación, después
de las letras PAS
X = 0.489
Y = 0.966
Z = 0.936
Intensidad = 600
Los parámetros estimados de la fuente de iluminación no son iguales a los del

escenario objetivo, sin embargo si requieren una revisión de cada uno de ellos ya
que generan una iluminación, sombra y reflexión especular similar al objetivo.
Posición X. Tiene una diferencia de 59 unidades respecto al objetivo, sin

embargo esto no es notable en la figura renderizada.
Posición Y. Aquı́ la diferencia es de 793, es una altura muy diferente a

la original, sin embargo el nivel de iluminación es el mismo en la imagen
debido a que el proceso de optimización calculó una fuente de iluminación
de casi el doble de potencia que la original.
Posición Z. Tiene una diferencia de 205 unidades con respecto al objetivo

y esto se puede apreciar en la sombra de la esfera, ası́ como en la reflexión
especular, sin embargo la diferencia en el nivel de iluminación de la imagen
es mı́nimo.
Intensidad de la fuente. Es el doble de la fuente objetivo, esto es debido a la

distancia que el algoritmo propuso como origen de la fuente de iluminación,
por lo cual lo compensa con una intensidad de iluminación del doble.
La búsqueda de la posición de la fuente de iluminación se muestra en la figura

6.14
Figura 6.14: Búsqueda de los parámetros de la posición de la fuente de iluminación
Debido a que los parámetros de posición, en los cuales el algoritmo encontró un

buen resultado, son de una distancia mayor a la del escenario real, el algoritmo
lo compensó con una intensidad de iluminación mayor, figura 6.15.
Los parámetros de color del objeto se estabilizan en la generación 220, figura
6.16, se puede ver claramente que el parámetro que prueba los valores extremos
es el del tono. Asimismo se está probando con diferentes valores de brillo y chispa
en el material de la esfera, figura 6.17.
En cada uno de los experimentos se tuvo un desempeño similar al de la esfera
verde, siendo el objeto más difı́cil de optimizar la esfera rosa, y la esfera naranja
y la azul las que tuvieron una convergencia mayor, es decir, las que en más oca-
siones de las 10 corridas llegaron a propuestas muy similares entre cada corrida.

Se evalúa la similitud de las imágenes usando la misma función de aptitud
que se usó en el experimento anterior:
Figura 6.15: Búsqueda del parámetro de intensidad de la fuente de iluminación

para la esfera verde
F01- Función de evaluación para asignar aptitud, considerando todos los pı́xeles
de la imagen:
i=n
X
i=0
Donde:
n = Xmax * Y max

Al colocar las dos imágenes juntas se puede apreciar el resultado de la estimación

de parámetros obtenidos, ya que la imagen generada es muy similar a la imagen
Objetivo, figura 6.18.
Esta función abre la imagen de referencia (imagen objetivo) y la imagen ge-

nerada por el trazador de rayos con los parámetros finales del mejor individuo, en
la tabla 6.5 se presentan los resultados de los mejores individuos para cada esfera.
El resultado de las imágenes generadas muestra una ligera variación, sin em-
bargo en algunos casos la diferencia es mı́nima, y el color de los objetos es muy
Figura 6.16: Evolución de los parámetros de color, para la esfera verde
Tabla 6.5: Desviación de cada uno de los mejores individuos con respecto a su
imagen objetivo
Objetivo Original Estimado % diferencia
H S V H S V Promedio
Roja esfera 0.0 0.764 0.850 0.001 0.558 0.999 6.21
plano 0.590 0.428 0.723 0.664 0.569 0.912
Verde esfera 0.482 0.374 1.0 0.480 0.407 0.568 5.3
plano 0.634 0.009 1.0 0.204 0.004 0.533
Azul esfera 0.655 0.825 1.0 0.654 0.863 0.720 2.63
plano 0.522 0.301 1.0 0.513 0.275 0.680
Amarilla esfera 0.081 0.835 0.882 0.079 0.998 0.998 5.77
plano 0.548 0.406 0.825 0.616 0.321 0.769
Naranja esfera 0.069 1.0 1.0 0.066 0.998 1.0 3.54
plano 0.317 0.145 1.0 0.219 0.208 0.769
Rosa esfera 0.991 0.898 0.990 1.0 0.824 0.938 6.79
plano 0.0 0.5 0.60 0.333 0.445 0.518
Promedio general 5.04
similar al objetivo, especı́ficamente en el caso de Verde, Azul, Amarilla y Naranja,

figura 6.19.
Los resultados del algoritmo se compararon contra otros métodos que obtienen
parámetros de renderizado y los implantan en objetos virtuales, la comparación
se realizó obteniendo las imágenes de los artı́culos de cada método. Los resultados
Figura 6.17: Evolución de los parámetros de brillo y chispa, para el material de

la esfera verde
Figura 6.18: Imágenes de la esfera verde donde se pueden ver: a) imagen objetivo
e b) imagen generada por la metodologı́a.
se presentan en la tabla 6.6.
Se puede ver que el mejor desempeño de nuestro método obtiene resultados

con una menor diferencia que la mayorı́a de los métodos comprobados, y resulta-
dos muy competitivos con el mejor método, Ward-Durn.
Al usar un conjunto de imágenes objetivo, generadas por computadora con

el mismo modelo de iluminación que se usó para su extracción de parámetros, se
obtuvieron imágenes con un promedio de diferencia de 5.04, este resultado brinda
imágenes que al ser comparadas con las originales son difı́ciles de diferenciar a
simple vista. En el caso de las imágenes con una diferencia de 2.63. El ojo humano
Figura 6.19: Comparación de las imágenes objetivo y las imágenes generadas por
la metodologı́a
tiene dificultades para encontrar diferencia en color y tono de una respecto a la

otra.
La metodologı́a aqui probada y los resultados observado muestran que mien-

tras que la propuesta de Kawai, Painter y Cohen [18], resuelve las “mejores”
posibles configuraciones para: emisividad de la fuente de luz, reflexividad de los
elementos y parámetros de direccionalidad de la fuente de luz, esta propuesta
ya tiene los parámetros de los objetos tales como el color, la dureza, el ı́ndice
de reflexión especular y la difracción propuestos por el usuario de antemano,
a diferencia de nuestra propuesta que los propone durante la extracción de los
parámetros.
Por otra parte Yu, Debeverec, Malik y Hawkins [96] obtienen un conjunto
de parámetros como son: el ı́ndice de reflexión difusa y el ı́ndice de reflexión es-
Tabla 6.6: Comparación de la desviación de los diferentes métodos

Desviación
Metodo %R % G % B Promedio
Wai Kit Addy 1 8.92 9.55 8.54 8.97
Wai Kit Addy 2 12.41 9.67 8.58 10.22
Ward 3.30 3.48 3.14 3.30
Ward-Durn 2.20 2.32 2.25 2.25
Nuestro Mejor 1.83 2.10 3.96 2.63
Nuestro Peor 7.43 5.41 7.54 6.79
pecular para los colores rojo, verde y azul. Sin embargo este método recibe las
condiciones de iluminación del usuario, a diferencia de nuestra metodologı́a que
lo calcula por su cuenta.
Finalmente en el problema de la iluminación inversa abordado por Schonen-

man et al. ası́ como por Elorza y Rudomin [21], buscan obtener los parámetros
de: la cantidad, la posición y la intensidad de las fuentes de iluminación usadas
en la escena. El objetivo es encontrar los parámetros que generen una imagen
minimizando la energı́a usada y maximizando la iluminación.
Nuestra propuesta, obtiene un conjunto más amplio de parámetros como son:

los ı́ndices de reflexión difusa, de difracción, de rugosidad, y de brillantez, ası́ co-
mo los parámetros de la fuente de iluminación tales como posición e intensidad de
la fuente. Asimismo utiliza una heurı́stica, ED, que hasta el momento nadie ha us-
ado para resolver este tipo de problemas. De la misma forma nuestra metodologı́a
genera un conjunto de puntos de referencia de la imagen objetivo que son depen-
dientes de cada imagen, es capaz de generar una “huella” descriptora de la imagen
de referencia, que es usada por ED para extraer un mejor conjunto de parámetros.
Capı́tulo 7
Conclusiones
Se ha demostrado que es factible la extracción de un conjunto de parámetros

para la renderización de objetos sencillos. Entre los parámetros que es posible
extraer se encuentran la posición de una fuente de iluminación ası́ como la inten-
sidad de la misma. El color de dos objetos contenidos en el escenario en este caso
una esfera y un plano.
Se ha demostrado una metodologı́a de extracción de parámetros de ilumi-

nación para renderizado, en donde se ha comprobado que al ser utilizada en
pruebas de laboratorio ha funcionado. Asimismo la metodologı́a ha mostrado
mejores resultados que los que obtiene una persona para obtener los parámetros
de una imagen de referencia, y lo hace en un factor de tiempo mucho menor.
Se propuso y probó una función que evalúa la diferencia entre dos imágenes de
la misma resolución, siempre y cuando sean imágenes de las mismas dimensiones
y de la misma cantidad de colores. De igual forma se tiene un algoritmo heurı́stico
bioinspirado para generar una propuesta de parámetros de iluminación para al-
goritmos de renderizado. Las pruebas con el algoritmo desarrollado demostraron
que es factible la extracción de los parámetros correspondientes a la posición e
intensidad de la fuente de iluminación ası́ como el color de objetos en el escenario.
Se debe destacar que la metodologı́a obtiene mejores resultados, tabla 6.3,

que una persona usando el método semiautomático, donde se puede apreciar que
el mejor valor obtenido por la persona es un porcentaje de diferencia de 15.47
respecto a la imagen original. La metodologı́a obtiene un 13.34 de diferencia en
ambas implementaciones, la secuencial y la paralela. En este mismo sentido a
una persona le toma una mayor cantidad de tiempo generar su mejor propuesta,
117 minutos, mientras que a la metodologı́a en su ejecución secuencial le toma
113
114 CAPÍTULO 7. CONCLUSIONES
en promedio 32 minutos y a su implementación paralela le toma únicamente 4.2

minutos en promedio.
Es importante mencionar que, a diferencia de trabajos anteriores, la metodolo-

gı́a extrae un conjunto de parámetros más amplio, tanto los parámetros referidos
a la fuente de iluminación , asi como los referidos a las caracterı́sticas ópticas de
los objetos contenidos en el escenario.
La imagen final es totalmente dependiente del modelo de iluminación usa-

do, por lo tanto el resultado de la búsqueda está limitado por el modelo. Por lo
anterior se puede demostrar que la metodologı́a de extracción de parámetros es
funcional, si el modelo de iluminación es capaz de representar todos los fenómenos
fı́sico-ópticos que se generaron en la imagen objetivo. Esto es cierto para modelos
de iluminación limitados, serı́a conveniente para investigaciones futuras, probar
con un modelo de iluminación de los más complejos.
Se demostró la viabilidad de usar el GPU para disminuir el tiempo de cálculo

de un algoritmo bioinspirado de optimización. Se desarrolló un método de esti-
mación de las propiedades básicas de un objeto con referencia a una imagen real.
Se tiene una función objetiva del grado de aproximación de una imagen real con
una imagen generada.
7.1. Aplicación
El presente desarrollo puede ser usado principalmente en el área de diseño de
escenarios virtuales, para la obtención de una apariencia realista de los objetos a
usar, ası́ como para la colocación de las fuentes de luz y su intensidad en la simu-
lación de escenarios reales. Esto ya se realiza pero de una forma semiautomática,
usando extracción de parámetros, probando dichos parámetros y ajustando la
diferencia, en el caso de esta investigación todo esto se lleva a cabo de forma au-
tomática. Una mejora en tiempo que es demostrada en el capı́tulo 6, en la tabla
6.4 y donde se aprecia una mejora significativa en la que una tarea que toma 117
minutos, se puede llevar a cabo en sólo cuatro, es decir en un 3 % del tiempo.
Y cualquier mejora en tiempo en la industria de los gráficos 3D se traduce en
ganancias millonarias.
7.2. Trabajo futuro

Futuras investigaciones en los algoritmos poblacionales pueden enfocarse para
alguno de los siguientes tres puntos:
7.3. PRODUCTOS DE LA INVESTIGACIÓN 115
Aplicar la totalidad de las capacidades multihilo del GPU, incluyendo las

operaciones paralelas en múltiples datos, adicionalmente a la caracterı́stica
multihilos, para lograr un algoritmo PSO o DE totalmente paralelizado.
La necesidad de probar mas funciones objetivo
El uso de GPU y el nuevo modelo de programación CUDA para lidiar con

la paralelización de otros algoritmos poblacionales, p.e. Estrategias Evolu-
tivas, Programación Genética o Sistema Inmune Artificial.
La metodologı́a es susceptible de ser mejorada en algunos aspectos, se men-

cionan a continuación los mas relevantes.
Se puede realizar un preprocesamiento a la imagen con el fin de detectar

las reflexiones especulares para determinar de manera exacta la posición
de las fuentes de iluminación. El preprocesamiento puede incluir, una de-
tección de bordes, ası́ como un análisis de las partes más brillantes de la
imagen objetivo. De este preprocesamiento se puede obtener el tamaño de
las reflexiones especulares ası́ como su posición en el objeto y serı́a posible
extrapolar una región del espacio para la ubicación de la fuente, tomando
como referencia el centro del objeto con la reflexión especular.
Es recomendable programar un modelo de iluminación que considere la ma-

yor cantidad posible de propiedades fı́sico-ópticas para el cálculo del color
de un punto, tal como los modelos de iluminación de realismo fı́sico.
Realizar una programación en CUDA tomando el cuenta el paso de mensajes

en la arquitectura, para una mejora en el desempeño, especı́ficamente en
una reducción en el tiempo de generación de la imagen.
7.3. Productos de la investigación

Las publicaciones derivadas de este trabajo de tesis, 7.2 y 7.1 que se pueden
destacar hasta el momento:
Conacyt - Se acepto para su publicación en la revista Polibits el articulo

titulado “Optical Parameter Extraction Using Diferential Evolution Ren-
dering in the Loop”.
JCR- Se publicó el articulo titulado “Comparative study of parallel particle

swarm optimization algorithm implemented on a multitreading GPU”, en
la revista Journal of Applied Research and Technology de la U.N.A.M., en
diciembre de 2009
JCR - Se envı́o, en marzo de 2011, a la revista Journal of Applied Re-

search and Technology de la U.N.A.M., el articulo“Parallel Implementation
of Particle Swarm Optimization and Differential Evolution Algorithms on a
Multithreading GPU”, actualmente se encuentra en la fase de revisión con
los respectivos revisores.
Revista Internacional - Se publicó en el Journal of Theoretical and Applied

Information Technology, el articulo titulado, “Fitness function for rendering
in the loop Diferential Evolution algorithm”, en el volumen 21 número 2,
en las páginas 128-136, en noviembre 30 de 2010.
Congreso Internacional - Se presentó la conferencia “Real scenario parame-

ter extraction by using PSO rendering in the loop”, en el CERMA 2010, los
procedings aparecen en el IEEEXplore. Se presentó el dı́a 29 de septiembre
de 2010.
Congreso Internacional - Se presentó la conferencia “Revisión de algoritmos

de renderizado óptimo” en el congreso internacional Tendencias tecnológicas
del CIDETEC, octubre de 2008.
Congreso Nacional - Se presentó la conferencia “Algoritmos de renderizado

óptimo” en el congreso internacional del colegio de Ingenieros, noviembre
de 2008
Tabla 7.1: Publicaciones internacionales

Tipo Cantidad total Relacionados
Internacionales JCR 1 en revisión 1 en revisión
Internacionales ISI 1 1
Internacionales NO ISI con Arbitraje 3 1
Tabla 7.2: Ponencias en congresos internacionales

Año de ponencia Cantidad total Relacionados
2007 4 0
2008 2 2
2009 2 0
2010 1 1
Capı́tulo 7
Conclusiones
Se ha demostrado que es factible la extracción de un conjunto de parámetros

para la renderización de objetos sencillos. Entre los parámetros que es posible
extraer se encuentran la posición de una fuente de iluminación ası́ como la inten-
sidad de la misma. El color de dos objetos contenidos en el escenario en este caso
una esfera y un plano.
Se ha demostrado una metodologı́a de extracción de parámetros de ilumi-

nación para renderizado, en donde se ha comprobado que al ser utilizada en
pruebas de laboratorio ha funcionado. Asimismo la metodologı́a ha mostrado
mejores resultados que los que obtiene una persona para obtener los parámetros
de una imagen de referencia, y lo hace en un factor de tiempo mucho menor.
Se propuso y probó una función que evalúa la diferencia entre dos imágenes de
la misma resolución, siempre y cuando sean imágenes de las mismas dimensiones
y de la misma cantidad de colores. De igual forma se tiene un algoritmo heurı́stico
bioinspirado para generar una propuesta de parámetros de iluminación para al-
goritmos de renderizado. Las pruebas con el algoritmo desarrollado demostraron
que es factible la extracción de los parámetros correspondientes a la posición e
intensidad de la fuente de iluminación ası́ como el color de objetos en el escenario.
Se debe destacar que la metodologı́a obtiene mejores resultados, tabla 6.3,

que una persona usando el método semiautomático, donde se puede apreciar que
el mejor valor obtenido por la persona es un porcentaje de diferencia de 15.47
respecto a la imagen original. La metodologı́a obtiene un 13.34 de diferencia en
ambas implementaciones, la secuencial y la paralela. En este mismo sentido a
una persona le toma una mayor cantidad de tiempo generar su mejor propuesta,
117 minutos, mientras que a la metodologı́a en su ejecución secuencial le toma
113
en promedio 32 minutos y a su implementación paralela le toma únicamente 4.2

minutos en promedio.
Es importante mencionar que, a diferencia de trabajos anteriores, la metodolo-

gı́a extrae un conjunto de parámetros más amplio, tanto los parámetros referidos
a la fuente de iluminación , asi como los referidos a las caracterı́sticas ópticas de
los objetos contenidos en el escenario.
La imagen final es totalmente dependiente del modelo de iluminación usa-

do, por lo tanto el resultado de la búsqueda está limitado por el modelo. Por lo
anterior se puede demostrar que la metodologı́a de extracción de parámetros es
funcional, si el modelo de iluminación es capaz de representar todos los fenómenos
fı́sico-ópticos que se generaron en la imagen objetivo. Esto es cierto para modelos
de iluminación limitados, serı́a conveniente para investigaciones futuras, probar
con un modelo de iluminación de los más complejos.
Se demostró la viabilidad de usar el GPU para disminuir el tiempo de cálculo

de un algoritmo bioinspirado de optimización. Se desarrolló un método de esti-
mación de las propiedades básicas de un objeto con referencia a una imagen real.
Se tiene una función objetiva del grado de aproximación de una imagen real con
una imagen generada.
7.1. Aplicación
El presente desarrollo puede ser usado principalmente en el área de diseño de
escenarios virtuales, para la obtención de una apariencia realista de los objetos a
usar, ası́ como para la colocación de las fuentes de luz y su intensidad en la simu-
lación de escenarios reales. Esto ya se realiza pero de una forma semiautomática,
usando extracción de parámetros, probando dichos parámetros y ajustando la
diferencia, en el caso de esta investigación todo esto se lleva a cabo de forma au-
tomática. Una mejora en tiempo que es demostrada en el capı́tulo 6, en la tabla
6.4 y donde se aprecia una mejora significativa en la que una tarea que toma 117
minutos, se puede llevar a cabo en sólo cuatro, es decir en un 3 % del tiempo.
Y cualquier mejora en tiempo en la industria de los gráficos 3D se traduce en
ganancias millonarias.
7.2. Trabajo futuro

Futuras investigaciones en los algoritmos poblacionales pueden enfocarse para
alguno de los siguientes tres puntos:
7.3. PRODUCTOS DE LA INVESTIGACIÓN 115
Aplicar la totalidad de las capacidades multihilo del GPU, incluyendo las

operaciones paralelas en múltiples datos, adicionalmente a la caracterı́stica
multihilos, para lograr un algoritmo PSO o DE totalmente paralelizado.
La necesidad de probar mas funciones objetivo
El uso de GPU y el nuevo modelo de programación CUDA para lidiar con

la paralelización de otros algoritmos poblacionales, p.e. Estrategias Evolu-
tivas, Programación Genética o Sistema Inmune Artificial.
La metodologı́a es susceptible de ser mejorada en algunos aspectos, se men-

cionan a continuación los mas relevantes.
Se puede realizar un preprocesamiento a la imagen con el fin de detectar

las reflexiones especulares para determinar de manera exacta la posición
de las fuentes de iluminación. El preprocesamiento puede incluir, una de-
tección de bordes, ası́ como un análisis de las partes más brillantes de la
imagen objetivo. De este preprocesamiento se puede obtener el tamaño de
las reflexiones especulares ası́ como su posición en el objeto y serı́a posible
extrapolar una región del espacio para la ubicación de la fuente, tomando
como referencia el centro del objeto con la reflexión especular.
Es recomendable programar un modelo de iluminación que considere la ma-

yor cantidad posible de propiedades fı́sico-ópticas para el cálculo del color
de un punto, tal como los modelos de iluminación de realismo fı́sico.
Realizar una programación en CUDA tomando el cuenta el paso de mensajes

en la arquitectura, para una mejora en el desempeño, especı́ficamente en
una reducción en el tiempo de generación de la imagen.
7.3. Productos de la investigación

Las publicaciones derivadas de este trabajo de tesis, 7.2 y 7.1 que se pueden
destacar hasta el momento:
Conacyt - Se acepto para su publicación en la revista Polibits el articulo

titulado “Optical Parameter Extraction Using Diferential Evolution Ren-
dering in the Loop”.
JCR- Se publicó el articulo titulado “Comparative study of parallel particle

swarm optimization algorithm implemented on a multitreading GPU”, en
la revista Journal of Applied Research and Technology de la U.N.A.M., en
diciembre de 2009
JCR - Se envı́o, en marzo de 2011, a la revista Journal of Applied Re-

search and Technology de la U.N.A.M., el articulo“Parallel Implementation
of Particle Swarm Optimization and Differential Evolution Algorithms on a
Multithreading GPU”, actualmente se encuentra en la fase de revisión con
los respectivos revisores.
Revista Internacional - Se publicó en el Journal of Theoretical and Applied

Information Technology, el articulo titulado, “Fitness function for rendering
in the loop Diferential Evolution algorithm”, en el volumen 21 número 2,
en las páginas 128-136, en noviembre 30 de 2010.
Congreso Internacional - Se presentó la conferencia “Real scenario parame-

ter extraction by using PSO rendering in the loop”, en el CERMA 2010, los
procedings aparecen en el IEEEXplore. Se presentó el dı́a 29 de septiembre
de 2010.
Congreso Internacional - Se presentó la conferencia “Revisión de algoritmos

de renderizado óptimo” en el congreso internacional Tendencias tecnológicas
del CIDETEC, octubre de 2008.
Congreso Nacional - Se presentó la conferencia “Algoritmos de renderizado

óptimo” en el congreso internacional del colegio de Ingenieros, noviembre
de 2008
Tabla 7.1: Publicaciones internacionales

Tipo Cantidad total Relacionados
Internacionales JCR 1 en revisión 1 en revisión
Internacionales ISI 1 1
Internacionales NO ISI con Arbitraje 3 1
Tabla 7.2: Ponencias en congresos internacionales

Año de ponencia Cantidad total Relacionados
2007 4 0
2008 2 2
2009 2 0
2010 1 1
Referencias
[1] O. Lafontaine A. Mzoughi and D. Litaize. Performance of the vectorial processor

vecsm2* using serial multiport memory. 1996. [citado en p. 68]
[2] John Amanatides. Ray tracing with cones. Volume 18, Number 3, 1984. [citado en p. 9]
[3] A. Appel. Some techniques for shading machine renderings of solids, volume 32.
Proceedings of the Spring Joint Computer Conference, 1968. [citado en p. 7]
[4] James Arvo. Ray tracing with meta-hierarchies. 1990. [citado en p. 9]
[5] S. Baskar and P Suganthan. A novel concurrent particle swarm optimization. 2004.
[citado en p. 62]
[6] M. Belal and P. El-Ghazawi. Parallel models for particle swarm optimizers. 2004.
[citado en p. 61]
[7] M. Beyer and B. Lange. Rayvolution: An evolutionary ray tracing algorithm in

photorealistic rendering techniques. 1995. [citado en p. 17]
[8] James F. Blinn. Models of light relfection for computer synthetized pictures. 11,
1977. Issue 2, Summer 1977. [citado en p. 53]
[9] L. Bo and et al. Parallelizing particle swarm optimization, ieee pacific rim conference
on communications. In Computers and signal Processing, PACRIM, pages 288–291,
Aug 2005. [citado en p. 62]
[10] Srinivvasa G. Narasimhan Shree K Nayar Bo Sun, Ravi Ramamoorthi. A practical

analytic single scattering model for real time rendering. 24, 3, 1040-1049, 2005.
[citado en p. 10, 12]
[11] W. J. Bouknight. A procedure for generation of three-dimensional half-tone computer

graphics presentations, volume 32. Communications of the ACM, 1970. [citado en p. 7]
[12] E. Catmull. A subdivision algorithm for computer display of curved surfaces, volume
PhD thesis. University of Utah, 1974. 623-629. [citado en p. 7, 10]
[13] J. Chang and et al. A parallel particle swarm optimization algorithm with commu-
nication strategies. Journal of information science and engineering, 21(4):809–818,
2005. [citado en p. 61]
117
118 REFERENCIAS
[14] John P. Collomosse. Supervised genetic search for parameter selection in painterly
rendering. 2007. [citado en p. 16]
[15] T. Carpenter L. Cook, R.L. Porter. Distributed ray tracing. 18 (3), 137145, 1984.
[citado en p. 7, 9]
[16] NVIDIA Corporation. Cuda: Computer unified device architecture programming

guide, version 2.0. 2009. [citado en p. 34, 77, 81]
[17] S. Cui and D. Weile. Application of a parallel particle swarm optimization scheme to
the design of electromagnetic absorbers. IEEE TRANSACTIONS ON ANTENNAS
AND PROPAGATION, 53(11):3616–3624, November 2005. [citado en p. 61]
[18] Ran Gal Tommer Leyvand Daniel Cohen-or, Olga Sorkine and Ying-Qing Xu. Color
harmonization. 2006. [citado en p. 110]
[19] Günter Wyszecki Deane B. Judd. Color in business, science and industry. 1975.
[citado en p. 134]
[20] J. Velázquez-Reyes E. Mezura-Montes and C. A. Coello-Coello. A comparative study

of differential evolution variants for global optimization. 2006. [citado en p. 80, 81, 85]
[21] Rudomin Goldberg Isaac Elorza Tena Joaquin. An interactive system for solving
inverse illumination problems using genetic algorithms. 1997. [citado en p. 19, 111]
[22] J. Li et al. An efficient fine-grained parallel particle swarm optimization method

based on gpu-acceleration. 2007. [citado en p. 62]
[23] J. Owens et al. A survey of general-purpose computation on graphics hardware.

Volume 26, Number 1, 2007. [citado en p. 60]
[24] J.F. Schutte et al. Parallel global optimization with the particle swarm algorithm.
2003. [citado en p. 61]
[25] C. Puech F. Durand, G. Drettakis. Fast and accurate hierarchical radiosity using
global visibility. Vol. 18, No. 2, 1999. [citado en p. 9, 10]
[26] E. G. Finsy and J. Joosten. Maximum entropy inversion of static light scatter-
ing data for the particle size distribution by number and volume. in advances in
measurements and control of colloidal processes. 1991. [citado en p. 11]
[27] Adrian Ford and Alan Roberts. Colour space conversions. 1998. [citado en p. 132]
[28] E. Fuchs and J. S. Jaffe. Thin laser light sheet microscope for microbial oceanogra-
phy. 10 (2), 145-154, 2002. [citado en p. 12]
[29] Z.M. Naylor B.F. Fuchs, H. Kedem. On visible surface generation by a priori tree
structures. 14, 124133, 1980. [citado en p. 7, 8]
[30] Ikekuchi K. Sakauchi M. Furukawa R., Kawasaki H. Appearance based object mod-
eling using texture database: acquisition, compression and rendering. 3 pp. 257-266,
2002. [citado en p. 13]
[31] M. Sattler R. Sarlette G. Müller, J. Meseth and R. Klein. Acquisition, synthesis

and rendering of bidirectional texture functions. 2004. [citado en p. 14]
REFERENCIAS 119
[32] A. M. Day G. Simiakakis, Th. Theoharis. Parallel ray tracing with 5d adaptive
subdivision. 1998. [citado en p. 9]
[33] Mark Gatter. Getting it right in print: Digital prepress for graphic designers. 2004.
[citado en p. 132]
[34] David Geisler-Moroder and Arne Dür. Color-rendering indices in global illumination
methods. Oct-Dec 2009. [citado en p. 27, 40]
[35] Reinhard Klein Gero Müller, Gerhard H. Bendels. Rapid synchronous acquisition of
geometry and appearance of cultural heritage artefacts. Archaeology and Cultural
Heritage VAST, 2005. [citado en p. 13]
[36] A.S. Glassner. Space subdivision for fast ray tracing. 4 (10), 1522., 1984.
[citado en p. 8]
[37] H. Gouraud. Computer display of curved surfaces, volume 20. IEEE Transactions
on Computers, 1971. 623-629. [citado en p. 7]
[38] C. Piatko P. Sanders y B. Rust H. Rushmeier, G. Ward. Comparing real and

synthetic images: Some ideas about metrics. June 12-14, 1995. [citado en p. 43]
[39] T. Halfhill. Parallel processing with cuda, micro-

processor report. www.MPRonline.com, on line at:
www.nvidia.com/docs/IO/55972/220401 Reprint.pdf, 2008. Consulted on Nov 4th
2008. [citado en p. 62]
[40] Kwan-Liu Ma Han-Wei Shen, Ling-jen Chiang. A fast volume rendering algorithm
for time-varying fields using a time-space partitioning (tsp) tree. 1999. [citado en p. 9]
[41] Pat Hanrahan). Ray-triangle and ray-quadrilateral intersections in homogeneous

coordinates. 19. [citado en p. 7, 8]
[42] S. Harding and W. Banzhaf. Fast genetic programming and artificial developmen-
tal systems on gpus. In Proceedings of the 21st International Symposium on High
Performance Computing Systems and Applications, HPCS, pages 2–2, May 2007.
[citado en p. 62]
[43] S. Harding and W Banzhaf. Fast genetic programming on gpus. In M. Ebner and
et al., editors, Proceedings of the 10th European Conference on Genetic Program-
ming, ser. Lecture Notes in Computer Science, volume 4445, pages 90–101. Springer,
April 2007. [citado en p. 62]
[44] Juan Buhler Henrik Wann Jensen. A rapid hierarchical rendering technique for
translucent materials. 2000. [citado en p. 10]
[45] Juan Buhler Henrik Wann Jensen. A rapid hierarchical rendering technique for
translucent materials. 2002. [citado en p. 8]
[46] Marc Levoy Henrik Wann Jensen, Stephen R. Marschner and Pat Hanrahan. A
practical model for subsurface light transport. 2001. [citado en p. 12]
[47] S. Feis I. Poupyrev, S. Weghorst. Non-isomorphic 3d rotational techniques. Vol. 14,

num. 3, 2000. [citado en p. 8, 9]
120 REFERENCIAS
[48] O. Lafontaine J. Jorda, A. Mzoughi and D. Litaize. Performance of the vectorial

processor vec-sm2* using serial multiport memory. 1996. [citado en p. 32]
[49] David Kirk James Arvo. Fast ray tracing by ray classification. Volume 21, Number
4, 1987. [citado en p. 9]
[50] N. Jin and Y. Rahmat-Samii. Parallel particle swarm optimization and finite- dif-
ference time-domain (pso/fdtd) algorithm for multiband and wide-band patch an-
tenna designs. IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION,
53(11):3459–3468, November 2005. [citado en p. 61]
[51] Andrew Woo ) John Amanatides. A fast voxel traversal algorithm for ray tracing.
1988. [citado en p. 7, 8]
[52] James S. Painter John K. Kawai and Michael F. Cohen. Radioptimization - goal
based rendering. 1993. [citado en p. 18]
[53] P.M. Hall John P. Collomosse. Genetic paint: A search for salient paintings. 2005.
[citado en p. 17]
[54] Jeff Goldsmith John Salmon. A hypercube ray-tracer. 1989. [citado en p. 7, 9]
[55] Yun-Kung Chung Jui-yu Wu. Artificial immune system for solving generalized ge-
ometric problems: A preliminary results. 2005. [citado en p. 9]
[56] James T. Kajiya. The rendering equation. Volume 20, 1986. [citado en p. 10, 23]
[57] J. Kennedy and R. Eberhart. Swarm intelligence. 2001. [citado en p. 30, 65]
[58] W. B. Langdon and W Banzhaf. A simd interpreter for genetic programming on

gpu graphics cards. In in EuroGP, ser. LNCS, volume 4971, pages 73–85. Springer,
March 2008. [citado en p. 62]
[59] Stephen Mann Leo Dorts, Daniel Fontijne. Geometric Algebra for Computer Sci-
ences. Morgan Kaufman, 2007. [citado en p. 9]
[60] Craig A. Lindleyr. Practical Raytracing in C. Wiley, 1992. ISBN 0471573019.

[citado en p. 22]
[61] H. Ma and et al. Research on parallel particle swarm optimization algorithm

based on cultural evolution for the multi-level capacitated lot-sizing problem. 2008.
[citado en p. 61]
[62] Werner Hartmann Michael Haller, Stephan Drab. A real-time shadow approach for
an augmented reality application using shadow volumes. 2003. [citado en p. 10]
[63] S. Mostaghim and et al. Multi-objective particle swarm optimization on computer

grids. In Proceedings of the 9th annual conference on Genetic and evolutionary
computation, GECCO’07, pages 869 – 875. ACM, July 2007. [citado en p. 62]
[64] Wai Kit Addy Ngan. Acquisition and Modeling of Material Appearance. PhD thesis,
Massachusetts Institute of Technology, 2003. [citado en p. 14]
REFERENCIAS 121
[65] J. Nickolls and et al. Scalable parallel programming with cu-

da. ACM Queue, pages 40–53, March/April 2008. On line at:
http://mags.acm.org/queue/20080304/?u1=texterity. [citado en p. 61, 62, 78, 88]
[66] Ricardo Cancho Niemietz. Schematic representation on how tv signals are gamma-
compensated when broadcasted. 2008. [citado en p. 137]
[67] NVIDIA. Nvidia cuda instalation and verification. 2008. [citado en p. 63]
[68] U.S. Departament of Energy. Color rendering index and leds. January 2008.
[69] Y. Willems P. Dutre, F. Suykens. Optimized monte carlo path generation using
genetic algorithms. Volume 19, Number 3, 1998. [citado en p. 7, 8, 9, 10, 11, 17]
[70] K. Parsopoulos and et al. Multiobjective optimization using parallel vector eval-
uated particle swarm optimization. In Proceedings of the IASTED International
Conference on Artificial Intelligence and Applications (AIA), pages 869 – 875, July
2007. [citado en p. 62]
[71] Danny Pascale. A review of rgb color spaces... from xyy to r’g’b’. 2003.
[citado en p. 133]
[72] B-T. Phong. Illumination for computer generated pictures. 311-316, 1975. 623-629.
[citado en p. 52]
[73] D. Robilliard and et al. Population parallel gp on the g80 gpu. In Lecture Notes in
Computer Science, volume 4971, pages 98–109. Springer Berlin / Heidelberg, 2008.
[citado en p. 62]
[74] A. Rowbottom. Evolutionary art and form. 1999. [citado en p. 17]
[75] Jonathan Sachs. Color magnament. 2008. [citado en p. 137]
[76] Norbert Schanda, János; Sándor. Visual colour-rendering experiments. 2005.

[citado en p. 26]
[77] I. Schoeman and A. Engelbrecht. A parallel vector-based particle swarm optimizer,

adaptive and natural computing algorithms. In Proceedings of the International
Conference in Coimbra, pages 268–271. Springer, 2005. [citado en p. 62]
[78] Smits Brian Arvo James Schoeneman Chris, Dorsey Julie and Greenberg Donald.
Painting with light. In SIGGRAPH ’93 Proceedings of the 20th annual conference
on Computer graphics and interactive techniques, July 1993. [citado en p. 19]
[79] Y. Shi and R. Eberhart. A modified particle swarm optimizer. 1998. [citado en p. 31]
[80] Ken Shoemaker. Animating rotation with quaternion curves. Volume 19, Number
3, 1984. [citado en p. 7, 8, 9]
[81] Daniel Thalmann Srikanth Bandi. An adaptive spatial subdivision of the object
space for fast collision detection of animated rigid bodies. Vol. 14, num. 3, 1995.
[citado en p. 7, 8]
122 REFERENCIAS
[82] Craig Donner Ravi Ramamoorthi Shree K. Nayar HenrikWann Jensen Srinivasa
G. Narasimhan, Mohit Gupta. Acquiring scattering properties of participating me-
dia by dilution. 2006. [citado en p. 12, 14]
[83] R. Storn and K.V. Price. Differential evolution - a simple and efficient heuristic for
global optimization over continuous spaces. 11(4), 1997. 341-359. [citado en p. 28]
[84] Unemi T. [citado en p. 17]
[85] Barbara Fritchman Thompson. Astronomy hacks: Tips and tools for observing the
night sky. 2005. [citado en p. 26]
[86] Marko Tkalcic. Colour spaces - perceptual, historical and applicational background.
2001. [citado en p. 135]
[87] Latham W. Todd, S. Evolutionary art and computers. 1992. [citado en p. 17]
[88] Latham W. Todd, S. The mutation and growth of art by computers. 1999.
[citado en p. 17]
[89] T. Unemi. Sbart2.4: Breeding 2d cg images and movies, and creating a type of
collage. The Third International Conference on Knowledgebased Intelligent Infor-
mation Engineering Systems, 1999. [citado en p. 17]
[90] L. Veach, E. Guibas. Metropolis light transport. Computer Graphics (Proceedings

of SIGGRAPH 1997), 16 6576, 1997. [citado en p. 7, 10, 17]
[91] Nicholas J. Wade and Josef Broek. Purkinje’s vision. 2001. [citado en p. 26]
[92] T. Whitted. An improved illumination model for shaded display. 343-349, 1980.
623-629. [citado en p. 7]
[93] Remo Ziegler Addy Ngan Wojciech Matusik, Hanspeter Pfister and Leonard McMil-
lan. Acquisition and rendering of transparent and refractive objects. 2002.
[citado en p. 14]
[94] D. H. Wolpert and W. G. Macready. No free lunch theorems for optimization. 1997.
[citado en p. 77]
[95] Donald Hearn y M. Pauline Baker. Gráficas por computadora. Prentice Hall, segunda
edition, 1995. [citado en p. 21, 137]
[96] Jitendra Malik Yizhou Yu, Paul Debevec and Tim Hawkins. Inverse global il-
lumination: Recovering reflectance models of real scenes from photograps. 1999.
[97] Yizhou Yu. Modeling and editing real scenes with image-based techniques. 2000.
[citado en p. 18]
Apéndice A
Mejora en el tiempo
En una búsqueda de imágenes cada vez más realistas, la tecnologı́a de las gráfi-
cas por computadora se ha transformado y ha evolucionado desde las primeras
gráficas de lı́neas hasta imágenes que son idénticas a una fotografı́a o en su caso
de videos reales grabados por cámaras de TV. El costo de estas imágenes, cada
vez más realistas, se ha reflejado en el poder de procesamiento necesario para
generar dichas imágenes, donde una sola computadora del siglo 21 puede tar-
darse dı́as para una sola imagen. Y un grupo de computadoras (Granja), puede
tomarse horas para una sola imagen. Lo cual trae a la mente un sencillo cálculo,
una imagen toma varias horas de cálculo, se necesitan 24 imágenes por segundo
para presentar una sensación de movimiento continuo a los espectadores de una
pelı́cula de cine. Las pelı́culas duran en promedio 2 horas, entonces:
24 imágenes x 60 segundos x 120 minutos (2 horas) = 172,872 imágenes (im).
Ahora interviene la resolución de la imagen, para una resolución de 1024 X 768

(es decir 1024 pixeles horizontales por 768 pixeles verticales) = 786,432 pixeles
por imagen (ppi). Además se debe considerar que para una imagen fotorrealista
es necesario usar color verdadero que está definido como color con 24 bits (3
bytes).
Multiplicando 172,872 imágenes x 786,432 ppi x 3 bytes = 407,856,218,112

bytes de información generada. O sea más de 407 Gigabytes de información.
Como se puede apreciar, cualquier reducción en el tiempo de renderización

de una imagen impacta en el tiempo total de renderización de una animación o
pelı́cula que use gráficas generadas por computadora, los métodos usados para
generar imágenes cada vez más realistas van desde el mapeo de texturas realistas
hasta la medición de caracterı́sticas de las texturas reales y su modelado en tres
123
124 APÉNDICE A. MEJORA EN EL TIEMPO
dimensiones.
Desde el surgimiento de las computadoras el problema de la graficación ha
sido un reto que gradualmente ha ido aumentando desde las primeras imágenes
presentadas en un monitor.
El caso que nos ocupa es el del software de renderzado, ya que al generar la
imagen, el modelo de iluminación debe considerar la corrección gamma que el
sistema en conjunto va a necesitar. Adicionalmente cada elemento que participe
en la adquisición, almacenamiento, comparación y generación de una imagen
necesita considerar si alguna de sus partes está llevando a cabo la corrección
gama y en que forma, ası́ como sus respectivos ı́ndices de corrección.
Apéndice B
Renderizado
El renderizado se define como el proceso de la generación de una imagen a

partir de los datos de un escenario virtual y tiene los siguientes pasos:
1. Lectura de datos de la memoria de la computadora
2. Renderizado
3. Despliegue de la imagen
El proceso de renderizado se puede dividir en tres grandes etapas conceptuales:
1. Etapa de aplicación
2. Etapa Geométrica
3. Etapa de Rasterizado
Cada una de las etapas antes mencionadas tiene su tarea especı́fica a realizar, y
cada una de dichas etapas, tiene una gran cantidad de cálculos asociados para
obtener los resultados que de ella se esperan, a continuación se explica más a
detalle cada una de las tareas.
B.0.1. Etapa de aplicación

Su responsabilidad principal es enviar primitivas al hardware de gráfico. Aun-
que evidentemente realiza otras tareas tales como: la interpretación de los datos
leı́dos del archivo del escenario virtual, la conformación de la escena, la detección
de colisiones, las técnicas de aceleramiento, la interacción de los personajes u
objetos en escenario, la animación, la comunicación con otros procesos de sistema,
125
126 APÉNDICE B. RENDERIZADO
entre los más importantes. De todas las tareas antes mencionadas, se pueden
destacar 3.
1. Definición del objeto
2. Conformar escena
3. Definir vista de referencia
B.0.2. Etapa geométrica

La etapa geométrica tiene la responsabilidad de hacer un procesamiento in-
tenso en operaciones algebraicas asociadas a espacios afines y como se relacionan
los objetos, el observador y mundo virtual, estas operaciones generalmente se rea-
lizan con vectores y matrices. Los vectores representando los elementos básicos
que forman a los objetos virtuales, y las matrices representando las operaciones
a realizar sobre dichos objetos.
La etapa geométrica recibe elementos que describen a los puntos básicos y
como se relacionan para dar forma a los objetos ası́ como su interrelación para
conformar al escenario, pero dicho escenario no existe en la computadora hasta
que la etapa geométrica realiza su análisis y su procesamiento. La etapa geomé-
trica se encarga entonces de manejar los diferentes sistemas de coordenadas que
serán necesarios para obtener la representación geométrica del escenario. Estos
sistemas de coordenadas manejan diferentes aspectos de un objeto.
Por ejemplo el sistema de coordenadas locales del objeto tiene que ser rela-
cionado con el sistema de coordenadas globales del escenario virtual, para hacer
esto la etapa geométrica tiene que relacionar dos espacios afines a través de opera-
ciones geométricas, muchas veces llevados a cabo, por medio de multiplicaciones
de matrices. Pero esto no esto todo, ya que se tiene que pasar en diferentes sis-
temas de coordenadas, figura B.1, las cuales son:
1. Locales
2. Mundiales
3. Vista
4. Pantalla
5. Dispositivo
Lo anterior es para lograr que todos los elementos del escenario virtual se
manejen en el mismo sistema de coordenadas, pero adicionalmente se tienen que
127
Figura B.1: Transformaciones de coordenadas mundiales a coordenadas de dis-

positivo
realizar otros cálculos; los cuales también son llevados a cabo por la parte geo-
métrica, tales como: Mover objetos (multiplicación de matrices), mover cámara
(multiplicación de matrices), calcular la iluminación en los vértices del triángulo
(multiplicación de vectores), proyectar en la pantalla y recorte, entre otros.
La etapa geométrica se puede separar básicamente en tres etapas:
Remoción de polı́gonos ocultos.
Recorte a vista de volumen 3D.
Retirar superficies ocultas.
B.0.3. Etapa de rasterizado

Tarea principal: tomar la salida de la etapa de geometrı́a y transformarlo en
pı́xeles en la pantalla. Tiene que hacerse una adecuación entre formas geométricas
perfectas y las formas que es capaz de desplegar un sistema limitado como es el
dispositivo de despliegue, ya que dicho dispositivo no es capaz de presentar una
lı́nea diagonal completamente recta, ni cı́rculos perfectos ya que la resolución del
dispositivo tiene una limitante dada por la forma y organización de sus elemen-
tos básicos. Esta limitante se debe a la forma en la que están organizados los
elementos básicos (pixels - picture elements) que, eventualmente, darán forma a
la imagen final, dichos elementos están organizados en triadas RGB(Red, Green,
Blue - rojo, verde y azul), las cuales a su vez están en arreglos matriciales equi-
valentes a la resolución máxima del dispositivo de despliegue ( p.e. 1024 x 768).
Presentar un cı́rculo con triadas de elementos en una matriz no es sencillo, de
hecho al desplegar los cı́rculos (entre otras formas geométricas) en el dispositivo
genera una imagen con bordes imperfectos de una apariencia discontinua, lados
segmentados (forma aserrada). La tarea de la etapa de rasterizado es presentar
imágenes lo más cercanas a estas formas perfectas entregadas por la etapa geo-
métrica. También se encarga de agregar texturas y muchas otras operaciones por
pı́xel. La visibilidad se resuelve aquı́, ordenando las primitivas en la dirección z.
El proceso de rasterizado se puede subdividir en etapas de la siguiente forma:
128 APÉNDICE B. RENDERIZADO
Rasterización
Sombreado
Despliegue de la imagen obtenida
A continuación se muestran las nueve etapas que forman parte del proceso de
renderización:
1. Definición del objeto
2. Conformar escena
3. Definir vista de referencia
4. Remoción de polı́gonos ocultos
5. Recorte a vista de volumen 3D
6. Retirar superficies ocultas
7. Rasterización
8. Sombreado
9. Despliegue de la imagen obtenida
Figura B.2: Etapas del proceso de renderizado: a) Definición de escena, b) Con-

formación de la escena, c) Definición del punto de vista, d) Antes de eliminar los
polı́gonos ocultos, e) Polı́gonos ocultos eliminados, f) Recorte a volumen 3D, g)
Eliminación de superficies ocultas, h) Modelo de iluminación, i) Rasterización, j)
Despliegue de la imagen.
Dependiendo del algoritmo de renderizado que se use, las etapas mencionadas

se pueden ejecutar en la secuencia descrita o en algunos casos algunas etapas
129
se pueden ejecutar al mismo tiempo. El algoritmo de buffer de profundidad

(ZBuffer), ejecuta en secuencia cada una de las etapas. En el caso del algorit-
mo de traza de rayos, que es el que se va a usar para esta tesis, las etapas de
remoción de polı́gonos ocultos, recorte a vista de volumen 3D, retirar superficies
ocultas, rasterización, y sombreado, se calculan todas ellas en la misma etapa,
que es la del cálculo de la traza del rayo.
Cada una de las etapas de renderizacion es de gran importancia para la ade-
cuada generación de la imagen, sin embargo la etapa donde el presente trabajo
va a tener impacto es en la aplicación del modelo de iluminación en la etapa de
rasterizado.
En el proceso de rasterizado la aplicación del modelo de iluminación (sombrea-
do) es lo que indica los parámetros fı́sico ópticos a usar para generar la imagen
final. El modelo de iluminación se define como: el conjunto de cálculos necesarios
para obtener el color concreto que le corresponde a un punto.
Apéndice C
Modelos de color
C.1. Modelo de color

El modelo de color define la forma en la que se van a manejar los colores y
los tonos de la imagen a generar. Existen varios pero es posible destacar 3: CMY,
RGB, y HSV. Cada uno de ellos se desarrolló con diferentes objetivos en mente.
Sı́ntesis aditiva y sustractiva
En la teorı́a del color se tienen principalmente dos modelos de sı́ntesis de

color, estos modelos son el modelo aditivo y el sustractivo.
En la sı́ntesis aditiva se empieza con un color negro, cero intensidad luminosa,
y se agregan componentes de color para conseguir una mayor emisión de luz, en
este modelo al agregar todas las componentes de color con la mayor intensidad
se consigue la máxima emisión de luz con un color blanco, uno en intensidad
luminosa. Por ejemplo, usando un modelo RGB, rojo, verde y azul, como com-
ponentes básicas del modelo, se puede tener un color blanco al agregar todos los
componentes de luz a su máxima intensidad, fig 2.6. Normalmente este sistema
aditivo se usa para generar imágenes con sistemas de emisión de luz, como son los
monitores de computadoras, los cañones proyectores y los sistemas de televisión
que usan tecnologı́as como el plasma, el cristal liquido y los basados en LEDs.
El sistema de sı́ntesis sustractivo parte de un fondo blanco al que se le hace
incidir una luz blanca. Cuando se colorea una parte o todo el fondo blanco con
un color, el color absorbe una parte de la luz emitida por la fuente y reemite la
energı́a restante, de esta forma las componentes emitidas forman el color percibido
por el ojo, si aplicamos un tinte rojo al lienzo blanco, el color emitido será rojo.
A medida que agregamos colores al lienzo, la cantidad de luz emitida disminuye
hasta que no se emite luz y se tiene un color negro. Este sistema de sı́ntesis
131
132 APÉNDICE C. MODELOS DE COLOR
Figura C.1: Sı́ntesis de color, Aditiva
sustractiva es muy usado en la pintura artı́stica como el óleo, acuarela, carbón,

etc. y en la industria digital es usado en las impresoras y los plotters.
Figura C.2: Sı́ntesis de color, sustractiva
Modelo CMY
El modelo CMY [33] debe su nombre a los colores Cyan, Magenta y Yellow
(Acua, Rosa-violeta, amarillo) que son los colores básicos para crear color en un
modelo sustractivo, esto significa que cada vez que se agrega una componente de
color, la luz emitida por la página donde se encuentra el color es disminuida, este
modelo de color es el usado en las copias impresas y en las impresoras.
CMY es muy fácil de implementar, pero la adecuada transferencia del RGB al
CMY es muy difı́cil. CMY es dependiente del dispositivo, no lineal con respecto a
la percepción visual y razonablemente intuitivo [27]. Con diferentes dispositivos
tiene caracterı́sticas distintas de transferencia entre valores CMY y la cantidad
de tinta a colocar sobre el papel. Existen algunas formas simples de transformar
C.1. MODELO DE COLOR 133
Figura C.3: Modelo de color CMY, Cyan, Magenta, Yellow
colores RGB a colores CMY para impresión, sin embargo estas transformaciones
en raras ocasiones generan en impresión los colores observados en pantalla.
RGB a CMY
Cyan = 1 − Red
M agenta = 1 − Green
Y ellow = 1 − Blue (C.1)
CMY a RGB
Red = 1 − Cyan
Green = 1 − M agenta
Blue = 1 − Y ellow (C.2)
Existe un método más preciso el cual consiste en calcular los valores tries-
tı́mulo CIE de los valores RGB de los pixeles de la imagen y usar estos valores
como objetivo para una transformación similar hacia los valores de cromatici-
dad CMY del dispositivo y la adecuada función de transferencia de los valores
correspondientes CMY.
Modelo RGB
El modelo RGB obtiene su nombre de los colores Red Green y Blue [71], del
inglés para el Rojo el Verde y el Azul. El modelo RGB es un modelo de sı́ntesis
aditiva, de forma que cuando se desea generar un color primario se aumenta
la componente del color primario a mostrar, por ejemplo rojo, y se aumenta la
intensidad para obtener un color más intenso desde el color negro hasta el rojo
intenso. Sin embargo si se desea obtener un color secundario como el amarillo se
deben incrementar en forma conjunta dos colores primarios como son el rojo y el
verde. En las gráficas por computadora el modelo RGB es muy popular ya que
son usados por los dispositivos de despliegue de imagen como son: los monitores
de tubos de rayos catódicos (CRT - Cathodic Ray Tube)o los de formato digital
como son los monitores de crital liquido (LCD), los de plasma y los cañones
proyectores son controlados por un sistema digital que permite hasta 256 niveles
de intensidad en cada componente de color, esto proporciona hasta 256 niveles
diferentes de rojo verde y azul, y asimismo 256 niveles de colores secundarios.
La cantidad de colores que es capaz de mostrar un modelo como éste es de 256r
x 256g x 256b = 16,777,216 diferentes colores. De acuerdo con Judd, Deane B.
y Wyszecki, Günter [19], el ojo humano sólo puede percibir entre 8 y hasta 10
millones de colores, ası́ que el modelo RGB de 256 niveles por componente es más
que suficiente. Esto quiere decir que de los 16 millones de colores que es capaz
de desplegar el modelo RGB, el ojo humano no puede percibir casi la mitad de
ellos. Sin embargo, tanto las modernas tarjetas de gráficos, ası́ como los modernos
monitores de computadora, si son capaces de desplegarlos. Adicionalmente a esto,
el ojo humano es más sensible a unas longitudes de onda que a otras, y esto, como
ya se mencionó, es dependiente de si es iluminación nocturna, o diurna.
Figura C.4: Modelo de color RGB, Red, Green, Blue
El espacio de color del modelo RGB se puede visualizar como un cubo en

el que cada uno de los ejes corresponde a la intensidad de los colores primarios
RGB, figura C.5. En el extremo de mayor intensidad para todas las compo-
nentes se encuentra el color blanco, cuando rojo=verde=azul=1, y en el extremo
opuesto se encuentra el color negro, cuando rojo=verde=azul=255. RGB se usa
frecuentemente en la mayorı́a de las aplicaciones de computadora debido a que
no necesita realizar una transformación de los valores almacenados en memoria,
para su transferencia hacia la pantalla. Por esta razón es el modelo de color para
la mayorı́a de las aplicaciones.
C.1. MODELO DE COLOR 135
Figura C.5: Espacio de color RGB
Modelo HSV
Es una transformación no lineal del espacio de color RGB. En el espacio de

color HSV (Hue Saturation Value, Matiz, saturación y valor) [86] el color es
definido como una posición en un plano circular alrededor del eje de valor. El
Matiz (Hue) es el ángulo de un punto nominal alrededor del cı́rculo del color, con
un valor desde 0 hasta 360, cada valor corresponde a un color por ejemplo rojo
= 0, amarillo = 60 y verde = 120, figura C.6.
Figura C.6: Rueda de ajuste HSV
La saturación es el radio (distancia) desde el eje central de brillo negro-blanco,

los valores posibles van del 0 a 100 %, a este parámetro también se le conoce como
pureza del color. El valor del color representa la altura en el eje blanco-negro con
valores de 0 a 100 % negro = 0, color saturado = 100. Existen modelos de color
similares al HSV entre los que se encuentran el HSL (Hue Saturation Lightness),
HSI (Hue Saturation Intensity) y el HCI (Hue Chroma Intensity). Todos los
modelos son transformaciones lineales del RGB y como tal comparten algunas de
sus limitaciones, sin embargo, el espacio de búsqueda es diferente ya que tiene la
forma de un cono, y esto puede ayudar en la búsqueda de soluciones diferentes
al usar heurı́sticas para exploración del espacio de color, figura C.7.
Figura C.7: Espacio de color HSV, se conceptualiza como una forma cónica
Apéndice D
Corrección gamma
D.1. Corrección gamma

Un problema que se asocia al despliegue de las intensidades calculadas es la
caracterı́stica no lineal de los dispositivos de despliegue [95]. Todos los modelos
de iluminación para gráficas por computadora producen un rango lineal de in-
tensidades. Por ejemplo, el color RGB (128, 128, 128) que se obtiene a partir
de un modelo de iluminación representa la mitad del rango de 0 a 255 de cada
una de las componentes. Estas intensidades se despliegan o se almacenan en un
archivo de imágenes como valores enteros, normalmente con un byte para cada
componente. El archivo también es lineal. Sin embargo, un monitor de video es
un dispositivo no lineal. Al establecer los valores de voltaje para el tubo de rayos
catódicos proporcionales a los valores de pı́xel lineales, entonces las intensidades
desplegadas cambian de acuerdo a la curva de respuesta del dispositivo. De esta
forma cuando la imagen con valores lineales se presenta en un dispositivo con
respuesta no lineal se presente una atenuación en la iluminación general de la
imagen, dicha atenuación es exponencial respecto a la curva de respuesta del dis-
positivo, figura D.1, [66].
Para corregir los factores no lineales del dispositivo de despliegue, los sistemas
de gráficas por computadora utilizan una corrección gamma de la intensidad[75].
La corrección gamma es una operación no lineal que se usa para codificar y de-
codificar la luminancia en las imágenes y se puede definir como:
VSalida = VEntrada (D.1)
Donde los valores de entrada y de salida deben ser valores reales positivos, con
valores de 0 a 1. A un valor gamma < 1 se le denomina gamma de codificación,
ya que al usarlo como una potencia del valor de color a transformar, el valor
disminuye, es decir se realiza una compresión gamma. Por otra parte un valor
137
138 APÉNDICE D. CORRECCIÓN GAMMA
Figura D.1: Imagen lineal mostrada en un dispositivo con comportamiento no

lineal y sin corrección gamma
.
gamma > 1, se le llama gamma de decodificación y al aplicarlo en la conversión

de un color se tiene una expansión gamma.
Cuando se aplica la corrección gama a los valores entregados al dispositivo de
despliegue la imagen corrige la luminancia y se ve fiel a la original, figura D.2.
Los diferentes dispositivos de despliegue tienen distintos valores de corrección
Figura D.2: Imagen lineal mostrada en un dispositivo con comportamiento no

lineal y con corrección gamma
gamma. Incluso los sistemas operativos usan diferentes niveles de corrección. Por
ejemplo una imagen generada en un sistema operativo Machintosh, al ser pasada
a un sistema Windows debe ser corregida con un factor gama para que la imagen
se vea igual que la original.
Corrección gamma en las gráficas por computadora
En las computadoras es posible manipular hasta cuatro elementos para lograr

una adecuada codificación gamma, para corregir la imagen a ser mostrada:
D.1. CORRECCIÓN GAMMA 139
El software de renderizado puede entregar valores lineales, o puede entregar

valores con corrección gamma adecuada para el dispositivo y el sistema
operativo.
Los valores de intensidad del pixel en una imagen de forma que representen
los valores gamma corregidos en lugar de una codificación lineal. Esto es
muy común en los archivos de video digital para evitar la etapa de decodi-
ficación gamma.
Adaptadores modernos de despliegue cuentan con sistemas de calibración

dedicados, los cuales pueden ser cargados con tablas de búsqueda que con-
tengan valores apropiados de corrección gamma, antes de que lleguen al
Convertidor Digital Analógico.
Los dispositivos de despliegue actuales permiten al usuario modificar su

comportamiento gamma, que al igual que la exterior, es un ajuste gamma
por hardware.
El caso que nos ocupa es el del software de renderizado, ya que al generar

la imagen, el modelo de iluminación debe considerar la corrección gamma que el
sistema en conjunto va a necesitar. Adicionalmente cada elemento que participe
en la adquisición, almacenamiento, comparación y generación de una imagen
necesita considerar si alguna de sus partes está llevando a cabo la corrección
gamma y en que forma, ası́ como sus respectivos ı́ndices de corrección.
Apéndice E
Otros experimentos
E.1. Problemas de comunicación

Cuando se trabaja con unidades de procesamiento gráfico (GPU), se presupo-
nen muchas ideas, una de ellas es que el aumento de unidades de procesamiento
supone una mejora lineal con respecto a las tareas a dividir. Como es bien sabido
en el área de procesamiento paralelo esto no es necesariamente cierto. En el caso
de nuestra investigación el GPU usado es un modelo con 32 núcleos de proce-
samiento, todos los experimentos se realizaron ahı́ y se demostró que se tuvo una
aceleración equivalente 30 veces la ejecución secuencial, sin embargo al ejecutar
los mismos algoritmos en un GPU con 240 núcleos se esperaba una aceleración
de aproximadamente 200 veces respecto a la ejecución secuencial, sin embargo la
aceleración fue solo ligeramente superior a la ejecución en la arquitectura de 32
núcleos, es decir, la aceleración en la arquitectura de 240 núcleos fue de solo 46
veces la de la ejecución secuencial. Al revisar el desempeño del GPU con el visual
profiler de la arquitectura se observó que un gran tiempo consumido por el GPU
se encontraba en la comunicación interna del GPU, en el área de memoria interna
del dispositivo, no en los registros, sino en la memoria compartida de los multin-
ucleos. Esto nos lleva a teorizar acerca de la forma de escribir los códigos para el
GPU, en este caso el código debe ser escrito pensando en que se van a generar col-
isiones de comunicación debido al comportamiento del programa ejecutado en el
GPU, en este caso una heurı́stica bioinspirada de carácter poblacional. NVIDIA
ya contempla estas dificultades en la comunicación y las expone en los manuales
de las arquitecturas mas recientes, y asimismo las ataca definiendo un conjunto
de funciones para la adecuada administración de la comunicación en caso de este
tipo de problemas de desempeño.
141
Lista de abreviaciones
Abreviación Descripción Usado

3D Tres dimensiones 2.3
4D Cuatro dimensiones 2.3
ASCA Analizador de control y estabilidad para aero- 1.1
planos de la marina
BFGS Método de análisis Broyden Fletcher Goldfarb 2.3.2
Shanno
BMP Mapa de Bits 4.2.1
BRDF Función bidireccional de distribución de la re- 2.3.2
flectancia
BTF Función de transporte de luz bidireccional 2.3
CIC Centro de Investigación en Computación 4
CIDETEC Centro de Innovación y Desarrollo Tecnológico en 7.3
Cómputo
CPU Unidad de procesamiento central 3.6
CMY Modelo de color aqua, margenta y amarillo C.1
CR Taza de cruce 3.5.1
CRI Índice de color de renderizado 3.4.1
CRT Tubo de rayos catódicos C.1
CUDA Arquitectura de dispositivo de computo unificada 3.6
ED Algoritmo de Evolución Diferencial 3.5.1
G Generación 3.5.1
GPU Unidad de Procesamiento Gráfico 2
HCI Modelo de color de matiz, cromaticidad e intensi- C.1
dad
HSI Modelo de color de matiz, saturación e intensidad C.1
HSL Modelo de color de matiz, saturación y luminosi- C.1
dad
HSV Modelo de color de matiz, saturación y valor C.1
IEEE Instituto de ingenieros en electricidad y elec- 7.3
trónica
IPN Instituto Politécnico Nacional 4
143
144 LISTA DE ABREVIACIONES
Abreviación Descripción Usado

ISI Instituto para Información la Cientı́fica 7.3
JCR Reporte de citas en revistas 7.3
JPG Grupo de unión de fotógrafos 4.2.1
LCD Despliegue de cristal liquido C.1
LED Diodo de emisión de luz 3.4.1
MIT Instituto Tecnológico de Masachusets 1.1
PC Computadora Personal 2.3
PSO Algoritmo de optimización por cúmulo de partı́cu- 3.5.2
las
RGB Modelo de color rojo, verde y azul C.1
SIMT Instrucción única múltiples hilos 3.6
UNAM Universidad Nacional Autonoma de México 7.3
VRML Lenguaje de modelado de realidad virtual 3.3
Glosario
Término Descripción
Algoritmo evolutivo Es un método de optimización y búsqueda de soluciones
basado en algunos postulados de la evolución biológica,
estos algoritmos son parte de la rama de la Inteligencia
Artificial, se usan, en su mayorı́a, en espacios de búsqueda
extensos y no lineales.
Algoritmo poblacional Es un método donde se mantiene un conjunto de agentes

que representan posibles soluciones, las cuales se mezclan,
y compiten entre sı́, de tal manera que las mejores son
capaces de prevalecer a lo largo del tiempo.
Color difuso Es el color más significativo de un objeto, es el color que

un objeto revela bajo la iluminación de una fuente de luz
blanca, sin ningún otro aporte de luz.
ED Evolución Diferencial, es un método de optimización que

pertenece a la categorı́a de algoritmos de computación evo-
lutiva y que se aplica a la resolución de problemas comple-
jos.
Embebido En este caso particular se refiere al nivel de implantación

de un algoritmo heterogéneo en programación CUDA, en
la cual la mayor parte del algoritmo se ejecuta dentro del
GPU y prácticamente nada se ejecuta en el CPU, salvo
entrada y despliegue de datos.
Estimación de parámetros Consiste en el cálculo aproximado de un parámetro des-

conocido, a partir de una gran variedad de métodos, para
este caso es a partir de heurı́sticas bioinspiradas.
145
146 GLOSARIO
Estimación Montecarlo Es un método no determinı́stico usado para aproximar ex-
presiones matemáticas complejas y costosas de evaluar con
exactitud, actualmente es parte fundamental de los algo-
ritmos de traza de rayos. En la renderizacion se usa para
eliminar el efecto de diente de sierra en las imágenes sinte-
tizadas, de esta forma la resolución aparente de la imagen
es mayor que la real.
Extracción de parámetros Consiste en la medición de parámetros de un sistema. En

este caso se refiere a los parámetros ópticos de los objetos
contenidos en los escenarios a analizar, dichos parámetros
pueden ser desde el color del objeto hasta el valor de dis-
persión de la luz de un fluido o gas.
Función objetivo Es la función que se desea optimizar, maximizar o mini-

mizar, en este caso se trata de minimizar la diferencia entre
dos imágenes, la imagen objetivo y la imagen generada por
la metodologı́a.
Goniómetro Es un instrumento de medición de ángulos, en este caso

se usa un fotogoniómetro el cual mide la intensidad de la
luz a diferentes ángulos, se usa para medir la curva de
distribución luminosa.
GPU Unidad de procesamiento gráfico, es una tarjeta de acele-

ramiento gráfico usada para mejorar el desempeño en los
cálculos asociados al proceso de renderizado de imágenes
de dos o de tres dimensiones.
Heurı́stica bioinspirada Estrategia o método usado para facilitar la solución de

problemas difı́ciles, basada en las observaciones del com-
portamiento de sistemas biológicos tales como la evolución
o el comportamiento de seres vivos como pueden ser los
peces o las hormigas.
Hilo Un hilo es básicamente una tarea que puede ser ejecutada

en paralelo con otra tarea. Un hilo de ejecución o sub-
proceso es una caracterı́stica que permite a una aplicación
realizar varias tareas de forma concurrente. Los distintos
hilos de ejecución comparten una serie de recursos tales co-
mo el espacio de memoria, los archivos abiertos, situación
de autenticación, etc. Esta técnica permite simplificar el
diseño de una aplicación que debe llevar a cabo distintas
funciones simultáneamente.
147
Iluminación inversa Se refiere a un problema en el cual se busca le mejor confi-
guración de las condiciones de iluminación, para iluminar
la escena por medio de la minimización de la diferencia
entre la escena renderizada y la imagen deseada.
Índice de reflexión Es determinado por la luz que se refleja de cada superficie,

y depende de las propiedades ópticas de dicha superficie,
es decir es el diferencial de la cantidad de energı́a incidente
que se refleja y la cantidad que se absorbe.
Índice de refracción Es una medida que determina la reducción de la velocidad

de la luz al propagarse por un medio homogéneo. Es decir,
es el cambio de la fase por unidad de longitud, esto es, el
número de onda en el medio k será n veces más grande que
el número de onda en el vacı́o k0 .
Mapa de bits Se refiere a un arreglo matricial de pixeles donde los ren-

glones y las columnas describen la posición de cada pı́xel
en una imagen. El valor almacenado en una celda corres-
pondiente a un renglón n por una columna m, donde se
almacena la intensidad de iluminación de un punto de la
imagen correspondiente a la ubicación m x n.
Radiosidad Es un conjunto de técnicas para el calculo de la ilumi-

nación que tratan de resolver el problema de sı́ntesis de
imagen de la forma más realista posible en el campo de los
gráficos en tres dimensiones. El problema del transporte
de la luz se modela considerando que cada fuente lumi-
nosa emite un número enorme de fotones, que rebotan al
chocar contra una superficie describiendo una cantidad de
trayectorias a simular en una computadora. Debido a que
esto es muy difı́cil de simular se recurre a algunas técni-
cas, una de dichas técnicas empleadas en el cálculo de la
radiosidad es por medio del Método Montecarlo.
Rasterizado Es un proceso por el cual una imagen descrita en un forma-

to gráfico vectorial se convierte en un conjunto de pı́xeles o
puntos para ser desplegados en un medio de salida digital,
como una pantalla de computadora o una imagen de mapa
de bits.
148 GLOSARIO
Reflexión especular Es el resultado de la casi total reflexión de la luz incidente
en una región concentrada alrededor de un ángulo de re-
flexión especular, y se caracteriza porque al observar una
superficie brillante iluminada, como una manzana, se apre-
cia un toque de luz o una mancha del color de la fuente de
iluminación y no del color de la manzana.
Renderizar Proceso de sı́ntesis de una imagen a partir de los datos de

un escenario virtual y que culmina con la generación de la
imagen que representa a dicho escenario desde un punto
de vista elegido con anterioridad.
PSO Algoritmo de optimización por cúmulo de partı́culas. Al-

goritmo de heurı́stica bioinspirada basada en un algoritmo
poblacional que toma patrones de comportamiento de gru-
pos de individuos como aves o enjambres de abejas, en el
cual todos los individuos se guı́an por los resultados de
una búsqueda propia y una búsqueda global, con el fin de
maximizar los resultados.
Traza de rayos Método de sı́ntesis de imágenes por computadora el cual

consiste en simular la emisión de un rayo de luz, desde una
posición de pı́xel a fin de localizar las intersecciones de la
superficie para determinar las superficies visibles en una es-
cena, una vez encontrada una superficie, el rayo es rebota-
do alrededor de la escena para recopilar las contribuciones
de la intensidad de otros objetos. Es un método sencillo y
poderoso usado para presentar efectos de reflexión global,
transmisión, sombreado, fuentes múltiples de iluminación,
movimiento, desenfoque de imagen. Por desgracia el uso
de este método es computacionalmente muy costoso, ya
que para generar imágenes fotorrealistas se necesita gene-
rar una gran cantidad de rayos.
Virtual Algo que no es real, pero que sin embargo puede presen-
tar algunas caracterı́sticas de lo real. En el caso de los
sistemas de cómputo se refiere a programas que simulan
el comportamiento de equipo o proceso. Sin embargo en
este caso particular se refiere a simulaciones generadas por
computadora de objetos reales para la construcción de es-
cenarios.

Tesis 12370

Cargado por

Copyright:

Formatos disponibles

Tesis 12370

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis 12370

Cargado por

Copyright:

Formatos disponibles

INSTITUTO POLITÉCNICO NACIONAL

Centro de Investigación en Computación

Algoritmos óptimos para la generación de imágenes

Que para obtener el grado de:

M. en C. Mauricio Olguı́n Carbajal

Director: Dr. Ricardo Barrón Fernández

México D.F., julio de 2011

La presente tesis aborda la propuesta y desarrollo de una metodología de extracción

A diferencia de las metodologías anteriores que usan un ciclo abierto para la

Al Instituto Politécnico Nacional, por toda la educación y formación que he

Al Centro de Investigación en Computación (CIC), por darme la oportunidad de

Al CONACyT por su apoyo a lo largo de mis estudios doctorales.

Al Centro de Innovación y Desarrollo Tecnológico en Cómputo (CIDETEC), por

A mi director de tesis el Dr. José Luis Oropeza Rodrı́guez, por su experiencia y

A mi familia, mi esposa Claudia por su incondicional apoyo, amor, compañı́a,

A mis hijas por su sola presencia.

A mis hermanos, abuelos, tı́os y primos que siempre me enseñaron y ayudaron a

A todos mis amigos, pasados y presentes por su amistad.

A todos mis profesores, de todos he aprendido mucho.

Agradecimientos personales XIII

2.3.1. Renderizado evolutivo . . . . . . . . . . . . . . . . . . . . . 16

4 Metodologı́a de extracción de parámetros 37

5 Implantación en la arquitectura paralela 59

5.2.3. Implantación de variantes del algoritmo PSO paralelo en el

6 Presentación y discusión de resultados 93

A Mejora en el tiempo 123

C Modelos de color 131

D Corrección gamma 137

E Otros experimentos 141

Lista de abreviaciones 143

2.1. Un modelo práctico para el transporte de luz subsuperficial, Henrik

3.1. Etapas del proceso de renderizado . . . . . . . . . . . . . . . . . . . . 22

4.1. Metodologı́a actual de obtención de parámetros . . . . . . . . . . . . . 38

4.8. Imágenes con un pı́xel de diferencia, a) imagen de referencia b) imagen

5.1. Comparativo del desempeño de las variantes PSO en función de la

5.7. Comparativo de la eficiencia de las variantes PSO paralelas en función

6.1. Imágenes de referencia para los experimentos . . . . . . . . . . . . . . 94

6.13. Evolución de las imágenes generadas, se presenta la mejor imagen de

B.1. Transformaciones de coordenadas mundiales a coordenadas de dispo-

C.1. Sı́ntesis de color, Aditiva . . . . . . . . . . . . . . . . . . . . . . . . . . 132

D.1. Imagen lineal mostrada en un dispositivo con comportamiento no li-

4.1. Codificación de parámetros para el modelo de color RGB . . . . . . . 48

5.1. Proporciones del costo computacional en función del número de partı́cu-

6.1. Desviación de cada uno de los mejores individuos con respecto a su

7.1. Publicaciones internacionales . . . . . . . . . . . . . . . . . . . . . . . 116

La presente tesis aborda la propuesta y desarrollo de una metodologı́a de extrac-

Se propone una metodologı́a para que, a partir de una imagen tomada de un

En el trabajo se observa que el nivel de exactitud de los parámetros obtenidos

We propose an optical parameters estimation metodology from data obtained of

Finally to improve the performance and speed, we show that a bioinspirated

El termino render se puede traducir como “interpretar”, de tal forma que

En el presente trabajo se propone una metodologı́a para que, a partir de una

ritmos heurı́sticos poblacionales tales como los algoritmos genéticos, la evolución

El diseñador de los modelos tridimensionales tiene que ajustar los parámetros

Nuestra metodologı́a, a diferencia de las existentes, propone el uso de una fase

La ventaja que presenta esta metodologı́a, respecto a la sı́ntesis puramente

autos e incluso algunos actores, con personajes renderizados y se requiere que su

1.4.2. Objetivos especı́ficos

2. Desarrollar un algoritmo heurı́stico poblacional bioinspirado para obtener