Filtro que analisa e modifica vizinhanças locais de pixels — mediana, Gaussiano, bilateral. Opera diretamente no espaço de imagem, não em domínios de frequência como FFT.
No set ou na edição, você frequentemente precisa de correções de imagem rápidas e locais — não efeitos globais em todo o quadro. É aí que entram os filtros espaciais: eles analisam cada pixel e sua vizinhança imediata, calculam um novo valor com base nessa pequena região e gravam o resultado de volta. Isso acontece em paralelo para cada ponto da imagem, por isso o desempenho é prático mesmo em altas resoluções.
Os tipos clássicos: Um filtro de mediana classifica os valores dos pixels na vizinhança e pega o valor do meio — brutalmente eficaz contra ruído e artefatos isolados, sem borrar as bordas como um filtro Gaussiano faria. É exatamente isso que você precisa quando sua sequência DNG tem ruído do sensor, mas você quer manter a nitidez dos detalhes. Um desfoque Gaussiano é o oposto: ponderação uniforme com decaimento — cria o clássico desfoque suave para composição de motion blur ou como base para color grading local. O filtro bilateral é o compromisso: ele suaviza gradientes de cor, mas respeita as transições de borda. Se você quer suavizar um rosto sem que ele pareça plastilina, o bilateral é sua primeira escolha.
No dia a dia da composição, você usa filtros espaciais para operações de denoising antes do keying, para homogeneização local de brilho em telas verdes com iluminação desigual ou para suavizar falhas de pixel individuais em renders CGI antes de empilhá-los. Filtros espaciais também trabalham na criação de máscaras — dilatar, erodir —: eles expandem ou encolhem áreas brancas com base na vizinhança de pixels. Isso é mais rápido e mais local do que transformações globais e lhe dá controle mais preciso sobre áreas problemáticas.
Importante: Filtros espaciais operam diretamente no espaço da imagem — não no domínio da frequência como filtros baseados em FFT. Isso os torna mais intuitivos de controlar (raio em vez de corte de frequência), mas também menos flexíveis para padrões de artefatos complexos. Kernels de filtro maiores custam exponencialmente em desempenho — uma matriz 5x5 ainda é barata, mas 21x21 começa a pesar. Dica profissional: filtros separáveis (primeiro horizontal, depois vertical) para Gaussiano e mediana reduzem a complexidade dramaticamente.