Chamas Fractais: Algoritmos e Geração de Imagens

As chamas fractais (do inglês fractal flames) representam uma evolução dos sistemas de funções iteradas (IFS - Iterated Function Systems), sendo uma classe de fractais desenvolvida por Scott Draves em 1992. Diferente dos fractais IFS tradicionais, as chamas fractais introduzem a possibilidade de utilizar funções não lineares, mapeamento de densidade logarítmica e coloração baseada na estrutura recursiva, resultando em imagens com maior complexidade visual e apelo estético.

O código original de Draves foi disponibilizado como código aberto, o que permitiu que a tecnologia fosse portada para softwares de computação gráfica, como o Adobe After Effects, e servisse de base para a criação de editores especializados, como o Apophysis.

Diferenças em Relação aos Sistemas de Funções Iteradas (IFS)

As chamas fractais distinguem-se dos sistemas de funções iteradas convencionais por três características principais:

• Funções Não Lineares: Além das transformações afins, as chamas fractais permitem a iteração de funções não lineares.
• Exibição de Densidade Logarítmica: Em vez de utilizar uma representação linear ou binária, utiliza-se um mapeamento de tons logarítmicos, o que permite a visualização de detalhes em áreas de alta e baixa densidade.
• Coloração Estrutural: A cor é atribuída com base no caminho recursivo percorrido pelo ponto, e não apenas pela densidade ou de forma monocromática.

Funcionamento do Algoritmo

O processo de geração de uma chama fractal é dividido em duas etapas fundamentais: a criação de um histograma e a renderização final da imagem.

Criação do Histograma

O algoritmo inicia a iteração a partir de um ponto aleatório $P = (P.x, P.y, P.c)$, onde a terceira coordenada representa a cor atual do ponto. A cada iteração, uma função $F_j$ é escolhida com base em uma probabilidade $p_j$. O novo ponto é calculado aplicando-se a função escolhida às coordenadas $(P.x, P.y)$.

Cada função individual é composta por uma soma ponderada de variações $V_k$, onde $w_k$ é o peso da variação. Exemplos comuns de variações incluem:

• Linear: $V_0(x,y) = (x,y)$
• Sinusoidal: $V_1(x,y) = (\sin x, \sin y)$
• Esférica: $V_2(x,y) = (x,y)/(x^2+y^2)$

A cor do ponto $P.c$ é mesclada com a cor associada à função $F_j$ aplicada. Após cada iteração, o histograma é atualizado no ponto correspondente, fazendo com que as cores da imagem final reflitam as funções utilizadas para alcançar aquela região do espaço.

Renderização da Imagem

Para reduzir o ruído e aumentar a qualidade, utiliza-se a técnica de supersampling, criando-se um histograma maior que a imagem final. Por exemplo, um histograma de $300\times300$ células pode ser usado para gerar uma imagem de $100\times100$ pixels, onde cada pixel final é a média de um grupo de $3\times3$ células do histograma.

A renderização frequentemente utiliza a correção de gama para tornar as cores mais brilhantes, técnica implementada em softwares como o Apophysis. Embora a dependência linear da luminosidade em relação à frequência seja computacionalmente mais simples, ela resulta na perda de detalhes em certas partes do fractal, o que é evitado pelo uso de funções logarítmicas.

Estimação de Densidade

O algoritmo de chamas fractais funciona de forma análoga a uma simulação de Monte Carlo, onde a qualidade da imagem é proporcional ao número de iterações. O ruído resultante da amostragem estocástica pode ser reduzido através de desfoque (blurring), porém, isso pode comprometer a resolução em áreas com alta densidade de amostras.

Para solucionar isso, algumas implementações, como o FLAM3, utilizam a estimação de densidade adaptativa. Baseada em métodos de filtragem progressiva, essa técnica varia a largura do filtro inversamente à quantidade de amostras disponíveis: áreas com poucas amostras são mais suavizadas, enquanto áreas com alta densidade de amostras permanecem nítidas.