上面这张图配合文字，展示了行缓存（line buffer）在图像卷积中的工作方式：

• 上半部分是一个按行扫描输入的图像块（示例为 9×9，编号 1–81）。
  蓝色表示已被写入行缓存并按队列等待的数据，绿色是当前这一步卷积所需的 3×3 邻域像素。此刻选中的 3×3 为像素 {2,3,4 / 11,12,13 / 20,21,22}。

• 下半部分画的是行缓存结构：三条“行 FIFO”（对应 3×3 卷积核的三行）。AXI4-Stream 按顺序把新像素从右侧送入（虚线箭头，正在进入的是 23、24、25），缓存里的数据整体向左“移位”。
  当某个像素被移到最左上角位置时，它已经“过窗”，会从缓存中丢弃（删除）。

• 对应当前位置，行缓存能同时读出 9 个像素（绿色块），与 3×3 卷积核的 9 个系数并行相乘，再经过加法树求和，得到新的输出像素（图中标成 N2）。只要行缓存支持9路并发读（通过多端口/分区/多BRAM实现），9 次乘法就能完全并行。

• 当需要并行进行多路卷积（例如多个卷积核/输出通道）时，行缓存的容量与分区必须相应调整或复制，以提供足够的并发访问端口，避免端口冲突。

一句话：图示的是一个随输入像素流滚动的三行缓存，它不断滑动3×3窗口，支持九值并行乘加，从而高效地产生连续的卷积输出。

像素 {2,3,4 / 11,12,13 / 20,21,22}被选中的原因：
行缓存在做的是“滑动 3×3 窗口”。

• 像素按行顺序 1、2、3、… 进入缓存，3×3 卷积需要同时读出 三行 × 三列 的 9 个像素。
• 这时缓存中三行的数据分别是（从左往右）：
  第1行：2…10；第2行：11…19；第3行：20…25（新像素从右侧持续进入，整行一起向左移）。三行在列方向上是对齐的。
• 硬件把每行最左边的三个位置作为当前卷积窗口的三列，于是得到：
  上：2、3、4；中：11、12、13；下：20、21、22 —— 这就是图中标绿的 3×3。
• 这个 3×3 的中心是 12，对应输出像素 N2（第一行的第 2 个输出）。
  之后每到一个新像素（例如 26），窗口整体右移一列，读到的 3×3 会变成 {3,4,5 / 12,13,14 / 21,22,23}，输出 N3，以此类推。

所以，从 2–25 中选出的就是在当前时刻位于三行“头部”的 3×3 对齐像素。

Reference:
F. Kästner, B. Janßen, F. Kautz, M. Hübner and G. Corradi, “Hardware/Software Codesign for Convolutional Neural Networks Exploiting Dynamic Partial Reconfiguration on PYNQ,” 2018 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW), Vancouver, BC, Canada, 2018, pp. 154-161, doi: 10.1109/IPDPSW.2018.00031.