基于内容的图像检索 (CBIR) 是一种基于图像的视觉内容，而不是依赖于文本注释或元数据，来在数据库中搜索数字图像的技术。 CBIR 系统不使用关键字，而是直接从图像像素分析颜色、纹理、形状和空间关系等特征。 例如，如果您输入一张红色汽车的照片，CBIR 系统可能会返回其他具有相似颜色分布、边缘模式或对象形状的图像。 这种方法在手动标记不切实际的情况下特别有用，例如在大型图像存储库或需要实时搜索的应用程序中。
CBIR 系统通常涉及三个主要步骤：特征提取、相似性测量和索引。 在特征提取过程中，算法将原始像素数据转换为数字表示。 例如，颜色直方图捕获颜色分布，Gabor 滤波器等纹理描述符分析模式，边缘检测方法（例如，Canny 边缘）识别对象边界。 更高级的系统使用深度学习模型，例如卷积神经网络 (CNN)，以自动从图像中学习分层特征。 提取特征后，欧几里得距离或余弦相似度等相似性度量会将查询图像的特征与数据库中的特征进行比较。 索引结构（例如 k-d 树或哈希表）优化了搜索过程的速度，尤其是在处理大型数据集时。
尽管 CBIR 具有优势，但它也面临着挑战。 “语义鸿沟”（低级视觉特征和高级人类概念之间的脱节）仍然是一个关键问题。 例如，系统可能会检索与草地的查询图像具有相似纹理的图像，但未能识别出用户实际上想要“风景照片”。 此外，计算复杂度随着数据集大小的增加而增加，但近似最近邻搜索等技术有助于缓解此问题。 实际应用包括医学成像（例如，在 X 射线中查找具有相似纹理的肿瘤）和电子商务（例如，根据视觉相似性推荐产品）。 深度学习的进步提高了 CBIR 的准确性，但平衡精度、速度和可扩展性仍在推动该领域的研究。
