你有没有过这样的经历？拍照时开了美颜，脸小了、皮肤好了，朋友夸你状态不错。其实这背后就是图像处理在干活。可如果你用的是能识别人脸自动对焦的相机，那就不只是美化了，它还在“看懂”画面——这时候，计算机视觉已经上线。
图像处理：让图更好看、更清晰
图像处理的核心任务是“加工图片”。比如你拍了一张夜景，黑乎乎看不清，用手机自带的“夜景模式”一处理，亮度上来了，细节也出来了。这个过程没有让机器去理解图里有什么，只是做了像素级别的调整。
常见的操作包括去噪、锐化、对比度增强、色彩校正等。这些技术就像修图软件里的滤镜和调节滑块，目标是提升图像质量或为后续分析做准备。
举个例子，医院里的X光片常常需要增强边缘，让医生更容易看出病灶。这种增强不改变图像内容的本质，只是让它更易读。
计算机视觉：让机器“看懂”世界
如果说图像处理是在“美容”，那计算机视觉就是在“动脑”。它的目标不是改图，而是从图中提取信息，理解内容。
比如自动驾驶汽车的摄像头拍到前方画面，系统要识别出哪是行人、哪是红绿灯、哪是车道线。这不是简单调个亮度就能解决的，它得像人眼加人脑一样工作——先“看见”，再“理解”。
人脸识别、目标检测、三维重建、动作识别都属于计算机视觉的范畴。它关心的是语义层面的问题：图里有什么？物体在哪儿？它们在干什么？
两者的关系：上下游搭档
图像处理和计算机视觉不是对立关系，更像是前后工序。很多时候，图像处理是计算机视觉的前菜。
比如监控摄像头在夜间拍摄的画面噪声大、光线暗，直接拿去识别人脸可能失败。这时候先用图像处理算法降噪、提亮，再交给计算机视觉模型去识别，准确率就会高很多。
可以这么想：图像处理负责“把图弄清楚”，计算机视觉负责“看明白图里是什么”。
代码示例：一个简单的图像灰度化 vs 人脸检测
下面这段代码是对图像进行灰度化处理，属于典型的图像处理操作：
import cv2
# 读取图像并转为灰度图
image = cv2.imread('photo.jpg')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imwrite('gray_photo.jpg', gray_image)而这段代码则是利用训练好的模型检测人脸，属于计算机视觉任务：
import cv2
# 加载人脸检测模型
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
image = cv2.imread('photo.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 检测人脸
faces = face_cascade.detectMultiScale(gray, 1.1, 4)
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2)
cv2.imwrite('detected_faces.jpg', image)两段代码都用了OpenCV，但目的完全不同。前者只改变颜色空间，后者则完成了“发现并框出人脸”的智能判断。
生活中的应用场景差异
你在朋友圈发自拍，用美图App磨皮瘦脸，这是图像处理。而当你上传照片后，社交平台自动给你打上“小明也在照片中”的标签，那是计算机视觉在后台比对了人脸特征。
再比如，扫描文档类App能把一张歪斜的照片自动矫正成规整的A4纸效果，这中间既有图像处理（透视变换），也有计算机视觉（边缘检测）的协作。
理解它们的区别，有助于你在选工具或学技术时更精准地定位需求。想做滤镜？重点学图像处理。想做智能识别？那得深入计算机视觉。