一张图在人眼看来是房屋和道路，在计算机中首先是像素矩阵。程序怎样从数值变化中找到边缘和纹理？读完本文，可以手算一个 3×3 核的输出，检查边缘响应，并说明边缘特征为何不等于物体类别。卷积层通过小窗口反复读取局部区域，让同一组参数在不同位置复用。不同核可以强调平滑、锐化或方向变化。学会这一基础后，再看分类、检测和分割模型，就更容易理解它们如何构建复杂特征。文章目录图像中间出现一条边界，数值上是什么变化核心概念与工作机制最小示例验证结果常见误区与适用边界总结图像中间出现一条边界，数值上是什么变化考虑一张五列灰度图，左侧像素值为 0，右侧为 10。人眼会看到一条竖向分界线。水平变化核把左邻域与右邻域的数值相减，靠近分界线的位置得到较大响应，平坦区域接近 0。这个“边缘”是局部变化的测量，不包含“这是什么物体”的语义。局部区域左右像素差典型响应灰度几乎不变小接近 0亮度突变大较强反方向突变符号相反方向相反的响应核心概念与工作机制像素、通道和局部窗口。灰度图可看作二维矩阵；彩色图通常还有通道维度。卷积核是较小的权重矩阵，按窗口滑过图像，在每个位置做逐项乘加，输出新的特征图。步幅与边界。步幅决定核移动的间隔；是否补边决定输出尺寸。若一个 5×5 图像用 3×3 核、步幅 1 且不补边，输出为 3×3。边界处理不同，即使使用同一核，输出大小和边缘数值也会不同。从低层到高层。单个核只对某种局部模式敏感，卷积网络通过
