1.QBIC
http://www.research.ibm.com/labs/almaden/
QBIC（Query by image contnet）是由IBM提出的，在基于内容图像检索领域应用最早的商用产品，QBIC系统提供了多种查询方式，包括：利用标准范图检索、用户绘制简图或扫描输入图像进行检索、选择色彩或结构查询方式、用户输入动态影像片段和前景中运动的对象检索。
2.Tineye
http://tineye.com/
Tineye（加拿大Idée公司研发）是典型的以图找图搜索引擎，输入本地硬盘上的图片或者输入图片网址，即可自动帮你搜索相似图片，搜索准确度相对来说还比较令人满意，经测试甚至可以找出照片的拍摄背景，但是检索时间较长用户可以提交或上传一个图片TinEye找出它来自何处，它是如何被使用，如果更改的图像版本存在，或寻找更高分辨率的版本。
TinEye主要用途：1、发现图片的来源与相关信息；2、研究追踪图片信息在互联网的传播；3、找到高分辨率版本的图片；4、找到有你照片的网页；5、看看这张图片有哪些不同版本。允许上传的图片文件类型：JPEG，PNG和GIF，图片文件大小限制：1兆字节的最大文件大小。
3.Photobook
http://vismod.media.mit.edu/vismod/demos/photobook/
Photobook是MIT媒体实验室开发的一套交互式图像数据库浏览和查询工具。在它放在网上的演示版给出了四种应用领域的示范：纹理识别、形状识别、人脸识别和大脑形状识别。纹理识别主要针对以纹理为主体内容的图像；形状识别给出了一些具有简单形状物体（如板手）的检索示例；人脸识别是MIT基于他们研究的技术基础上开发的重要应用；大脑形状识别则是Photobook的一个新的应用领域，它在检索过程中处理图像的3D数据。版本6允许用户通过动态的加载代码来定义匹配算法。
FourEyes是Photobook的扩展版本，它突出了交互式语义查询及系统学习功能，并且还应用了相关反馈（RF）技术。系统可以保留用户的记录，使用一个代理设施来进行学习，通过分析选择出较好的匹配模式，以改进功能。用户在参与过程中，对图像分割块进行语义注释是一个重要的步骤。
4.Virage
Virage是由Virage公司开发研制的基于内容的图像搜索引擎，与QBIC系统相类似，Virage也支持基于颜色、纹理和结构等视觉特征的图像检索，同时，Virage系统还支持上述三个特征的任意组合，而且用户还可以根据实际的需要对不同的特征赋予相应的权重来改变查询线索的重要性。
5.NETRA
NETRA是加里福利亚大学ADL（亚里山大数字图书馆）项目中开发的一个CBIR原型系统。它着重从已分割的图像中查找相似区域进行匹配。此外NETRA还使用了一些特殊的特征表述，便于快速完成用户的一些特殊的查询，如检索包含A的颜色、B的形状、C的纹理的图像，并将它们分类列出。在它的DEMO版本中提供给用户的查询界面也体现了这样的特点。NETRAII是NETRA的新版本。它是一个基于区域和颜色特征的图像检索系统，主要采用了研究小组在彩色图像分割算法和局部颜色特征描述方面所做出的一些成果（如色彩量化、特征的距离化度量等），使得图像分割更加快速。
6.IKONA
IKONA是INTRA的IMEDIA项目研究小组为开发CBIR软件系统而设计并实现的基于C/S的体系结构。其Client部分用Java实现，因此它不受环境约束，是一个简洁灵活、便于使用的图像检索系统。
同NETRA相似，IKONA也采用了基于区域相似的匹配技术。另外，IKONA在支持视觉特征检索的同时还支持基于关键字的图像检索。相关反馈（RF）技术是IKONA软件的重要特色。用户使用IKONA查询图像的过程中，系统记录下用户的反馈信息，将此图像分类，这样使得以后的用户能够更快速地检索到这一类图像。
7.MARS
MARS是UIUC开发的系统，它的应用范围相当广泛，包括计算机视觉、图像数据库检索和信息检索等多个领域，MARS的焦点不在于找到单一的最佳特征表达，而是如何把不同的视觉特征组织成为一个可以动态适应于不同应用和不同用户的有意义的检索机制，这个系统的突出特点在于引入了相关反馈机制，能够根据用户的交互、动态的组织和优化查询，提高检索效率。
8.百度图片搜索
http://image.baidu.com/
百度提供了较多的图片内容选项（颜色选项、面部特写、头像、灰白、黑白简画等）。我在百度识图上在一个街景的数据上面进行测试，基本没有检索到结果，多数图片返回为“抱歉，没有找到匹配的图片结果”，但经测试其基于人脸的识别结果比较精确，可以称为“名人搜索”
9.Wallbase
http://wallbase.cc/start/
基于颜色搜索电脑桌面壁纸的图像检索引擎
10.Gazopa
http://www.gazopa.com/
2008年9月Gazopa“以图搜图”服务对外开放，在开放前期平均每月增长用户超过9万人，开放服务已经关闭，官网上原因为limited resources，但是通过其官网上提供的视频来看其主要支持的搜索方式有以下几种：（回去需要看一下视频）
第一种是传统的通过关键词搜索图片，但在传统图片搜索领域GazoPa与google等搜索引擎无法竞争。
第二种是创新的通过图片搜索图片，但在此领域GazoPa无法与TinEye相竞争。TinEye很容易就能搜索出与原图最接近的一些结果，而GazoPa很多时候的搜索结果则完全无法与原图匹配。
第三种是通过手绘图片搜索图片，目前微软亚洲研究院有一批人在做类似的研究；（微软亚洲研究院博客中找到相关综述性文章）；
第四种是通过视频缩略图搜索视频，仅凭一张视频缩略图就可找到相关视频，类似与基于内容理解的视频检索技术
11.Google
http://similar-images.googlelabs.com/（早起开放的网址）
http://images.google.com.hk/
Google实验室类似图片搜索：输入一个关键词后，例如“lake”，返回的页面里面点击某个图片的下面的Similar images，运用Google 类似图片搜索功能引擎，即刻为你把类似的图片全部搜索出来，展示给用户以便查看。其准确率、相似率相对比较高。
在谷歌正式推出了令人相当期待的“以图搜图”功能之后，豆瓣网友发起的“敢上传你头像的谷歌搜索结果吗”的活动，活动中共有316章图像，通过谷歌的以图搜图得到的结果也很不令人满意，活动时间为2011年7月，活动地址如下
http://www.douban.com/online/10857631/album/51090576/
感兴趣的同事可以进行完整查看，从其中的检索结果可以看出其采用的特征主要是颜色特征，或者是颜色特征占的权重较大。
最近在一篇文章中找到了目前对Google检索算法基本原理的介绍，名字为感知Hash算法，具体的介绍和JAVA实现，可以参考博文：
http://blog.csdn.net/luohong722/article/details/7100058
12.Picitup
http://www.picitup.com/
Picitup主要支持关键字的搜索，但在它的特色搜索项目——名人匹配搜索（Celebritymatchup）中，你可以通过上传本地照片来进行搜索，不过结果一般让人失望。Picitup可以通过在搜索结果页选择过滤方式来筛选图片，比如可以按颜色、头像（人脸）、风景、产品四种类别来过滤搜索结果。
Picitup最大特点是提供相似图片搜索，即通过关键字找到初始图片，点击初始图片下面的similar pictures按钮，即可搜索与该张图片类似的图片。
13.Incogna
http://www.incogna.com
Incogna的搜索主要是基于形状上的相似性，专利技术申请中，并利用上了GPU对检索算法进行加速，但是通过测试，耗时很短，如下图所示，输入“Kitty”，文字检索耗时0.12秒，选中所选图像后，进行“以图搜图”，耗时0.02秒，但令人遗憾的是其检索结果并不令人十分满意
14.VisualSeek和WebSeek
http://www.ee.columbia.edu/ln/dvmm/researchProjects/MultimediaIndexing/WebSEEK/WebSEEK.htm
http://www.ee.columbia.edu/ln/dvmm/researchProjects/MultimediaIndexing/VisualSEEk/VisualSEEk.htm
VisualSeek和WebSeek都是哥伦比亚大学开发的基于Web的图像／视频搜索工具。VisualSeek是一个通用的搜索引擎，它主要是根据所检索图像中不同色块的空间关系进行相似匹配，另外也用到颜色、纹理等特征提取技术。在解决快速索引问题上，它采用了二叉树索引技术。
VisualSeek同QBIC一样提供了多种查询方法：根据视觉特征、图像注释、草图甚至是图像的URI（这是Web上搜索所特有的）。它根据草图检索的方法仍是注重图像中不同色块的空间位置关系，只有具有良好空间区别性的草图才可以得到较好的结果。
WebSeek是一个专用的面向WWW的搜索引擎。它的目的是在WWW上建立一个可视化对象的自动辞典供用户查询。与VisualSeek一样，它也是采用多种特征提取技术进行匹配，并提供基于注释和基于图像视觉信息的用户查询接口。
目前已经有多家国际巨头也在图像搜索方面继续发力。除了百度、搜狗外，谷歌连续投资或收购了Plink、Pixazza、Like三家公司，苹果收购了人脸视觉搜索PolarRose，微软也在Bing上大力推广图像相似搜索，由此可以看出做图像检索还是很有前/钱途的，但是目前网上相关的资料还不是特别多，多事比较NB的图像检索算法的文章都对细节讲得不尽不实，对相关的开发人员帮助不大，希望相关的研究人员保持开放的心态，多多交流，共同完善相关算法。
