在我看来，与计算机视觉相关的维基百科文章很好地描述了该领域及其与图像处理的关系。下面，我只会引用文章中最相关的部分。

计算机视觉是一个跨学科的科学领域，涉及如何使计算机从数字图像或视频中获得高级理解。从工程的角度来看，它寻求将人类视觉系统可以完成的任务自动化。

图像数据可以采用多种形式，例如视频序列、来自多个摄像机的视图或来自医疗扫描仪的多维数据。

计算机视觉的子领域包括场景重建、事件检测、视频跟踪、对象识别、3D 姿态估计、学习、索引、运动估计和图像恢复。

与计算机视觉最密切相关的领域是图像处理、图像分析和机器视觉。这些涵盖的技术和应用范围有很大的重叠。这意味着在这些领域中使用和开发的基本技术是相似的，可以解释为只有一个领域具有不同的名称。另一方面，研究小组、科学期刊、会议和公司似乎有必要将自己展示或推销为专门属于这些领域之一，因此，将每个领域与其他领域区分开来的各种特征已经提出了。

图像处理和图像分析倾向于关注 2D 图像，如何将一幅图像转换为另一幅图像，例如，通过像素级操作（如对比度增强）、局部操作（如边缘提取或噪声去除）或几何变换（如旋转图像） . 这种特征意味着图像处理/分析既不需要假设，也不需要对图像内容进行解释。

计算机视觉和图像处理有什么区别？

计算机视觉是关于从图像或视频中获得高层次的理解. 例如，对象识别，即识别图像中对象类型（例如苹果或人）的任务，是一个计算机视觉问题。当然，这个任务需要对图像有高层次的理解，也就是说，对图像的理解类似于人类理解视觉输入的方式，假设苹果是由原子组成的高层次物体，可以例如，试图对图像中的对象类型进行分类的神经网络（为简单起见，假设只有一种对象类型）将是一种计算机视觉技术。在计算机视觉中，您接收图像作为输入，并且您可以生成图像作为输出或一些其他类型的信息（例如图像中对象的类型）。

另一方面，图像处理并不一定意味着对图像的高级理解。图像处理是信号处理的一个子领域，但应用于图像，即$2$d 信号（或固定域的函数）。因此，例如，如果您有一张模糊或嘈杂的图像，则对其进行去模糊或去噪的任务是图像处理的一部分。图像处理中的典型任务是滤波（例如使用高斯滤波器或均值滤波器）、去噪、边缘检测和颜色处理。在图像处理中，您接收一个图像作为输入，然后生成另一个图像作为输出。

但是，请注意，在许多情况下，为了获得对图像的高级理解，您首先需要对它们进行去噪处理，这样您就可以使用图像处理技术来部分解决计算机视觉任务。从这个意义上说，计算机视觉是一个跨学科领域。

总而言之，计算机视觉不是图像处理的一个子领域，因为图像处理不一定涉及对图像的高级理解。另一方面，计算机视觉可以使用图像处理技术来获得对图像的高级理解。