Semelhante a sinais unidimensionais, baixas frequências nas imagens significam valores de pixel que estão mudando lentamente no espaço, enquanto conteúdo de alta frequência significa valores de pixels que estão mudando rapidamente no espaço.
Por exemplo, a imagem a seguir possui componentes fortes de baixa frequência: Você pode ver intuitivamente como eu simplesmente tenho uma onda sin propagada em alguma frequência baixa.
Por outro lado, esta imagem abaixo é composta por uma onda sin, com o dobro da frequência acima. Observe como isso se manifesta na imagem:
Qualquer imagem pode ter qualquer número de componentes de baixa e alta frequência juntos. Por exemplo, e uma imagem como esta possui componentes de baixa e alta frequência:
Você pode ver como possui uma 'tendência' de baixa frequência, mas também muitos detalhes de alta frequência na imagem. (Grosso modo, nas imagens, transientes nítidos como bordas correspondem a altas frequências, enquanto longos espaços imutáveis correspondem a baixas frequências).
Portanto, agora, o objetivo de uma aplicação de um filtro bilateral (que é simplesmente uma convolução da sua imagem com um kernel gaussiano) é remover componentes de alta frequência e reter seus componentes de baixa frequência. Então, neste caso, o que acontece se envolvermos a imagem acima, com um filtro gaussiano (bilateral) que se parece com isso?
Se usarmos isso como nosso kernel, obteremos o seguinte resultado:
Em outras palavras, removemos os componentes de alta frequência da imagem original, mas mantivemos os componentes de baixa frequência, pois a variação do núcleo gaussiano foi escolhida adequadamente.
