这张图真是太棒了。一目了然。中间的Convolution kernel就是核，或者说是一个卷积核。核与在源图像上的投影区域进行卷积，得到新的像素。当核遍历了整个源图像之后，就得到了一张新的图像（当然，要注意，这里的新的图像小了一号，因为，卷积核的宽度和高度决定源图像的边边会被舍弃）。
来张动图
内核
首次接触这个词时，很是模糊。现在知道了。内核就是一个小矩阵，很小的矩阵，比如3×3,7×7等等。
核必须有一个中心，也就是说，核（矩阵）的宽高必须都是奇数。比如3×3,3×5,等等。
OK，不要想太多，核就是这么简单。核最重要的应用，应该就是卷积了。
卷积
如上面的动图所示。
卷积就是两个矩阵（核与核在源图像上的投影区域）相乘，然后结果相加。
或者给个我的定义吧：
将每个内核值乘以相应的输入图像的像素值-然后取所有乘法运算的总和。称为卷积运算。
或者，简单地说，我们将输入图像区域和内核按元素相乘，那么将所有这些相乘后的值相加成一个单一的值。这些乘法的总和被称为内核输出。
再提供一个很好的解释卷积核的网站：
Image Kernels
相当形象，相当好理解。
总结
内核和卷积就是这么简单。
这两个概念会在后面的平滑，模糊，边缘检测等操作中大量用到。并且，这两个概念也是深度学习中的基础知识，要理解掌握。
参考：
wiki - Kernel (image processing)
Image Kernels
Performing Convolution Operations
