这类方法中的图像空间关系特征主要包括二维符号串，空间四叉树和符号图像。匹兹堡大学的Chang提出了用二维符号串（2D-String）[43]的方法，其基本思想是将图像沿x轴和y轴方向进行投影，然后按2D子串匹配进行图像空间关系的检索。该方法比较简单，但缺点在于仅利用对象质心不足以表达对象的空间位置关系，而且描述的空间关系太简单，实际的空间关系要复杂得多。符号图像[44]（symbolic image）方法是基于图像中全部有意义的对象已经被预先分割出来的假设，将每个对象用质心坐标和一个符号名字代表，从而构成整幅图像的索引。这些方法都假设所有对象都可以通过一定的特征被精确地识别出来，因而只需要关注如何匹配对象的空间关系即可。然而，对象并非总是由某些确定的特征构成的。此外，除了少数特殊应用外，图像自动分割对大多数应用来说是相当困难的。下面我们介绍一些常用的图像分割算法。
在[45]中，Lybanon等用基于形态学动作进行自动图像分割。他们用各种类型的图像来测试算法效果，包括光学天文图、红外线的海洋图和磁力图等。这种模拟方法在处理以上科技图像有良好的效果，但处理一般图像的效果还有待进一步证实。Li[46]等提出了基于的模糊熵的分割算法。这种方法是以这样的事实为前提的，即熵的局部最大值对应于图像上各个区域之间的不确定性。它对于那些直方图上没有明显起伏的图像是非常有效的。
所有以上提到的算法都是自动的，其主要优点是可以从大量的图像中提取边界而不占用用户的时间和精力。然而，如果通用领域内没有经过预处理的图像，这种自动的分割技术效果就不太好。通常，算法所划分的仅仅是区域而不是对象。如果想在图像检索中获得高层语义上的对象（实体），就需要人工的辅助。Samadani和Han[47]提出计算机辅助下的边界提取法，将用户手工输入和计算机图像边界生成算法结合起来。Daneels等[48]提出了一种有关有效轮廓的更完善的方法。该方法首先在用户出入的基础上，用贪婪法获得快速初始收敛，然后再动态地改进边框轮廓。Rui等[49]提出了基于色彩、纹理空间中的聚类算法。首先由用户指出图像上感兴趣的区域，再用这个算法将该区域聚合成有意义的对象。