當前，在圖像處理領域，哪個方向比較火？或者比較好做？
圖像處理相對其他來說是一門很有意思的學科，相信全世界肯定有相當多的人在研究它，是不是代表要想在圖像處理中有所作為就更加難一點呢？
看了一些高票答案，我提出一些不成熟的小看法：回答問題還是要針對問題本身。先看題主想問了什麼，再對應答什麼。
題主問的：在「圖像處理」領域，哪個方向比較火？
然而很多高票回答的領域，其實都跑到計算機視覺的領域去了，還有什麼虛擬現實去了。
首先題主你應該搞清楚，什麼是圖像處理？他和另外一個領域-計算機視覺的區別和關係。
儘管這兩者的界限其實很模糊，而且學術界和工業界經常有不同的劃分方法。
廣義的圖像處理會認為計算機視覺是他的一個subset（參見wikipedia對digital image processing(DIP)的定義：Digital image processing，裡面就包含了幾乎所有的計算機視覺，作為DIP的子領域）；
而廣義的計算機視覺，就包含了圖像處理，作為low-level vision（參見每年的cvpr的call for paper：http://cvpr2018.thecvf.com/files/CFP_CVPR2018.pdf。像我這種做圖像但要投CV會的人，paper每次都被當做Low的那一類來處理...）。
稍微折中一下，我個人比較喜歡把圖像處理（DIP）領域局限在所謂的Low-Level Vision這一塊兒，包括所有的計算成像（Computational Imaging）。
為了保證排他性，我這裡把計算機視領域（CV）覺局限在一般所謂High-Level Vision那一塊兒。
除此以外，還有一些介於這兩者之間的應用和問題，一般被分為Mid-Level Vision。根據具體的情況，可以分別和DIP或者CV放在一起討論。
如果按照這樣的定義來分類的話，一句話總結就是：
- 圖像處理：圖像to圖像
- 計算機視覺：圖像to標識/理解
- Mid-Level Vision：圖像to像素級別的標識
展開來講，可以這樣認為：
圖像處理（DIP）：
Input: 圖像，或者非圖像域的觀測值
Output: 圖像，可能不一定在同一個維度和空間（比如圖像壓縮，成像等）。一般不需要一些場景，或者語義信息（sematic information）
一些常見的具體任務：降噪，超分辨，去模糊，去馬賽克，去霧去雨去柵欄去雲等等的去X系列，再對焦，圖像補全，壓縮感知，計算成像（MRI, CT, Light field, ...），等等，外加一些圖像增強的任務，比如銳化之類的。
計算機視覺（CV）：
Input: 圖像
Output: 場景信息，標識，對象理解 (recognize objects, people, activity happening)
一些常見的具體任務：各種識別（人臉，貓，狗，交通燈，疾病，異常，造假....），圖像轉文字（image captioning，etc），圖像轉語音，轉特徵值，目標定位，追蹤，等等
Mid-level的視覺和兩者都相關：
Input: 圖像
Output: 圖像大小的，針對每個像素點的理解
常見任務：圖像分割，前後景分離，saliency map或者attention map，等等
然後回到題主的問題：這裡面那個應用比較火。
在學術上一般每個具體問題，有不同的研究方法和途徑。但工業應用上其實這裡面很多問題都是有機地結合在一起的。
比如，你要對一張衛星圖像做分析，判斷照片是照的陸地還是海面。
拿到現實數據往往不像你跑ImageNet那樣理想和高質量，那你要不要先實際測量數據做一些預處理，比如超分辨，降噪，去雲，去霧之類的？這就涉及到DIP。
然後一副大的遙感圖像往往涉及到各種不同的區域和目標，他們都有不同的本質和特性。那你要不要先做一個分割，劃分一下區域？這就是Mid-Level的視覺問題。
然後等你把數據clean得差不多了，就該跑個識別或者定位之類的演算法了，這就是CV的領域的。
所以你看，實際落地的系統，往往這些問題你都涉及到。這些不同的問題看似領域不同，但最終在應用的時候，是相輔相成的。
其實在如今這個年代，我覺得火得其實不是某種應用，而是方法。比如很多人提到的deep learning的方法，最近是衝擊了所有這些領域的使用傳統方法的流派。
不管哪一個應用，只要有一個流弊的方法，能夠給做到衝擊性的效果提升，一定都可以火。。。
綜上，我的綜合意見是：最好先搞清楚要問的是什麼，再來討論答案。
圖像處理確實是很有意思的學科，特別是最近幾年和深度學習、機器視覺這些方向交流碰撞之後。火的方向有很多，還是要看自己興趣，我列幾個我個人覺得比較有前景的，新興的領域。
1. 和深度學習的結合。這方面的進展在人臉識別、圖像分類、image captioning, scene understanding等等已經突飛猛進。之前的業界標準很多是依賴SIFT, HOG等這些需要利用圖像特有性質的方法。如今深度神經網路，已經大規模超越了這些傳統方法 (但不代表傳統方法失去用武之地)。深度網路基本是採取暴力方法訓練，不考慮圖像特有性質，而且目前缺少嚴格的數學理論支撐，所以這方面未來還有較大的空間提高。
2. 視覺顯著性模型 (visual attention and saliency model)。這個很有意思，目的是從一幅圖像或視頻里，找到人眼關注的區域。在自動追蹤，圖像壓縮，機器人，增強現實等上面有廣泛應用前景。
3. 計算影像技術 (computational photography), 比如光場相機(參見Lytro)，高動態等。光場是當今學術界和工業界研究的熱點之一，主要有兩大類。一類是光場信號的攝取，如Lytro, Raytrix這些。另一類是光場的呈現，更有挑戰，一個著名的例子就是Magic Leap。
4. 醫學圖像。這一塊和機器學習的結合也是值得關注的。
還有很多，不一一贅述了。希望有幫助。火的挺多，好做的不好說，這個明顯跟背景相關，不同的人覺得好做的點不一樣啊。
通用演算法競爭的人多，需要對問題有比較深入的了解。
從我個人的經歷上看，如果有一些具體的比較了解的方向，做有針對性的圖像處理會比較容易一點。
比如數學出身的，可以從概率、數據分布的角度做圖像去噪，就是充分利用自己的優勢。以前有一個同學，學材料的，專門做金屬腐蝕圖像分析，來預測和檢驗金屬性能的，也不錯。在python、C++、優化方面有實力的，輔以適當的建模能力，做深度學習就很爽。我個人是電子信息工程加檢測技術與自動化裝置，原先又是做機器視覺方向的，就覺得做視覺系統比較好玩。但也有師姐完全就是做圖像處理的線提取，那真是圖像處理中最最基礎的演算法，也很成功。
方向千千萬，要結合自身的背景、資源來選擇。打個比方，就是帶著鐐銬跳舞。例如我現在雖然對深度學習和優化方面的應用很感興趣，但馬上要畢業還要完成手頭的一篇論文，就只能先把特徵工程的活幹完。其他稍後再談。最被學術界和企業界看好的毫無疑問是醫療圖像還有自動駕駛。
但是個人認為，很多工業界不太容易被人廣泛發現的問題，比如，標籤檢測里的圖像處理，還有我們做半導體生產線上，檢測半導體缺陷的圖像處理；這都是很大的問題，但是根本沒有人做。這種就好比，現在已經是歐洲人開始殖民南美和北美的時代了。美洲大陸逐漸被佔領，但是加勒比海上那些富裕的小海島無人問津。其實這種東西往往技術也不是特別難。
說得更具體一些，我發現，就是在工業上，尤其是流水線，技術含量有非常高，同時對品控要求很高的行業，典型案例是半導體；許多加工和測試方法，以前用人工的，其實一定是可以用CV去替代的。用更多的計算機和更少的人，自然可以控制成本，也能藉此提高員工的待遇。
圖像處理領域分為應用公司、國內公司、工業相機、智能相機、鏡頭廠商、光源廠商、採集卡、視覺軟體、系統集成、輔助配件等。具體，比如應用公司有SenseTimeCogtu 知圖科技、碼隆科技、 Linkface、Face++、格靈深瞳、曠世科技、大華、海康威視、華為、美圖秀秀、百度識圖、百度魔圖、深圳大疆等 。只要看看他們研究什麼，不就明白什麼火
自動化領域，圖像處理技術更多被稱為機器視覺，主要有定位、測量、引導和識別幾個方向的應用。其中前三者已經應用的較多，也相對成熟。識別的應用相對較少，主要是難度比較大，但前景不錯，如產品表面缺陷檢測就是很大的市場，當前主要通過模板匹配來實現，隨著更為豐富的產品形態及缺陷形態的檢測需求增加，也比較需要如機器學習這一類時髦的high level 的技術為其注入新的活力。道阻且長。
用深度學習玩圖像的七重關卡
許鐵-巡洋艦科技2 天前
第一個重境界： 圖像識別
如果你開始了解深度學習的圖像處理， 你接觸的第一個任務一定是圖像識別 ：
比如把你的愛貓輸入到一個普通的CNN網路里， 看看它是喵咪還是狗狗。
一個最普通的CNN， 比如像這樣幾層的CNN鼻祖Lenet， 如果你有不錯的數據集（比如kaggle貓狗大戰）都可以給出一個還差強人意的分類結果(80%多準確率)， 雖然不是太高。
當然，如果你再加上對特定問題的一些知識， 也可以順便識別個人臉啥的，開個startup叫face 減減什麼：
會玩的， 也可以順別識別個豬臉什麼噠（我覺得長得都一樣哦）， 這樣搞出來每個豬的身份， 對於高質量豬肉的銷售， 真是大有裨益的。
或者看看植物都有個什麼病害什麼的，像這樣不同的病斑， 人都懶得看的， 它可以給你看出來。 植物保護的人可以拿著手機下田了。
雖然植物保護真的很好用，分類問做就了還真是挺無聊的。
我們進化的方向，也就是用更高級的網路結構取得更好的準確率，比如像下圖這樣的殘差網路（已經可以在貓狗數據集上達到99.5%以上準確率）。分類做好了你會有一種成為深度學習大師，拿著一把斧子眼鏡里都是釘子的幻覺。 分類問題之所以簡單， 一要歸功於大量標記的圖像， 二是分類是一個邊界非常分明的問題， 即使機器不知道什麼是貓什麼是狗， 看出點區別還是挺容易的， 如果你給機器幾千幾萬類區分， 機器的能力通過就下降了（再複雜的網路，在imagenet那樣分1000個類的問題里，都很難搞到超過80%的準確率）。
第二重境界 ： 物體檢測
很快你發現，分類的技能在大部分的現實生活里並沒有鳥用。因為現實中的任務啊， 往往是這樣的：
或者這樣的：
那麼多東西在一起，你拿貓狗大頭照訓練的分類網路一下子就亂了陣腳。 即使是你一個圖片里有一個貓還有一個狗，甚至給貓加點雜訊，都可以使你的分類網路分寸大亂。
現實中， 哪有那麼多圖片， 一個圖裡就是一個貓或者美女的大圖，更多的時候， 一張圖片里的東西， 那是多多的， 亂亂的，沒有什麼章法可言的， 你需要自己做一個框， 把你所需要看的目標給框出來， 然後， 看看這些東西是什麼 。
於是你來到機器視覺的下一層挑戰 - 目標檢測（從大圖中框出目標物體並識別）， 隨之而來的是一個新的網路架構， 又被稱為R - CNN， 圖片檢測網路 ， 這個網路不僅可以告訴你分類，還可以告訴你目標物體的坐標， 即使圖片里有很多目標物體， 也一一給你找出來。
萬軍斬你首級那是杠杠的，在眾多路人甲中識別嫌疑犯，也是輕而易舉， 安防的人聽著要按捺不住了。
今年出現的YOLO演算法更是實現了快速實時的物體檢測，你一路走過就告訴你視線里都有什麼在哪裡，要知道這在無人駕駛里是何等的利器。
當然， 到這裡你依然最終會覺得無聊， 即使網路可以已經很複雜， 不過是一個CNN網路（推薦區域），在加上一層CNN網路做分類和回歸。 能不能幹點別的？
第三重境界 ： 圖像切割
啊哈， 這就來到了第三個關卡， 你不僅需要把圖片中邊邊角角的物體給檢測出來， 你還要做這麼一個猛料的工作， 就是把它從圖片中扣出來。 要知道， 剛出生的嬰兒分不清物體的邊界， 比如桌上有蘋果這種事， 什麼是桌子，什麼是蘋果，為什麼蘋果不是佔在桌子上的？ 所以， 網路能不能把物體從一個圖裡摳出來， 事關它是否真的像人一樣把握了視覺的本質。 這也算是對它的某種「圖靈測試」 。 而把這個問題簡化，我們無非是在原先圖片上生成出一個原圖的「mask」， 面具，有點像phtoshop里的蒙版的東西。
注意，這個任務里，我們是要從一個圖片里得到另一個圖片哦！ 生成的面具是另一個圖片， 這時候，所謂的U型網路粉墨登場，注意這是我們的第一個生成式的模型。 它的組成單元依然是卷積，但是卻加入了maxpooling的反過程升維採樣。
這個Segmentation任務， 作用不可小瞧哦， 尤其對於科研口的你， 比如現在私人衛星和無人機普及了，要不要去看看自己小區周圍的地貌， 看是不是隱藏了個金庫？ 清清輸入， 衛星圖片一欄無餘。 哪裡有樹， 哪裡有水，哪裡有軍事基地，不需要人，全都給你摳出來。
如果你要數個細胞啥的 ，都是挺容易的，給它變成這樣的輪廓不就你得了。
第四重境界：
我們開始fashion起來， 如果你是淘寶服裝小店的老闆 ，想讓客戶輸入一張服裝的圖片，然後得到一組推薦的服裝， 來個以圖搜圖的功能怎麼搞呢？ 注意啊，我可以從網路上爬一大堆圖出來，但是這些數據是沒有標註的。怎麼辦？ 鐵哥告你還是有的搞，這個搞法，就是聚類。
鐵哥教你最簡單的一招聚類哦，那就是， 把圖片統統放進卷積網路，但是我們不提取分類，而只是提取一些網路中間層的特徵， 這些特徵有點像每個圖片的視覺二維碼，然後我們對這些二維碼做一個k-means聚類， 也會得到意想不到的效果。 為什麼要深度？ 因為深度提取的特徵，那是與眾不同的。
然後以圖搜圖呢？ 不過是找到同一聚類里的其它圖片啊。
在聚類的基礎上， 就可以做個搜索！
第五層境界 ：
我們開始晉陞為仰望星空的人， 之前那些分類賺錢的應用太無聊了。 機器視覺搞科學怎麼港？ 作為一群仰望星空後觀察細胞的人，我們最常發現的是我們得到的天文或者細胞圖片的雜訊實在太大了， 這簡直沒法忍啊， 然後， 深度學習給了你一套降噪和恢復圖像的方法。 一個叫auto-encoder的工具， 起到了很大的作用 ， 刷的一下，圖像就清楚了。
這還不是最酷炫的，那個應用了博弈理論的對抗學習， 也可以幫你謀殺噪點！ 如果你會對抗所謂GAN， 也是一種圖像生成的工具， 讓網路去掉雜訊的圖片，與沒有雜訊的自然圖片， 連卷積網路都判別不出來，對， 就是這樣！
第六重境界 ：
在工業界賺夠了錢，科學也太nerd了， 我們來玩藝術思考哲學 ，第一招， 圖像風格遷移，請見鐵哥之前的文章：
然而真正能玩好這一事項的，還是那個剛剛提過的對抗學習GAN， 比如大名鼎鼎的CycleGAN， 幾乎可以實現一種你自定義的「圖像翻譯」 功能，而且你不用做標註哦， 拿出冬天和夏天的兩組圖片， 它會自動的在兩組圖片中找出對應來。
第七重境界：
圖像翻譯也懶的玩了， 你神經網路不是號稱能夠理解圖像，看你來個無中生有，在雜訊里生成圖片來？
對，依然是GAN，而且是最基礎的卷積GAN (DCGAN)就可以給你干出來。
看看GAN所幻想的賓館情景， 你能想到是計算機做的圖嗎？ 哈哈哈！
寫到這裡， 我自己都覺得GAN是非常有前途的，有前途的，有前途的，以前我還以為只是好玩呢。
這裡展示的七級浮屠，也不過深度學習被人類discover的冰山一角， 醉卧沙場君莫笑， 古來征戰幾人回。
給你一個稍微清晰一些的大綱：
如果對基礎理論部分有不熟悉，請返迴文章你不能不知道的CNN，當然它只是冰山一角， 了解更多並挨個實戰請關註：巡洋艦的深度學習實戰課程， 手把手帶你進行深度學習實戰， 課程涵蓋機器學習，深度學習， 深度視覺， 深度自然語言處理， 以及極具特色的深度強化學習，看你能不能學完在你的領域跨學科的應用深度學習驚艷你的小夥伴，成為身邊人眼中的大牛。剛剛講的方法都將在課程里詳細展開。
目前課程線下版本已經基本報名完畢（特殊申請可加一到兩個名額）， 為了緩解眾多異地學員的需求， 我們提出一個線上加線下的課程簡版， 課程包括全部課程視頻， notebook作業， 和一個課程模塊的來京線下實踐機會， 名額限5名，預報從速，詳情請聯繫陳欣（cx13951038115）。
題主問的稍微有點籠統。不知道你問的是現在火還是未來火，滑稽臉。
不過要說看什麼技術火的話，專門有家公司gartner專門分析技術趨勢。有個很有名的Gartner曲線。
這個有時候自己還是決定不了，老闆管著啊，老闆撒idea，答主只能是idea的搬運工。（捂臉）
除了看這個Gartner曲線，再有就是去看頂會的論文了。這個方法是個博士師兄教給的，你看什麼東西發的多，什麼就火哈哈。頂會包括CVPR、ICCV、ECCV、IEEE的TIP等等。
知乎已經有相應的問題啦——萬能的知乎http://www.zhihu.com/question/62533482http://www.zhihu.com/question/57523080這裡貼上兩個，題主可以看看。而且可以持續的關注。答主國內末流985計算機視覺方向小碩士一枚，剛剛畢業，一點肺腑之言吧希望對題主有幫助。以上。鑒黃師比較火鑒黃師比較好做
建議大家認真讀題，正確認識圖像處理、計算機視覺、計算機圖形學之間的聯繫與區別之後再答。
難道只有我一個人覺得多目視覺會火么 — —
嗯 這個，，，如果好做 和你我都沒什麼關係如果很難做，也和你我沒什麼關係為啥需要校企合作沒有邊界沒有實用的研究本身是一種浪費所以，直接去了解企業的需求，管什麼難還是簡單，做好了就是熱門方向共勉
就沒有印刷行業的？製版過程圖像處理方式和衛星圖像分割有沒有相似之處呢？
機器視覺/深度學習一定會火
說牛逼的話，我國在衛星圖像處理強得離譜，好多高校都有技術支持
推薦閱讀：
※GitHub 上有哪些比較好的計算機視覺/機器視覺的項目？
※MXNet 的代碼要怎麼讀？
※為什麼在一堆字母「T」里找「I」比在一堆字母「I」里找「T」要難？
※機器學習、數據挖掘 如何進階成為大神？
※去美國讀CS博士，方向是機器人導航，視覺方面，推薦一下相關編程方面準備？還有相關演算法需要學習哪些？