Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 3, 2026, julio-septiembre
DOI: https://doi.org/10.71112/nankke17
PROCESAMIENTO MORFOLÓGICO DE IMÁGENES BINARIAS MEDIANTE
CIRCUITOS CUÁNTICOS: UNA IMPLEMENTACIÓN EN QISKIT
MORPHOLOGICAL PROCESSING OF BINARY IMAGES USING QUANTUM
CIRCUITS: A QISKIT IMPLEMENTATION
Emily Andrea Franco Escudero
Leonardi Hernández Sánchez
Roberto Arceo Reyes
México
DOI: https://doi.org/10.71112/nankke17
1917 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Procesamiento morfológico de imágenes binarias mediante circuitos cuánticos:
una implementación en qiskit
Morphological processing of binary images using quantum circuits: a qiskit
implementation
Emily Andrea Franco Escudero
a,+
eaf.escudero@gmail.com
https://orcid.org/0009-0000-9678-6498
Leonardi Hernández Sánchez
b
leonardi1469@gmail.com
https://orcid.org/0009-0008-2648-4353
Roberto Arceo Reyes
a
roberto.arceo@unach.com
https://orcid.org/0000-0002-2558-2882
*
Autor de correspondencia: leonardi1469@gmail.com ,
a
Benemérita Universidad Autónoma de
Chiapas,
b
Instituto Nacional de Astrofísica, Óptica y Electrónica, México
RESUMEN
La erosión y la dilatación son operaciones fundamentales de la morfología matemática para
modificar la forma de objetos en imágenes binarias. En este trabajo se evaluó su
implementación mediante un circuito cuántico simulado en Qiskit, utilizando como referencia el
procesamiento clásico realizado con OpenCV. Se empleó la imagen Baboon en resoluciones
de 102×102, 128×128 y 256×256 píxeles, con 16, 160, 1600, 16000 y 160000 ejecuciones del
circuito. La comparación incluyó una revisión visual, el cálculo de MSE, PSNR y SSIM, y el
registro de los tiempos de simulación. El circuito reprodujo el efecto esperado de ambas
operaciones, aunque las imágenes no coincidieron completamente con las obtenidas en
OpenCV. La dilatación mostró una similitud más estable que la erosión. Además, aumentar las
DOI: https://doi.org/10.71112/nankke17
1918 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
ejecuciones no mejoró monotónicamente las métricas y sí incrementó considerablemente el
tiempo de cómputo.
Palabras clave: procesamiento cuántico de imágenes; morfología matemática; erosión;
dilatación; Qiskit; OpenCV.
ABSTRACT
Erosion and dilation are fundamental mathematical morphology operations used to modify the
shape of objects in binary images. This study evaluated their implementation through a quantum
circuit simulated in Qiskit, using classical processing in OpenCV as the reference. The Baboon
image was analyzed at resolutions of 102×102, 128×128, and 256×256 pixels, with 16, 160,
1600, 16000, and 160000 circuit executions. The comparison included visual inspection,
calculation of MSE, PSNR, and SSIM, and measurement of simulation times. The circuit
reproduced the expected effect of both operations, although the reconstructed images did not
fully match those obtained with OpenCV. Dilation showed more stable similarity than erosion. In
addition, increasing the number of executions did not improve the metrics monotonically and
substantially increased computation time.
Keywords: quantum image processing; mathematical morphology; erosion; dilation; Qiskit;
OpenCV.
Recibido: 8 agosto 2026 | Aceptado: 26 agosto 2026 | Publicado: 27 agosto 2026
DOI: https://doi.org/10.71112/nankke17
1919 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
INTRODUCCIÓN
La morfología matemática analiza la forma de los objetos a partir de operaciones
definidas sobre conjuntos de píxeles y un elemento estructurante. Entre sus transformaciones
más conocidas se encuentran la erosión y la dilatación. La primera contrae las regiones del
primer plano y puede suprimir componentes pequeños; la segunda expande esas regiones y
favorece la conexión de zonas próximas. Aunque ambas operaciones parten de reglas locales
sencillas, su efecto depende de la geometría de la imagen y del elemento estructurante
utilizado (González & Woods, 2018; Haralick et al., 1987; Vincent, 1993).
En el enfoque clásico, la imagen se representa como una matriz de píxeles, la cual se
convierte a escala de grises o binario. Para esto se fija un umbral que permite asignar a cada
píxel uno de dos valores posibles, 0 o 1. A partir de esta representación se analizan las
vecindades definidas alrededor de cada posición y se aplican las transformaciones. OpenCV
incluye herramientas específicas para realizar este proceso de manera optimizada, por lo que
resulta útil como referencia al evaluar otros métodos de procesamiento (Otsu, 1979; Pulli et al.,
2012).
En el enfoque de la computación cuántica el tratamiento de la información es diferente.
Su unidad básica es el qubit y las operaciones se realizan mediante compuertas reversibles, y
los resultados se obtienen a través de mediciones probabilísticas. El desarrollo del campo
comenzó con trabajos sobre simulación de sistemas físicos y modelos universales de cómputo
cuántico, y posteriormente dio lugar a algoritmos como los propuestos por Shor y Grover. En la
actualidad, herramientas como Qiskit permiten implementar y simular circuitos cuánticos desde
entornos de programación convencionales, lo que facilita su estudio sin disponer
necesariamente de un dispositivo cuántico físico (Deutsch, 1985; Feynman, 1982; Grover,
1996; Preskill, 2018; Qiskit Community, 2019; Shor, 1994).
DOI: https://doi.org/10.71112/nankke17
1920 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Una de las líneas que se ha desarrollado a partir de estos avances es el procesamiento
cuántico de imágenes. Las investigaciones en esta área han planteado distintas maneras de
codificar en estados cuánticos la posición de los píxeles, sus intensidades y, en algunos casos,
la información de color. Sobre estas representaciones se han propuesto procedimientos para
modificar el tamaño de las imágenes, comprimirlas o aplicar transformaciones específicas
(Haque et al., 2023; Jiang & Wang, 2015; Le et al., 2011; Nasr et al., 2021; Wang et al., 2022;
Yan et al., 2014, 2016; Yan & Venegas-Andraca, 2025; Zhang et al., 2013). También se han
estudiado aplicaciones más concretas, como la segmentación, la detección de bordes y las
operaciones morfológicas. Entre ellas se encuentran diversas propuestas de circuitos para
erosión y dilatación, así como implementaciones diseñadas para las limitaciones de los
sistemas cuánticos de la era NISQ (Caraiman & Manta, 2014; Geng et al., 2022; Li et al., 2019;
Liu et al., 2022; Ma et al., 2020; Yao et al., 2017; Yuan et al., 2015, 2016).Estas investigaciones
muestran que es posible trasladar operaciones de vecindad al modelo de circuitos, aunque su
costo y su comportamiento dependen de la representación elegida y del entorno de ejecución
(Leymann & Barzen, 2020).
Una imagen visualmente reconocible no basta para comparar la cercanía entre dos
procedimientos. En una simulación basada en mediciones, el número de ejecuciones o shots
determina cuántas veces se repite el circuito para estimar sus resultados. Además, al aumentar
la resolución crece el número de posiciones que deben procesarse. Por ello, en este estudio se
consideraron tanto la calidad de las imágenes reconstruidas como el tiempo necesario para
obtenerlas.
La comparación cuantitativa se realizó con tres métricas que describen aspectos
diferentes del error. El MSE mide la diferencia promedio entre los valores de los píxeles; el
PSNR expresa esa diferencia en relación con el rango máximo de intensidad; y el SSIM
compara la estructura, el contraste y la luminancia de las imágenes. Su uso conjunto evita
DOI: https://doi.org/10.71112/nankke17
1921 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
basar la evaluación en un único indicador (Horé & Ziou, 2010; Huynh-Thu & Ghanbari, 2008;
Wang & Bovik, 2002; Wang et al., 2004).
A partir de estas consideraciones, comparamos las operaciones de erosión y dilatación
obtenidas con OpenCV y con un circuito cuántico simulado en Qiskit. Se trabajó con la imagen
binaria Baboon en resoluciones de 102×102, 128×128 y 256×256 píxeles, y con cinco
cantidades de ejecuciones. El objetivo fue identificar la similitud entre las salidas de ambos
procedimientos y examinar cómo cambia la reconstrucción y el tiempo de simulación al variar la
resolución y el número de shots. Es importante señalar que el análisis se plantea como una
evaluación funcional del circuito, no como una demostración de ventaja cuántica.
Marco teórico
Imágenes binarias y morfología matemática
Una imagen digital puede representarse como una matriz cuyos elementos
corresponden a los valores de intensidad de sus píxeles, cada píxel solo puede tomar uno de
dos valores: 0 o 1, el valor 0 suele asignarse al fondo, mientras que el valor 1 corresponde a los
objetos o contornos que se desean analizar. Al reducir la imagen a estas dos posibilidades,
resulta más sencillo estudiar cambios en la forma, el tamaño y la conexión entre ellas.
(Gonzalez & Woods, 2018; Haralick et al., 1987).
La morfología matemática se encarga de analizar esas características geométricas.
Para ello emplea un elemento estructurante, es decir, una pequeña matriz binaria que se
desplaza sobre la imagen y define qué píxeles vecinos se toman en cuenta en cada posición. El
resultado de la operación depende de las dimensiones y de la forma elegida para este
elemento.
DOI: https://doi.org/10.71112/nankke17
1922 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Qubits y base computacional
La unidad básica de información es el qubit, el estado de un qubit puede escribirse
como una combinación lineal de los estados 0 y 1:
donde α y β son amplitudes complejas que satisfacen,
Los siguientes estados forman la base computacional:
,
Al medir un qubit en esta base, se obtiene 0 con probabilidad
o 1 con probabilidad
(Nielsen & Chuang, 2010).
En este trabajo, los valores de los píxeles de la imagen binaria se introducen mediante
estados de la base computacional respectivamente. Un píxel con valor 0 se asocia con 0,
mientras que un píxel con valor 1 se prepara aplicando una compuerta X al qubit
correspondiente. De esta forma, los datos clásicos de la imagen se incorporan al circuito antes
de ejecutar la secuencia de compuertas y las mediciones (Qiskit Community, 2019).
Compuertas utilizadas en el circuito
La compuerta X, también denominada compuerta de Pauli X, intercambia los estados de
la base computacional:
La compuerta Hadamard transforma un estado de la base computacional en una
superposición:
DOI: https://doi.org/10.71112/nankke17
1923 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Esta compuerta permite que un qubit participe en la evolución del circuito mediante una
combinación de ambos estados de la base computacional.
La compuerta CNOT actúa sobre dos qubits: uno de control y otro objetivo. El qubit
objetivo cambia de estado únicamente cuando el qubit de control se encuentra en 1. Su
acción puede escribirse como:
donde c representa el qubit de control, t el objetivo y la suma módulo dos.
Finalmente, la compuerta Toffoli actúa sobre tres qubits: dos controles y un objetivo. El
estado del qubit objetivo se modifica solamente cuando ambos controles están en 1:
Las compuertas CNOT y Toffoli permiten establecer operaciones condicionadas y
reversibles entre varios qubits. En el circuito de este trabajo se combinan con las compuertas X
y Hadamard para relacionar los valores de los píxeles de entrada y generar los estados que
posteriormente se miden para reconstruir las imágenes erosionada y dilatada (Barenco et al.,
1995; Nielsen & Chuang, 2010; Qiskit Community, 2019).
METODOLOGÍA
El estudio se centró en la implementación y evaluación de un circuito cuántico para
obtener las operaciones morfológicas de erosión y dilatación sobre la imagen binaria Baboon,
como se muestra en la Figura 1. La metodología comprendió la generación de imágenes
clásicas de referencia, la ejecución del circuito en Qiskit y la comparación de los resultados
obtenidos mediante ambos procedimientos.
DOI: https://doi.org/10.71112/nankke17
1924 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Figura 1.
Imagen original Baboon (izquierda), imagen binarizada de Baboon (derecha)
Se utilizaron versiones binarias de la imagen Baboon con resoluciones de 102×102,
128×128 y 256×256 píxeles. El uso de estas tres dimensiones permitió estudiar el
comportamiento de la implementación ante diferentes cantidades de píxeles de entrada.
Para cada resolución se aplicaron las operaciones de erosión y dilatación mediante
OpenCV. Las imágenes obtenidas con este procedimiento se utilizaron como referencia para
evaluar las salidas producidas por el circuito cuántico. Tanto la implementación clásica como la
cuántica partieron de las mismas matrices binarias y conservaron las dimensiones
correspondientes a cada configuración (Pulli et al., 2012).
El procesamiento cuántico se desarrolló en Qiskit y se ejecutó mediante el simulador
qasm simulator de Qiskit Aer. El circuito empleado para obtener las operaciones de erosión y
dilatación se construyó con 16 qubits y 2 bits clásicos, como se muestra en la Figura 2 (Qiskit
Community, 2019).
DOI: https://doi.org/10.71112/nankke17
1925 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Figura 2.
Circuito cuántico implementado en Qiskit para obtener las operaciones morfológicas de
erosión y dilatación.
La información de la imagen se representó mediante estados de la base computacional.
Los valores binarios iguales a cero se asociaron con el estado |0, mientras que los valores
iguales a uno se prepararon mediante la aplicación de compuertas (X) sobre los qubits
correspondientes (Qiskit Community, 2019).
La matriz de entrada se recorrió por filas y columnas. Para cada posición se construyó
una instancia del circuito y se introdujeron los valores binarios de los píxeles considerados en el
procesamiento. La arquitectura utilizó compuertas (X), Hadamard, CNOT y Toffoli para
relacionar los estados de entrada y generar las dos salidas asociadas con las operaciones
morfológicas.
Después de aplicar la secuencia de compuertas, se realizaron dos mediciones cuyos
resultados se almacenaron en los bits clásicos. Los valores binarios obtenidos se incorporaron
DOI: https://doi.org/10.71112/nankke17
1926 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
en dos arreglos independientes, uno correspondiente a la erosión y otro a la dilatación. Al
concluir el procesamiento de la matriz, cada arreglo se reorganizó de acuerdo con la resolución
de entrada para reconstruir las imágenes resultantes.
Este procedimiento permitió obtener, durante una misma ejecución del circuito, la
información necesaria para formar las salidas de erosión y dilatación de la imagen procesada.
El circuito se evaluó con 16, 160, 1600, 16000 y 160000 ejecuciones por cada posición
procesada. Estos valores corresponden al parámetro shots del simulador, es decir, al número
de veces que el circuito se ejecutó y midió para obtener los resultados asociados con cada
posición de la imagen (Qiskit Community, 2019).
Cada operación morfológica se obtuvo a partir de las salidas del circuito, mientras que el
número de shots determinó la cantidad de mediciones realizadas en cada configuración.
Para cada resolución y número de ejecuciones se reconstruyeron por separado las imágenes
erosionada y dilatada. Las configuraciones de 16, 160 y 1600 ejecuciones se utilizaron para la
comparación cuantitativa. Las configuraciones de 16000 y 160000 ejecuciones se incluyeron en
la comparación visual y en el análisis de los tiempos de cómputo.
Las imágenes obtenidas mediante el circuito cuántico se compararon con las imágenes
de referencia generadas en OpenCV. La evaluación se realizó por separado para la erosión y la
dilatación y consideró las tres resoluciones de Baboon.
El análisis cualitativo consistió en comparar visualmente la estructura general de la
imagen, la definición de sus detalles y los cambios producidos en las regiones claras y oscuras
por cada operación morfológica.
La comparación cuantitativa se realizó mediante las siguientes métricas:
• Error cuadrático medio (MSE);
• Proporción máxima de señal a ruido (PSNR);
• Índice de similitud estructural (SSIM).
DOI: https://doi.org/10.71112/nankke17
1927 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Estas métricas se calcularon entre las imágenes obtenidas mediante Qiskit y sus
correspondientes referencias clásicas para 16, 160 y 1600 ejecuciones. El MSE se empleó para
cuantificar las diferencias entre los valores de los píxeles; el PSNR permitió evaluar la calidad
de las imágenes con respecto a la referencia; y el SSIM se utilizó para analizar su similitud
estructural (Horé & Ziou, 2010; Huynh-Thu & Ghanbari, 2008; Wang & Bovik, 2002; Wang et al.,
2004).
Adicionalmente, se registraron los tiempos de ejecución de las operaciones de erosión y
dilatación para examinar su variación con respecto al tamaño de la imagen y al número de
shots. La evaluación conjunta de las imágenes, las métricas de similitud y los tiempos de
cómputo permitió caracterizar el funcionamiento del circuito cuántico sobre la imagen Baboon.
RESULTADOS
La erosión cuántica se evaluó con la imagen Baboon en resoluciones de 102×102,
128×128 y 256×256 píxeles. Para cada tamaño se reconstruyeron cinco imágenes,
correspondientes a 16, 160, 1600, 16000 y 160000 ejecuciones del circuito.
En la Figura 3 se observa el efecto esperado de la erosión: las regiones blancas se
reducen y en consecuencia las zonas oscuras se agrandan. Con 16 ejecuciones todavía se
distingue la estructura general de Baboon, mientras que en las configuraciones posteriores
cambian la continuidad de los contornos y la cantidad de detalles conservados.
Las diferencias se observan con mayor claridad en 256×256 píxeles, porque esa
resolución contiene más bordes y componentes pequeños. En las reconstrucciones con
números altos de ejecuciones, la imagen se vuelve más oscura y algunos rasgos finos pierden
definición. Estas observaciones describen el resultado de la configuración empleada y se
contrastan más adelante con las métricas cuantitativas.
DOI: https://doi.org/10.71112/nankke17
1929 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Resultados de la dilatación
La Figura 4 reúne las salidas correspondientes a la dilatación para las mismas
resoluciones y cantidades de ejecuciones. En este caso, las regiones blancas se extienden y
ocupan una mayor parte de la imagen, de acuerdo con el efecto característico de la operación.
Las imágenes obtenidas con 16 y 160 ejecuciones conservan de manera reconocible los
contornos principales de Baboon. La distribución de las áreas claras se mantiene próxima a la
referencia y todavía es posible identificar los rasgos centrales de la imagen.
A medida que aumenta el número de ejecuciones, las regiones blancas se amplían y el
contraste disminuye. El cambio es más evidente en 256×256 píxeles y en las configuraciones
de 16000 y 160000 ejecuciones, donde parte de la estructura interna queda cubierta por la
expansión de las zonas claras.
Figura 4.
Resultados de la dilatación de la imagen Baboon
DOI: https://doi.org/10.71112/nankke17
1930 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Comparación entre OpenCV y Qiskit
Para comparar las salidas de Qiskit con las imágenes de referencia de OpenCV se
calcularon PSNR, MSE y SSIM. El análisis cuantitativo se concentró en 16, 160 y 1600
ejecuciones, tanto para erosión como para dilatación.
Las configuraciones de 16 y 160 ejecuciones presentan, en conjunto, las menores
diferencias entre los dos procedimientos. Esta tendencia aparece en la inspección visual y
también en los valores de las tres métricas.
Con 1600 ejecuciones la separación entre las imágenes se hace más notoria. En los
casos donde la similitud disminuye, el PSNR y el SSIM se reducen, mientras que el MSE
aumenta, lo que indica una diferencia mayor entre los valores de los píxeles.
La resolución también modifica la comparación. Las discrepancias son menos visibles
en 102×102 píxeles y se distinguen con mayor facilidad en 256×256, donde se acumulan más
variaciones locales y se conservan más detalles de la imagen de entrada.
En términos generales, la dilatación mantiene una correspondencia más uniforme con
OpenCV que la erosión. La Figura 5 resume este comportamiento y permite observar, para
cada resolución y operación, cómo cambian las métricas con el número de ejecuciones
considerado.
DOI: https://doi.org/10.71112/nankke17
1931 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Figura 5.
Comparación cuantitativa entre los resultados obtenidos mediante OpenCV y Qiskit para la
imagen Baboon: (a) PSNR, (b) MSE y (c) SSIM en las operaciones de erosión y dilatación
DOI: https://doi.org/10.71112/nankke17
1932 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Tiempos de ejecución
Los tiempos de simulación aumentaron al incrementar tanto la resolución como el
número de ejecuciones. Las configuraciones de 102×102 píxeles fueron las menos costosas,
mientras que las de 256×256 requirieron los tiempos más altos.
El crecimiento se vuelve especialmente marcado en 16000 y 160000 ejecuciones. El
caso de 256×256 píxeles con 160000 ejecuciones alcanzaron aproximadamente 32000
segundos. Dado que el circuito produce las dos salidas en el mismo procesamiento, estos
valores corresponden al procedimiento conjunto utilizado para reconstruir erosión y dilatación, y
no a tiempos independientes para cada operación.
Figura 6.
Tiempos de ejecución de las operaciones de erosión y dilatación en función de la resolución
de Baboon y del número de ejecuciones del circuito
DOI: https://doi.org/10.71112/nankke17
1933 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
DISCUSIÓN
Las imágenes obtenidas confirman que el circuito reproduce la acción básica de las dos
operaciones morfológicas: la erosión contrae las regiones claras y la dilatación las expande.
Esto permite reconocer una correspondencia funcional con OpenCV. Sin embargo, las
diferencias visibles y las métricas muestran que la equivalencia no es exacta. El resultado
depende de la operación, de la resolución y de la cantidad de mediciones utilizada para
reconstruir cada píxel, como también se ha señalado en propuestas de morfología y
procesamiento cuántico de imágenes (Li et al., 2019; Ma et al., 2020; Yuan et al., 2015, 2016).
Para Baboon, la dilatación fue más estable que la erosión. Una explicación posible está
en la propia estructura de la imagen: abundan bordes, zonas estrechas y detalles pequeños en
la erosión, un cambio localizado puede hacer que desaparezca una parte del borde o incluso
una estructura delgada. En la dilatación, en cambio, esa misma variación puede quedar
absorbida dentro de una región blanca de mayor tamaño y resultar menos visible. Esto ayuda a
explicar por qué las diferencias entre Qiskit y OpenCV no afectan de la misma manera a ambas
operaciones. Aunque este comportamiento es compatible con la sensibilidad a las vecindades
locales señalada en otros trabajos de procesamiento cuántico de imágenes, no puede
considerarse general sin evaluar un conjunto más amplio de imágenes (Caraiman & Manta,
2014; Geng et al., 2022; Yao et al., 2017).
También resulta importante analizar lo ocurrido al aumentar el número de shots. Repetir
la medición más veces debería permitir una estimación más precisa de la distribución de salida.
Sin embargo, en este estudio el incremento de las ejecuciones no produjo una mejora continua
en PSNR, MSE o SSIM. Esto sugiere que las diferencias observadas no dependen solamente
del muestreo. También pueden estar relacionadas con la manera en que se introduce la
información de la vecindad, se selecciona el resultado de la medición y se reconstruye la matriz
DOI: https://doi.org/10.71112/nankke17
1934 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
binaria. Por esta razón, aumentar los shots no elimina necesariamente los errores introducidos
en otras etapas del procedimiento (Geng et al., 2022; Preskill, 2018).
La resolución de la imagen también influye en la visibilidad de estas diferencias. Una
imagen de 256×256 píxeles contienen más posiciones y detalles que una de 102×102. Por ello,
pequeñas variaciones producidas durante el procesamiento pueden acumularse y hacerse más
evidentes en los contornos o en las regiones de mayor textura. Este efecto es especialmente
perceptible en Baboon, debido a la cantidad de bordes y cambios de intensidad presentes en la
imagen. La relevancia de la representación y del escalamiento también ha sido señalada en
distintas propuestas de procesamiento cuántico de imágenes (Haque et al., 2023; Jiang &
Wang, 2015; Le et al., 2011; Nasr et al., 2021; Zhang et al., 2013).
La principal limitación práctica de la simulación fue el tiempo requerido. A medida que
se aumentó la resolución y el número de ejecuciones, también lo hizo el costo computacional.
De manera esperada el caso con más requerimientos correspondió a la imagen de 256×256
píxeles con 160000 shots, para la cual se registró un tiempo cercano a 32000 segundos. Este
aumento no estuvo acompañado por una mejora proporcional en las métricas de calidad.
Dentro de las configuraciones analizadas, los números menores de ejecuciones ofrecieron una
relación más conveniente entre similitud y tiempo de procesamiento. Este resultado debe
interpretarse considerando que el circuito fue evaluado mediante simulación clásica y dentro de
las limitaciones asociadas con el contexto NISQ (Leymann & Barzen, 2020; Preskill, 2018).
Los tiempos mostrados en la gráfica no corresponden al desempeño de un procesador
cuántico real. El circuito se ejecutó en un simulador, por lo que cada medición incluye el costo
de reproducir su comportamiento mediante una computadora clásica. Además, no fue posible
separar el tiempo de erosión del tiempo de dilatación, ya que las dos salidas se obtienen
durante la misma ejecución del circuito. En consecuencia, estos resultados no permiten
establecer una ventaja temporal frente a OpenCV. Su utilidad radica en mostrar el
DOI: https://doi.org/10.71112/nankke17
1935 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
funcionamiento del diseño y el costo requerido para evaluarlo con la estrategia empleada
(Wang et al., 2022; Yan & Venegas-Andraca, 2025).
Finalmente, el análisis se realizó únicamente con una imagen binaria y con un registro
de tiempo para cada configuración. No se calcularon promedios ni desviaciones estándar, y
tampoco se probaron otros tipos de imágenes o elementos estructurantes. Debido a estas
limitaciones, todavía no es posible distinguir con precisión qué parte de la variación se debe al
simulador y cuál corresponde al propio circuito. Un estudio posterior debería incluir varias
repeticiones independientes, imágenes con características diferentes, optimización de
compuertas y pruebas en hardware cuántico. Esto permitiría determinar cuáles de los
comportamientos observados se mantienen fuera del caso específico de Baboon (Geng et al.,
2022; Liu et al., 2022).
CONCLUSIONES
Se implementó en Qiskit un circuito de 16 qubits y 2 bits clásicos capaz de producir, en
un mismo procesamiento, las salidas utilizadas para reconstruir la erosión y la dilatación de la
imagen binaria Baboon. La prueba se realizó en tres resoluciones y con cinco cantidades de
ejecuciones, lo que permitió observar el comportamiento del circuito bajo distintas cargas de
simulación.
La comparación con OpenCV mostró que las dos operaciones conservan su efecto
morfológico general, pero no generan imágenes idénticas a la referencia clásica. En el caso
analizado, la dilatación presentó una similitud más estable que la erosión y las configuraciones
de 16 y 160 ejecuciones ofrecieron la correspondencia más favorable entre las evaluadas.
Aumentar el número de shots no garantizó mejores valores de MSE, PSNR o SSIM. En cambio,
sí produjo un crecimiento importante del tiempo de cómputo, particularmente en 256×256
DOI: https://doi.org/10.71112/nankke17
1936 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
píxeles. Por esta razón, las configuraciones con menos ejecuciones resultaron más
convenientes para el balance entre calidad de reconstrucción y costo de simulación.
El trabajo demuestra que las operaciones morfológicas binarias pueden explorarse
mediante un circuito cuántico y evaluarse con herramientas habituales de procesamiento de
imágenes. No demuestra una ventaja sobre OpenCV ni permite generalizar el resultado a otras
imágenes. El siguiente paso será ampliar el conjunto de pruebas, repetir cada configuración
para estimar su variabilidad, optimizar el circuito y estudiar su ejecución en dispositivos
cuánticos reales.
Declaración de conflicto de interés
Los autores declaran no tener ningún conflicto de interés relacionado con esta
investigación.
Declaración de contribución a la autoría
Emily Andrea Franco Escudero primer autor: conceptualización, curación de datos,
análisis formal, investigación, metodología, administración del proyecto, software, validación,
visualización, redacción del borrador original, revisión y edición de la redacción.
Roberto Arceo Reyes segundo autor: curación de datos, análisis formal, adquisición de
fondos, recursos, software, supervisión, visualización, redacción del borrador original, revisión y
edición de la redacción, administración del proyecto.
Leonardi Hernández Sánchez tercer autor: curación de datos, administración del
proyecto, análisis formal, adquisición de fondos, recursos, supervisión, visualización, validación,
visualización, redacción del borrador original, revisión y edición de la redacción,
DOI: https://doi.org/10.71112/nankke17
1937 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Declaración de uso de inteligencia artificial
Los autores declaran que utilizaron herramientas de inteligencia artificial como apoyo en
la revisión de estilo y organización del manuscrito. Estas herramientas no sustituyeron el
análisis, la interpretación ni las decisiones académicas de los autores. Los datos, figuras,
cálculos, citas y referencias fueron revisados y validados por los autores antes de preparar la
versión final.
REFERENCIAS
Caraiman, S., & Manta, V. I. (2014). Histogram-based segmentation of quantum images.
Theoretical Computer Science, 529, 46–60. https://doi.org/10.1016/j.tcs.2013.08.005
Deutsch, D. (1985). Quantum theory, the Church–Turing principle and the universal quantum
computer. Proceedings of the Royal Society of London. A. Mathematical and Physical
Sciences, 400(1818), 97–117. https://doi.org/10.1098/rspa.1985.0070
Feynman, R. P. (1982). Simulating physics with computers. International Journal of Theoretical
Physics, 21(6–7), 467–488. https://doi.org/10.1007/BF02650179
Geng, A., Moghiseh, A., Redenbach, C., & Schladitz, K. (2022). A hybrid quantum image edge
detector for the NISQ era. Quantum Machine Intelligence, 4, Article 15.
https://doi.org/10.1007/s42484-022-00071-3
Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson.
Grover, L. K. (1996). A fast quantum mechanical algorithm for database search. In Proceedings
of the twenty-eighth annual ACM symposium on theory of computing (pp. 212–219).
ACM. https://doi.org/10.1145/237814.237866
Haque, M. E., Paul, M., Ulhaq, A., & Debnath, T. (2023). Advanced quantum image
representation and compression using a DCT-EFRQI approach. Scientific Reports, 13,
Article 4129. https://doi.org/10.1038/s41598-023-30575-2
DOI: https://doi.org/10.71112/nankke17
1938 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Haralick, R. M., Sternberg, S. R., & Zhuang, X. (1987). Image analysis using mathematical
morphology. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-
9(4), 532–550. https://doi.org/10.1109/TPAMI.1987.4767941
Horé, A., & Ziou, D. (2010). Image quality metrics: PSNR vs. SSIM. In 2010 20th International
Conference on Pattern Recognition (pp. 2366–2369). IEEE.
https://doi.org/10.1109/ICPR.2010.579
Huynh-Thu, Q., & Ghanbari, M. (2008). Scope of validity of PSNR in image/video quality
assessment. Electronics Letters, 44(13), 800–801. https://doi.org/10.1049/el:20080522
Jiang, N., & Wang, L. (2015). Quantum image scaling using nearest neighbor interpolation.
Quantum Information Processing, 14(5), 1559–1571. https://doi.org/10.1007/s11128-
014-0841-8
Le, P. Q., Dong, F., & Hirota, K. (2011). A flexible representation of quantum images for
polynomial preparation, image compression, and processing operations. Quantum
Information Processing, 10(1), 63–84. https://doi.org/10.1007/s11128-010-0177-y
Leymann, F., & Barzen, J. (2020). The bitter truth about gate-based quantum algorithms in the
NISQ era. Quantum Science and Technology, 5(4), Article 044007.
https://doi.org/10.1088/2058-9565/abae7d
Li, P., Shi, T., Lu, A., & Wang, B. (2019). Quantum circuit design for several morphological
image processing methods. Quantum Information Processing, 18(12), Article 364.
https://doi.org/10.1007/s11128-019-2479-z
Liu, W., Wang, L., & Cui, M. (2022). Quantum image segmentation based on grayscale
morphology. IEEE Transactions on Quantum Engineering, 3, Article 3103012, 1–12.
https://doi.org/10.1109/TQE.2022.3223368
Ma, S.-Y., Khalil, A., Hajjdiab, H., & Eleuch, H. (2020). Quantum dilation and erosion. Applied
Sciences, 10(11), Article 4040. https://doi.org/10.3390/app10114040
DOI: https://doi.org/10.71112/nankke17
1939 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Nasr, N., Younes, A., & Elsayed, A. (2021). Efficient representations of digital images on
quantum computers. Multimedia Tools and Applications, 80(25), 34019–34034.
https://doi.org/10.1007/s11042-021-11355-4
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions
on Systems, Man, and Cybernetics, 9(1), 62–66.
https://doi.org/10.1109/TSMC.1979.4310076
Preskill, J. (2018). Quantum computing in the NISQ era and beyond. Quantum, 2, Article 79.
https://doi.org/10.22331/q-2018-08-06-79
Pulli, K., Baksheev, A., Kornyakov, K., & Eruhimov, V. (2012). Real-time computer vision with
OpenCV. Communications of the ACM, 55(6), 61–69.
https://doi.org/10.1145/2184319.2184337
Qiskit Community (2019). Qiskit: An open-source framework for quantum computing [Software
de computadora]. Zenodo. https://doi.org/10.5281/zenodo.2562111
Shor, P. W. (1994). Algorithms for quantum computation: Discrete logarithms and factoring. In
Proceedings of the 35th Annual Symposium on Foundations of Computer Science (pp.
124–134). IEEE. https://doi.org/10.1109/SFCS.1994.365700
Vincent, L. (1993). Morphological grayscale reconstruction in image analysis: Applications and
efficient algorithms. IEEE Transactions on Image Processing, 2(2), 176–201.
https://doi.org/10.1109/83.217222
Wang, Z., & Bovik, A. C. (2002). A universal image quality index. IEEE Signal Processing
Letters, 9(3), 81–84. https://doi.org/10.1109/97.995823
Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assessment:
From error visibility to structural similarity. IEEE Transactions on Image Processing,
13(4), 600–612. https://doi.org/10.1109/TIP.2003.819861
DOI: https://doi.org/10.71112/nankke17
1940 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Wang, Z., Xu, M., & Zhang, Y. (2022). Review of quantum image processing. Archives of
Computational Methods in Engineering, 29(2), 737–761. https://doi.org/10.1007/s11831-
021-09599-2
Yan, F., Iliyasu, A. M., & Jiang, Z. (2014). Quantum computation-based image representation,
processing operations and their applications. Entropy, 16(10), 5290–5338.
https://doi.org/10.3390/e16105290
Yan, F., Iliyasu, A. M., & Venegas-Andraca, S. E. (2016). A survey of quantum image
representations. Quantum Information Processing, 15(1), 1–35.
https://doi.org/10.1007/s11128-015-1195-6
Yan, F., & Venegas-Andraca, S. E. (2025). Lessons from twenty years of quantum image
processing. ACM Transactions on Quantum Computing, 6(1), Article 5, 1–29.
https://doi.org/10.1145/3663577
Yao, X.-W., Wang, H., Liao, Z., Chen, M.-C., Pan, J., Li, J., Zhang, K., Lin, X., Wang, Z., Luo,
Z., Zheng, W., Li, J., Zhao, M., Peng, X., & Suter, D. (2017). Quantum image processing
and its application to edge detection: Theory and experiment. Physical Review X, 7(3),
Article 031041. https://doi.org/10.1103/PhysRevX.7.031041
Yuan, S., Mao, X., Li, T., Xue, Y., Chen, L., & Xiong, Q. (2015). Quantum morphology
operations based on quantum representation model. Quantum Information Processing,
14(5), 1625–1645. https://doi.org/10.1007/s11128-014-0862-3
Yuan, S., Mao, X., Chen, L., & Wang, X. (2016). Improved quantum dilation and erosion
operations. International Journal of Quantum Information, 14(7), Article 1650036.
https://doi.org/10.1142/S0219749916500362
Zhang, Y., Lu, K., Gao, Y., & Wang, M. (2013). NEQR: A novel enhanced quantum
representation of digital images. Quantum Information Processing, 12(8), 2833–2860.
https://doi.org/10.1007/s11128-013-0567-z
DOI: https://doi.org/10.71112/nankke17
1941 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre
Barenco, A., Bennett, C. H., Cleve, R., DiVincenzo, D. P., Margolus, N., Shor, P., Sleator, T.,
Smolin, J. A., & Weinfurter, H. (1995). Elementary gates for quantum computation.
Physical Review A, 52(5), 3457–3467. https://doi.org/10.1103/PhysRevA.52.3457
Nielsen, M. A., & Chuang, I. L. (2010). Quantum computation and quantum information (10th
anniversary ed.). Cambridge University Press.
