卷积神经网络（CNNs）的输入矩阵中的数字可以代表图像的信息，因为这些数字编码了图像在不同位置上的像素值。图像是由像素组成的，每个像素都代表图像在空间中的一个位置上的颜色或亮度值。

在CNN中，输入矩阵通常被称为输入特征图（input feature map）或通道（channel），每个通道代表图像中的一种特征。例如，对于彩色图像，通常有红、绿、蓝三个通道，分别代表了图像在不同颜色通道上的像素值。在灰度图像中，只有一个通道。

卷积操作在输入特征图上移动卷积核，对于每个位置，将卷积核的权重与特征图中对应位置的像素值相乘，并将结果相加，从而得到输出的一个值。这个过程可以认为是对特征图进行局部的像素值运算，因此卷积操作可以提取出图像的局部特征，如边缘、纹理等。

通过在网络的不同层级上应用多个卷积核，CNN可以逐渐学习和提取图像的不同层次的特征，从低级特征（如边缘和角点）到高级特征（如物体的形状和结构）。这样，卷积神经网络可以从原始的图像像素值中自动学习和表示图像的特征，从而实现图像分类、目标检测、图像生成等任务。

总之，卷积神经网络通过卷积操作在输入特征图上进行局部的像素值运算，从而提取图像的不同层次的特征信息，使得输入矩阵中的数字能够代表图像的信息。