Os dados adquiridos nos experimentos físicos e nas imagens geométricas ou médicas são tipicamente discretas. Esses dados são interpretados como amostras de uma função desconhecida, porém cujas derivadas servem para caracterizar o dado. Por exemplo, o movimento de um fluido é descrito por um campo de velocidades, uma curva é caracterizada pela evolução da sua curvatura, as imagens médicas são geralmente segmentadas por estimativas de gradiente, entre outros. É possível obter derivadas coerentes a partir de filtragem dos dados. Porém, em dados multi-dimensionais, os filtros usuais privilegiam direções alinhadas com os eixos, o que pode gerar problemas quando essas derivadas são interpretadas geometricamente. Por exemplo, a curvatura estimada dependeria da orientação da curva, perdendo o sentido geométrico da curvatura. O objetivo do presente trabalho é melhorar a invariância geométrica dos filtros de derivadas.