图像搜索和图像分类是计算机视觉中不同的技术，具有不同的目标和实现方式。图像搜索根据查询图像从数据集中检索视觉上相似的图像。 例如，用户可以上传一张红色运动鞋的照片，系统会返回颜色、形状或图案相似的其他运动鞋。 相比之下，图像分类会将预定义的标签分配给图像，例如根据照片内容将其标记为“猫”或“狗”。 虽然两者都处理视觉数据，但它们的目标不同：搜索侧重于查找匹配项，而分类侧重于标记。
从技术上讲，图像搜索系统通常依赖于特征提取和相似性比较。 从图像中提取边缘、纹理或颜色直方图等特征，并将其存储在数据库中。 当提供查询图像时，使用余弦相似度或欧几里得距离等指标将其特征与数据库中的特征进行比较。 例如，搜索引擎可能会使用尺度不变特征变换 (SIFT) 等算法来识别图像中的关键点。 然而，图像分类通常使用训练过的机器学习模型，例如卷积神经网络 (CNN)，来预测标签。 这些模型从标记的数据集中学习模式 - 例如，通过分析数千张预先标记的图像来区分“汽车”和“自行车”。 输出是可能的类别的概率分布，而不是一组相似的图像。
应用场景也大相径庭。 图像搜索在电子商务（查找相似产品）、反向图像查找（识别图像来源）或内容管理系统（组织视觉资产）中很常见。 例如，Pinterest 使用图像搜索来推荐视觉上相关的图钉。 图像分类用于医学成像（检测 X 光片中的肿瘤）、自动驾驶汽车（识别交通标志）或内容审核（标记不当图像）等应用。 一个关键的区别是，分类需要预定义的标签集和训练数据，而搜索系统优先考虑检索匹配项的灵活性，而无需预定义的类别。 然而，这两者可以重叠 - 例如，混合系统可以首先将图像分类为“风景”，然后在该类别中搜索相似的风景照片。
