不，深度学习并没有扼杀图像处理或计算机视觉。 相反，它已成为补充传统方法的强大工具。 虽然深度学习在图像分类、物体检测和分割等任务中占据主导地位，但许多基础图像处理技术仍然至关重要。 例如，边缘检测（例如，Sobel 或 Canny 滤波器）、直方图均衡化和形态学运算仍然广泛用于预处理、后处理或可解释性和低计算成本很重要的场景中。 深度学习擅长从数据中学习复杂的模式，但它并没有取代在资源受限的环境或需要精确控制输出的应用程序中对基本算法的需求。
深度学习和传统方法经常协同工作。 例如，一个管道可能会在将图像输入到神经网络之前使用经典技术来预处理图像（例如，使用高斯模糊进行降噪）。 同样，传统的计算机视觉算法（如光流或特征匹配（例如，SIFT））仍然用于机器人和增强现实中，在这些领域中，实时性能或稀疏数据至关重要。 OpenCV 是一个建立在经典方法之上的库，即使像 PyTorch 或 TensorFlow 这样的框架处理深度学习任务，它仍然是开发人员的基石。 这两种方法解决了不同的问题：深度学习处理高维、数据丰富的任务，而传统方法提供效率和透明度。
计算机视觉的演变更多的是关于集成而不是替代。 例如，自动驾驶汽车将用于物体检测的卷积神经网络 (CNN) 与用于跟踪运动的卡尔曼滤波器等传统算法相结合。 医学成像使用 CNN 来识别肿瘤，但依赖于阈值处理或区域增长技术来进行精确分割。 开发人员通常根据数据集大小、硬件限制或对可解释性的需求等约束在方法之间进行选择。 虽然深度学习已经扩展了可能性，但它并没有使经典技术过时——它只是在工具箱中添加了新工具。 现在，该领域需要精通这两个领域才能构建强大、高效的系统。