一张图片对于计算机来说，它看到就是一个矩阵，其值从0~255之间，0表示黑色 ， 255表示白色 。
将输入的图像类比为如下的绿色的5*5的矩阵，实际上是0~255之间的值 ， 为了方便我们其中的像素值用0，1 表示，黄色表示卷积核，
那么卷积的计算过程就是，3*3的卷积核在绿色5*5的输入图像上不断从左往右开始扫描，分别对应相乘 ， 如1*1+1*0+0*1+1*0+1*1+1*0+0*1+1*0+1*1=3，依次得到右边的3*3的卷积后的图像，叫做特征图（Feature Map） ， 也就是卷积后提取的特征 。
对于不同的卷积核提取到的是不同的特征，如下图，
对右边的输入图像，分别使用中
【卷积神经网络中卷积是什么意思】
间不同的卷积核去进行滤波处理，得到提取到不同的特征图，如：边缘提取卷积核提取到的是edge特征，锐化卷积核提取到的是Sharpen特征，box blur 和Gaussian blur 就相当于opencv中的均值滤波和高斯滤波函数处理的结果 。这些滤波器使用的是固定的卷积核，所以提取的是固定的特征 。而卷积神经网络的卷积核是通过学习不断更新的 ， 当网络训练结束时，神经网络的卷积核也就确定了，卷积核中的每一个值都是一个神经元，神经网络的训练过程就是卷积核中权重不断更新的过程 。如下图所示，卷积核从左往右，从上往下不断扫描后得到的Feature Map,也就是提取到的特征 。
卷积核通过在输入图像上不断滑动来产生特征图(Feature Map)，不同的卷积核可以生成不同的Feature Map 。
卷积核相关参数介绍：
1、卷积核深度（depth），也就是卷积核的数量 。
2、步长（stride），就是卷积核在输入图片上每次移动的像素个数，stride越大，得到的Feature Map越小 ， 默认是Stride=(1,1) 。
3、补零（Zero-Padding),由于以stride从左到右移动最后时，可能出现移动到图片以外，所以出现补零操作,默认是0. 。
