kernel 中的卷积核介绍：
简介卷积核（kernel），也叫卷积矩阵（convolution matrix）或者掩膜（mask），本质上是一个非常小的矩阵，最常用的是 3×3 矩阵。主要是利用核与图像之间进行卷积运算来实现图像处理，能做出模糊、锐化、凹凸、边缘检测等效果。
卷积运算卷积在通俗上理解是把原始矩阵中的每一个元素，都与其相邻的元素根据卷积核的权重分布做加权平均，卷积运算的公式如下：
其中，g(x,y)是被处理后的矩阵，w 是卷积核，f(x,y)是原始矩阵，-a≤s≤a 并且 -b≤t≤b。
以下示例就是卷积的通俗理解，第一个矩阵是卷积核（其中的每个元素都是权重），第二个矩阵是被处理的矩阵，这里的并不是真正矩阵运算中的，而是将卷积核中的行和列都反转再*，将计算得到的加权结果赋值给[2, 2]位置处，一次运算就完成了。
用一张图片更容易说明这个过程：
将一个比较大的原始矩阵的每一个位置处都根据核进行上述的运算，就得到整个原始矩阵的加权平均结果，也就是原始矩阵卷积运算后的结果。
将卷积运算应用到图像矩阵
对于一个普通的 8 位 RGB 位图来举例，是由像素点矩阵组成的，每个像素点都有 r（red）、g（green）、b（blue）三个属性，每个属性的区间为[0, 2^8-1]也就是[0, 255]。
所以对于 r、g、b 任何一个通道来说，都是一个单纯的 xSize × ySize 的矩阵（xSize、ySize 是图片的横向和纵向的像素点数），就可以使用 kernel 卷积核对其进行全图卷积运算，实现图像的滤镜处理效果，如下所示：
identity 恒等卷积核如下所示，
在 identity 卷积核中，只有中心位置[2, 2]位置处的权重为 1，其余均为 0，所以在进行卷积运算加权后时，像素只与自己本身位置进行了运算，最后返回的还是原像素的值，所以图像处理后是不变的。
edge detction（边缘检测）对图像识别中的特征提取是非常有作用的，边缘检测卷积核都有一个共同点，就是能够突出图片矩阵中变化剧烈的位置。矩阵如下所示，三种边缘检测核的效果是越来越明显，主要原因就是加强了卷积核中[2, 2]位置处与周围元素的区别，图片中变化剧烈位置的在加权后，数值大的更大，数值小的更小，形成了边缘检测效果。
比对三个核，第一个核中的权重左上往右下都是 1、0、1，而右上往左下是-1、0、-1，在进行卷积运算时，对角方向的边缘更容易识别出来；
第二个核中，权重从左往右是 1、-4、1,从上往下也是 1、-4、1，所以水平和垂直方向的边缘更容易识别出来；
第三个核中权重水平垂直和对角都是-1、8、-1，所以水平和倾斜的边缘都容易识别。
锐化的本质还是利用的边缘检测的原理，放大[2, 2]位置与周围元素的权重的区别。与边缘检测权重和为 0 相比，锐化卷积核中所有权重加起来后的值为 1。当权重和大于 1 时，会整体使图片变亮，小于 1 会变暗，等于 1 就会保留原始亮度，所以锐化卷积核保留了原始图形的亮度，而上述的三个边缘检测核使图像变暗。
在盒模糊卷积核中，所有位置的权重均为 1/9，所以[2, 2]位置处的元素值会以一个相同权重与周围变得更相似，达到均匀模糊的效果
高斯模糊卷积核依赖的是高斯函数，所以卷积核的值是围绕着中心点分布的，离中心点越近，贡献也就越大，所以权重值就越高，二维区域高斯曲线图如下：
首先列出一个 3×3 的高斯模糊卷积核，中心点权重为 4，离得最近的上下左右权重都是 2，稍远一点的对角位置贡献的权重都是 1，最后除以权重和 16，矩阵和效果如下所示：
可以发现，因为权重更加聚焦到中心点位置，高斯模糊的效果相比盒模糊要更清晰一些。
再列出 5×5 的高斯模糊卷积核，和 3×3 类似，以中心点画圆，离圆心越远权重越小，最后除以权重和 256，矩阵和效果图如下：
与 3×3 的高斯模糊对比，由于距离中心点更远的位置也贡献了权重，所以 5×5 要更模糊一些。
反锐化掩膜与 5 阶高斯模糊的卷积核，所有位置都取相反数，中间位置取值 476（-36+256+256），其实还是达到一种锐化的效果，卷积核如下所示：
实现原理如下图所示：
卷积核类似滤波器