Calcular kernel de enfoque

Resulta útil cuando una biblioteca de imágenes, un shader, un flujo de Canvas o un procesador propio requiere coeficientes en lugar de un control deslizante. El resultado es determinista, está normalizado para conservar el brillo constante y puede copiarse directamente al código. Introduzca una intensidad finita entre 0 y 5 para consultar los pesos centrales, laterales y de esquina sin cargar ni procesar ninguna imagen.

De un control de enfoque a coeficientes concretos

Una interfaz suele describir el enfoque mediante un solo control deslizante, pero un motor de convolución necesita nueve números dispuestos en forma de matriz. Esta calculadora conecta ambas representaciones. Parte del kernel de desenfoque gaussiano 3x3 normalizado, cuyas filas son proporcionales a 1–2–1, y genera una máscara de enfoque sumando la señal original y restando una señal desenfocada multiplicada por la intensidad. En notación compacta, el kernel es (1 + strength)I − strength·G, donde I representa la matriz identidad y G el kernel gaussiano. La matriz resultante tiene coeficientes iguales en las esquinas, otros iguales en los lados y un coeficiente central mayor. Con intensidad cero, se obtiene la identidad y cada píxel permanece intacto. Al aumentar la intensidad, los píxeles vecinos aportan valores negativos y crece el peso central, lo que realza el contraste local de los bordes. La suma de coeficientes se mantiene exactamente en uno después del redondeo estable, por lo que una región uniforme conserva su nivel general.

Cómo interpretar y aplicar la matriz 3x3

El resultado presenta el kernel como tres arreglos en orden por filas. Para calcular cada píxel de salida, alinee el centro de la matriz con ese píxel, multiplique cada coeficiente por el píxel correspondiente de su vecindad 3x3 y sume los nueve productos. Aplique la operación por separado a cada canal de color, salvo que su sistema especifique un flujo basado únicamente en luminancia. El tratamiento de los límites queda fuera de esta estimación porque las bibliotecas ofrecen políticas diferentes: repetir el píxel más cercano, reflejar la imagen, envolver las coordenadas o ignorar vecindades incompletas. Estas opciones modifican el aspecto junto al marco, pero no el kernel. Algunas bibliotecas exigen una lista plana; en ese caso, concatene las filas devueltas de arriba abajo. Otras aplican correlación en lugar de convolución, pero este kernel es simétrico respecto a la rotación, así que ambas orientaciones generan los mismos coeficientes. El campo `coefficient_sum` permite comprobar la normalización y `size` confirma la dimensión esperada para un consumidor programático.

Cómo elegir una intensidad útil y entender el límite

Comience con una intensidad moderada y evalúe el resultado sobre imágenes representativas, no solo sobre un recorte de alto contraste. El enfoque aumenta el contraste local: puede aclarar detalles auténticos, pero también amplificar ruido del sensor, bloques de compresión, oscilaciones y halos. El intervalo admitido va de 0 a 5, ambos incluidos. Este límite explícito detecta porcentajes mal colocados y otras entradas accidentales antes de producir coeficientes extremos. Un valor de 1 combina la imagen original con un residual completo entre la fuente y su desenfoque gaussiano; los valores fraccionarios producen una corrección más suave y los mayores exageran el residual. El cálculo no examina ninguna imagen y, por tanto, no puede recomendar un ajuste estéticamente ideal. Solo estima el kernel matemático exacto del parámetro solicitado. Para obtener flujos reproducibles, registre la intensidad junto con el tratamiento de bordes, el espacio de color, la política de canales y cualquier recorte o cuantización posterior. Esas decisiones suelen explicar las diferencias visuales entre herramientas con la misma intensidad nominal.