第二种是以图像样例作为搜索的入口。比如谷歌识图和百度识图。通过拍照或上传一张图像作为样例，即通过图像本身特点进行检索，这也是本文在图像检索领域需要研究的重点。
第三种是文本和图像的组合搜索。文本检索也并不是一无是处，在互联网日益盛行的今天，越来越多的文本信息和图像结合在一起，通过这些文本信息，结合图像本身特点去检索必然可以取的更好的检索效果。
1。4 图像检索的发展过程
最早在二十世纪九十年代时，那个时候称为基于内容的图像检索。但是那时基本上只能在几千、几万幅图上进行检索而且检索的效果很难保证。当时有一个一直流行到现在的词叫做“语义鸿沟”。所以这个方向到了2000年之后像落日一样没有太大的希望了。在手机相机那么普及的今天，获取一个图像是易如反掌的，所以今天一般没有人会问这个问题。只有像落日这样的颜色分布非常鲜艳且明确的图搜索结果才会非常好，因此在很多时候我们的搜索结果不是很好。图像搜索的没落直到2008年左右才有所起色。当时出现了一家公司提供这样一种网络服务你提交一个图片后它可以帮你找互联网上跟此图非常相似的图片。这在当时引起了非常多的讨论，也就是说它解决了当时那些技术无法解决的scalability的问题。所以此时就要把图片进行索引。索引在文本搜索里面是通过倒排的方法来做，这个是非常容易实现的。如上所说还有一个问题是当时没有解决的，就是什么样的特征才是有效的，即可以让我们“认为的”相似的图像在特征上也是相似的，特征上相似的也是我们认为相似的这样一个问题。
目前图像检索的方向是深度学习。深度学习才可以更有效地描述图像。图像表征问题真正取得进展确实是在深度学习出来之后。它可以让我们去按照自己所想要达到的目标去学习一个神经网络，通过这个神经网络去抽取图像的特征。
1。5基于内容的图像检索技术研究的特点和主要应用
基于内容的图像检索技术的优势是明显的： 第一点它解决了早期搜索方法的一些缺点，提取从图像线索的本身的信息。使用图像检索内容索引的特点，使得检索更加高效，更好的适应性；第二点在根据一个算法是相对特征之间收集间隙。比较相似的图片作为搜索结果被提供给用户使用；第三点这种技术基于大型数据库，它搜索的速度需要很高。在实际应用中，生活上，有巨大图像数据的量，以及巨大的品种和数目，因此需要CBIR技术用于计算机图像搜索速度更高。第四，我们应利用相关反馈。为了进一步提高搜索整个搜索过程的速度，使用一个循序渐进的方法并和加强和用户的交互[2]。与用户的交互性增强了检索的效率，精确了使用的算法，从而进一步提升检索的能力。
CBIR以其先进性，被广泛应用在各种行业中。
1。 网页检索。因特网的发展使人们在信息上的交流越来越紧密，不仅仅在文本上，通过图像进行搜索已经成为方式。
2。 集体相册。拍照摄像技术让一般小集体也会产生成海量的图片，相册。比如公司，家庭等等。集体搜索技术可帮助其搜索图像。
3。 高级数字媒体教室。这种教室本质上是一个海量的图像资源集。因此，从中提取各种多媒体信息非常重要，由此图像检索技术派上了用场。
4。 法律方面的应用。比如商标问题，商标作为商品身份非常重要，于是在查找时能准确定位商标特点，防止被冒用。
5。 动态识别系统。比如各种监控设备，在公路上能够快速锁定车辆，根据人脸锁定人的身份，并由此进一步开发出多种软件。在军事上这种应用更为重要。 基于颜色特征的图像检索系统研究(3):http://www.youerw.com/jisuanji/lunwen_131032.html