meskeIA

Visualizador de Convolución y Kernels

Edita un kernel 3×3 y mira cómo transforma la imagen al instante: la misma operación que usan los filtros de Photoshop, el postprocesado de videojuegos y las redes neuronales (CNN)

© 2026 meskeIA© 2026

1. Elige la imagen de muestra

La imagen se genera por código en el navegador (no se carga ningún archivo), por eso el resultado es siempre el mismo y se puede procesar píxel a píxel.

2. Aplica un filtro (preset)

3. Edita el kernel 3×3

Suma de pesos: 1Divisor aplicado: 1Resta los vecinos para realzar el contraste local y los detalles.
Si la suma de pesos es 0 (filtros de bordes), el divisor automático usa 1. Para el relieve y los Sobel, un desplazamiento de 128 centra el resultado en gris para ver bordes en ambos sentidos.

4. Compara el antes y el después

Original
Resultado

El resultado se recalcula automáticamente cada vez que cambias un peso, el divisor o el preset. Los bordes de la imagen se tratan por extensión (se repite el píxel del borde).

Guía de Convolución y Kernels de Imagen

De los filtros de Photoshop a las redes neuronales convolucionales (CNN)

Qué hace cada kernel

KernelIdeaQué haceDivisor típico
IdentidadCentro 1, vecinos 0No cambia nada: útil como punto de partida1
Desenfoque (box)Promedio de los 9 píxelesSuaviza, quita ruido y detalle fino9 (suma de pesos)
GaussianoMás peso al centroDesenfoque más natural, sin halos16
Enfocar (sharpen)Centro alto, vecinos negativosRealza el detalle y el contraste local1
Bordes (Laplaciano)Suma de pesos = 0Zonas planas a negro, bordes brillantes1
Sobel H / VGradiente en una direcciónDetecta bordes horizontales o verticales1 (+ offset 128)
Relieve (emboss)Pesos opuestos en diagonalAspecto repujado con luz lateral1 (+ offset 128)

Dónde se usa la convolución

Filtros de foto y Photoshop

Desenfocar, enfocar, perfilar o crear relieve son convoluciones. El menú «Filtro > Otros > A medida» de Photoshop es literalmente un editor de kernel como este.

El «desenfoque gaussiano» que ves en todas partes es esta operación con un kernel en forma de campana.

Postprocesado en videojuegos

Efectos como el bloom, el desenfoque de movimiento o el contorno de objetos (outline) se implementan en shaders aplicando kernels al fotograma renderizado.

En shaders, la convolución se hace muestreando texeles vecinos: la misma ventana 3×3 de aquí, pero en la GPU.

Visión por computador

Detectar bordes y esquinas es el primer paso de muchos algoritmos: Sobel y el Laplaciano preparan la imagen para detectar contornos, líneas o seguir objetos.

Suavizar con un gaussiano antes de buscar bordes reduce el ruido y mejora la detección (base del detector de Canny).

Redes neuronales (CNN)

Cada capa convolucional de una CNN aplica muchos kernels a la imagen. La diferencia es que sus pesos no se escriben a mano: se aprenden durante el entrenamiento.

Las primeras capas de una CNN suelen aprender detectores de bordes muy parecidos a Sobel; las profundas reconocen objetos.

Preguntas frecuentes

¿Qué diferencia hay entre convolución y correlación cruzada?

En la convolución matemática estricta el kernel se voltea (se gira 180°) antes de aplicarlo; en la correlación cruzada no. En procesamiento de imágenes y en las CNN casi siempre se usa la correlación cruzada y se la llama «convolución» por costumbre. Para kernels simétricos, como el desenfoque, el resultado es idéntico.

Este visualizador usa la correlación cruzada, la convención habitual en visión por computador y aprendizaje profundo.

¿Por qué algunos filtros oscurecen o aclaran toda la imagen?

El brillo medio cambia según la suma de los pesos. Si suman más de 1 (sin normalizar), la imagen se aclara; si suman menos, se oscurece. Por eso se divide por la suma de pesos: para conservar el brillo. En los filtros de bordes la suma es 0, así que las zonas planas quedan negras y solo brillan los cambios.

Activa el «divisor automático» y compara: sin normalizar, un box blur de pesos 1 dispara el brillo.

¿Para qué sirve el desplazamiento (offset)?

Los filtros de bordes y de relieve producen valores positivos y negativos. Como un píxel no puede ser negativo, los valores por debajo de 0 se recortarían a negro y se perdería información. Sumar 128 desplaza el cero a gris medio, de modo que se ven los cambios en ambos sentidos.

Por eso un Sobel con offset se ve gris con bordes claros y oscuros, en lugar de casi todo negro.

¿Qué pasa en los bordes de la imagen?

En el primer y último píxel el kernel 3×3 se sale de la imagen. Hay que decidir qué valor tienen esos vecinos inexistentes: rellenar con ceros, repetir el píxel del borde (extensión) o reflejar. Esta herramienta repite el píxel del borde, lo que evita marcos negros artificiales.

En las CNN, rellenar con ceros (zero padding) es lo más común porque permite controlar el tamaño de salida.

¿Por qué la convolución es la base de las CNN?

Una capa convolucional no es más que aplicar kernels a la imagen, igual que aquí. La clave es que un mismo kernel se reutiliza en toda la imagen (comparte pesos), así que detecta el mismo patrón aparezca donde aparezca. Esa eficiencia es lo que hizo posible la visión por computador moderna.

Entender un kernel 3×3 a mano es entender qué hace cada filtro de una red neuronal por dentro.

¿Cómo afecta el tamaño del kernel?

Aquí trabajamos con 3×3, el tamaño más común. Kernels mayores (5×5, 7×7) abarcan más vecindario: desenfocan más o detectan estructuras más grandes, pero cuestan más cálculo. Muchos efectos potentes se logran encadenando varios kernels pequeños en lugar de uno grande.

Dos desenfoques 3×3 seguidos equivalen aproximadamente a uno 5×5, y son más baratos de calcular.

Cómo se calcula un píxel de salida

1
Centra la ventana 3×3 en el píxel

Para calcular el píxel de salida (x, y), mira ese píxel y sus 8 vecinos: una ventana de 3×3 centrada en él.

2
Multiplica cada vecino por su peso

Empareja cada uno de los 9 píxeles de la ventana con el peso del kernel en esa posición y multiplícalos. Se hace por separado en cada canal de color (R, G y B).

3
Suma los 9 productos

Suma esos nueve resultados. Esa suma es el valor «crudo» del nuevo píxel antes de ajustar el brillo.

4
Divide y suma el offset

Divide entre el divisor (normalmente la suma de pesos) para conservar el brillo y suma el desplazamiento si lo hay.

5
Recorta a [0, 255] y repite

Limita el valor final entre 0 y 255 y guárdalo. Repite el proceso para todos los píxeles de la imagen.

Consejos para experimentar

Empieza por la identidad

Con un 1 en el centro y ceros alrededor la imagen no cambia. Mueve un peso y observa el efecto para entender cada posición.

Normaliza para conservar el brillo

Si los pesos suman más de 1, divide entre su suma. Activa el divisor automático y verás cómo se mantiene la luminosidad.

Usa offset para los bordes

En filtros con valores negativos (Sobel, relieve) suma 128 para no perder los valores por debajo de cero al recortar.

Compara las dos escenas

El tablero y las ondas tienen muchos bordes rectos y curvos: ideal para ver qué hacen Sobel y el Laplaciano.

Exagera el sharpen con cuidado

Subir el centro y bajar los vecinos enfoca más, pero en exceso aparecen halos y se amplifica el ruido.

Piensa en CNN

Cada kernel que diseñas a mano es un «filtro» como los que una red neuronal aprende sola al entrenarse.

Errores frecuentes al aplicar kernels
  • No normalizar: olvidar dividir entre la suma de pesos aclara u oscurece toda la imagen.
  • Ignorar los bordes: dejar los píxeles del contorno sin tratar produce marcos negros o ruido.
  • No recortar a [0, 255]: los valores fuera de rango dan colores erróneos o desbordes.
  • Olvidar el offset en filtros con pesos negativos: los valores negativos se pierden a negro.
  • Aplicar el kernel sobre la imagen ya modificada en vez de sobre una copia: corrompe el cálculo.
  • Procesar el canal alfa como si fuera color: hay que dejar la transparencia intacta.

Apps relacionadas