用卷积神经网络（CNN）中的卷积核（过滤器）提取图像特征

       这两天在听吴恩达讲解卷积神经网络的视频，对利用卷积层检测边缘特征也就是提取图像的特征有了一定的理解，并且通过查阅资料，用python实现了提取图像特征的过程，然后趁热打铁总结一下，话不多说，直接步入正题。

一、卷积层的原理以及概述

在卷积神经网络中，卷积运算是对两个矩阵进行的。CNN主要是通过卷积运算来完成特征提取的。图像卷积运算，主要是通过设定各种特征提取滤波器矩阵（卷积核，通常设定大小为3x3,或者5x5的矩阵），然后使用该卷积核在原图像矩阵（图像实际是像素值构成的矩阵）‘滑动’，实现卷积运算。下图是对卷积运算过程的直观展示。

       该图出自： Convolutional Neural Networks - Basics

       上图中左侧为输入矩阵M，中间为过滤器F（也叫卷积核），F以一定步长在M上进行移动，进行点积运算，得到右侧的输出矩阵O。这个就是卷积神经网络中卷积层最基础的运算。上述的过程也可以称为对图像的边缘检测（分为垂直检测和水平检测），也可以称为对图像特征的提取。

       注意：中间的过滤器中的参数值并不是固定的，但是很多的学术者