Pequena matriz de valores de peso aplicada a cada pixel — 3×3, 5×5 ou maior. Define a operação de imagem: blur gaussiano, detecção de bordas Sobel, sharpening.
No monitor, há uma matriz de 3x3 números — essa é sua ferramenta para manipulação de pixels. Você aplica essa matriz a cada pixel individual da sua imagem, multiplica os pixels vizinhos pelos pesos correspondentes e soma o resultado. O resultado se torna o novo valor do pixel. Você repete esse processo para cada posição na imagem — e sua operação de imagem está pronta. Isso é a convolução, o kernel de convolução é a própria matriz.
O tamanho e os valores determinam tudo. Uma matriz simétrica de 3x3 com todos os uns, dividida por 9, cria um efeito de desfoque — cada pixel se torna a média de seus vizinhos. Se você aumentar os pesos no centro, reforça a informação original e cria um desfoque com presença. O famoso desfoque gaussiano, em essência, resulta em uma distribuição gaussiana como kernel — matrizes maiores (5x5, 7x7) com pesos decrescentes para o exterior. Se você quer detectar bordas, usa kernels de detecção de bordas como Sobel ou Roberts — onde pixels vizinhos têm sinais opostos, o que comprime as transições. O sharpening funciona de forma semelhante: valor central alto (por exemplo, +5), vizinhos negativos — isso reforça contrastes e traz definição.
No set, isso é secundário, mas na pós-produção — em Nuke, After Effects ou durante o pipeline de color grading — kernels de convolução são onipresentes. Você não vai escrever uma matriz manualmente toda vez; o software tem bibliotecas de filtros prontas com kernels otimizados. Mas se você precisa de looks personalizados ou quer entender o que acontece por baixo dos panos, precisa internalizar o princípio. Uma matriz de 5x5 custa mais poder de processamento do que uma de 3x3 — isso é relevante em cenas com muitos efeitos visuais. Kernels maiores trazem resultados mais suaves, mas também mais latência. Alguns diretores de fotografia e supervisores de VFX criam pilhas de desfoque iterativamente, várias convoluções fracas em vez de uma forte — isso geralmente parece mais natural e é mais amigável para o desempenho. Um ponto importante: operações de kernel são separáveis em certos filtros (como Gauss). Você pode primeiro convoluir horizontalmente e depois verticalmente — isso economiza poder de processamento massivo e, portanto, é o padrão em softwares de produção reais.
Lembre-se: o que o kernel não "vê" (as bordas da imagem) precisa ser extrapolado — estratégias de padding como Mirror, Wrap ou Constant-Black alteram o resultado aqui. No composite final, você percebe isso como um artefato de borda se estiver mal configurado.