區別和聯繫：
精簡的概括
- Computer Graphics和Computer Vision是同一過程的兩個方向，Computer Graphics將抽象的語義信息轉化成圖像
- Computer Vision從圖像中提取抽象的語義信息。
- Image Processing探索的是從一個圖像或者一組圖像之間的互相轉化和關係，與語義信息無關。
從輸入輸出角度看
(1) 區別
Computer Graphics，簡稱 CG 。輸入的是對虛擬場景的描述，通常爲多邊形數組，而每個多邊形由三個頂點組成，每個頂點包括三維座標、貼圖座標、rgb 顏色等。輸出的是圖像，即二維像素數組。
Computer Vision，簡稱 CV。輸入的是圖像或圖像序列，通常來自相機、攝像頭或視頻文件。輸出的是對於圖像序列對應的真實世界的理解，比如檢測人臉、識別車牌。
Digital Image Processing，簡稱 DIP。輸入的是圖像，輸出的也是圖像。Photoshop 中對一副圖像應用濾鏡就是典型的一種圖像處理。常見操作有模糊、灰度化、增強對比度等。
(2)聯繫
CG 中也會用到 DIP，現今的三維遊戲爲了增加表現力都會疊加全屏的後期特效，原理就是 DIP，只是將計算量放在了顯卡端。
CV 更是大量依賴 DIP 來打雜活，比如對需要識別的照片進行預處理。
最後還要提到近年來的熱點——增強現實（AR），它既需要 CG，又需要 CV，當然也不會漏掉 DIP。它用 DIP 進行預處理，用 CV 進行跟蹤物體的識別與姿態獲取，用 CG 進行虛擬三維物體的疊加。
(3) 圖解
這裏還有一張圖，簡明地表達了CV、CG、DIP和AI的區別和聯繫。
從問題本身看
(1)區別
從問題本身來說，這三者主要以兩類問題區分：是根據狀態模擬觀測環境，還是根據觀測的環境來推測狀態。假設觀測是Z，狀態是X：Computer Graphics是一個Forwad Problem (Z|X)： 給你光源的位置，物體形狀，物體表面信息，你如何根據已有的變量的狀態模擬出一個環境出來。
Computer Vision正好相反，是一個Inverse Problem (X|Z)：你所有能得到的都是觀測信息(measurements), 根據得到的每一個Pixel的信息(顏色，深度)，我要來估計物體環境的特徵和狀態出來，比如物體運動(Tracking)，三維結構（SFM）,物體類別（Classification and Segmentation）等等。
對於Image Processing來說，它恰好介於兩者之間，兩種問題都有。但對於State-of-art的研究來說，Image Processing更偏於Computer Vision, 或者看上去更像Computer Vision的子類。儘管這三類研究中，隨着CV領域的不斷進步，以及越來越高級相機傳感器出現（Depth Camera, Event Camera），很多算法都被互相用到，但是從Motivation來看，並沒有太大變化。
(2)聯繫
得益於這幾個領域的共同進步，所以你能看到Graphics和Computer Vision現在出現越來越多的交集。如果根據觀測量（圖片），Computer Vision可以越來越準確的估計出越來越多的變量，那麼這些變量套到Graphics算法中，就可以模擬出一個跟真實環境一樣的場景出來。
與此同時，Graphics需要構建更真實的場景，也希望能夠將變量更加接機與實際，或者通過算法估計出來，這就引入了Vision的動機。這也是近年來三維重建算法，同時大量發表在Graphics和Vision的會議的原因。隨着CV從2D向3D發展，以後兩者的交集會越來越大，除了learning以外的其他很多問題融合併到一個領域我也不會奇怪。