一.如何在圖像中檢測（垂直）邊緣(計算過程)：
左圖：灰度圖像6*6矩陣，（彩色圖像爲6*6*3，灰度圖像沒有RGB三通道）
中間圖：爲檢測圖形垂直邊緣，構建3*3矩陣，稱爲過濾器（或核）
右圖：用3*3過濾器對6*6矩陣進行卷積運算，輸出結果是右圖的4*4矩陣，可以理解爲另一張圖片。
卷積的計算過程：4*4矩陣的下標爲（1,1）的值如下圖所示：
將3*3矩陣與6*6矩陣相應元素相乘，再相加即可。3*1+1*1+2*1+0*0+5*0+7*0+1*-1+8*-1+2*-1=-5
4*4矩陣的下標爲（1,2）的值即將3*3濾波器矩陣向右移：
其他值同樣對3*3濾波器矩陣進行移動 ：
如果用python實現這個過程用函數：conv_forward()
二.爲什麼上述過程可以做垂直邊緣檢測？
eg1垂直邊緣檢測輸出結果矩陣的含義：
左圖：圖像矩陣，【白 灰】，中間有一條垂直的（由淺到深色）過渡線
中間圖：濾波器矩陣 ，可視化成：【白 灰 黑】
右圖：依據上述方法卷積所得結果。如果當成圖像：【灰 白 灰】（矩陣數值越大，亮度越高）
卷積所得矩陣中間是高亮區，對應所檢測圖像（左圖）中間有垂直邊緣，但維數與原圖像邊緣不同，（檢測到的結果太粗了）原因是圖片維數（6*6）太小了。
eg2垂直邊緣檢測濾波器表示明暗變化：
圖片矩陣左右翻轉，濾波矩陣不便，得到的新圖片矩陣中間值變成負值（原矩陣值得相反數），上圖正值表示從亮到暗過渡，下圖負值表示由暗到亮過渡。如果不想要這種正負提供的信息，可以將卷積所得到的矩陣取絕對值。
eg3水平邊緣檢測濾波器：
在相應邊緣有明暗變化 1 1 1 -1 -1 -1
eg4略複雜輸入圖片水平檢測的例子：
卷積所得輸出矩陣數值與輸入矩陣的綠、黃、紫（3*3）矩陣 塊相互對應，輸出矩陣的30，-30分別表示由亮到暗、由暗到亮的變化；10，-10是中間值（對應3*3矩陣塊沒有明顯邊緣變化）。但是當輸入圖片特別大的時候，不會出現10這麼大的中間值。
eg5不同的邊緣檢測濾波器矩陣：
sobel filter ：增加中間行權重，也就是圖像中間的像素點，增加結果魯棒性
將垂直邊緣濾波器旋轉90，得到水平邊緣濾波器
eg6 複雜圖像的邊緣檢測：
複雜圖像的濾波器不再是簡單的垂直或者水平邊緣檢測，可以將濾波器矩陣設置爲9個參數，利用深度學習的反向傳播算法得到濾波器的參數。可以檢測任意角度的邊緣。
