Filtro que analiza y modifica vecindarios de píxeles locales — mediana, gaussiano, bilateral. Funciona directamente en el espacio de imagen, no en dominios de frecuencia.
En el set o en la edición, a menudo necesitas correcciones de imagen locales y rápidas, no efectos globales en todo el fotograma. Aquí es donde entran los filtros espaciales: analizan cada píxel y su vecindario inmediato, calculan un nuevo valor basándose en esta pequeña región y escriben el resultado de vuelta. Esto sucede en paralelo para cada punto de la imagen, por lo que el rendimiento es práctico incluso con altas resoluciones.
Los tipos clásicos: Un filtro de mediana ordena los valores de los píxeles en el vecindario y toma el valor medio, brutalmente eficaz contra el ruido y artefactos individuales, sin difuminar los bordes como lo haría un Gaussiano. Exactamente lo que necesitas si tu secuencia DNG tiene ruido del sensor, pero quieres mantener la nitidez de los detalles. Un desenfoque Gaussiano es lo contrario: ponderación uniforme con decaimiento, crea el desenfoque suave clásico para la composición de motion blur o como base para la corrección de color local. El filtro bilateral es el compromiso: suaviza los gradientes de color, pero respeta las transiciones de borde. Si quieres suavizar un rostro sin que parezca plastilina, el bilateral es tu primera opción.
En el día a día de la composición, utilizas filtros espaciales para operaciones de eliminación de ruido antes del keying, para la homogeneización local del brillo en pantallas verdes con iluminación desigual, o para suavizar errores de píxeles individuales en renders CGI antes de superponerlos. Los filtros espaciales también trabajan en la creación de máscaras (dilatación, erosión): expanden o contraen las áreas blancas basándose en el vecindario de píxeles. Esto es más rápido y local que las transformaciones globales y te da un control más preciso sobre las áreas problemáticas.
Importante: Los filtros espaciales operan directamente en el espacio de la imagen, no en el dominio de la frecuencia como los filtros basados en FFT. Esto los hace más intuitivos de controlar (radio en lugar de corte de frecuencia), pero también menos flexibles para patrones de artefactos complejos. Los kernels de filtro más grandes cuestan exponencialmente en rendimiento: una matriz de 5x5 es bastante barata, pero una de 21x21 empieza a ser un problema. Consejo profesional: los filtros separables (primero horizontal, luego vertical) para Gaussiano y mediana reducen drásticamente la complejidad.