Inhaltsbasierte Bildsuche mit Hilfe von Daubechies wavelets

Oft sind Bilddatenbanken so angelegt, dass zu jedem Bild eine alphanumerische Be-schreibung existiert und bei einer Anfrage an die Datenbank ein Textvergleich durch-geführt wird. Es ist von Vorteil statt einer textuellen Beschreibung zur Bildsuche in-trinsische Eigenschaften des Bildes in Form von abstrakten Merkmalen zu verwen-den, die direkt aus den Bilddaten berechnet werden. Auf Basis dieser Merkmalsvek-toren kann eine Datenbank nach Bildern durchsucht werden, die einem vorgegebe-nen Bild möglichst ähnlich sind. Ziel der Diplomarbeit ist es, einen Algorithmus zu entwerfen, der mit Hilfe der Wavelet-Transformation aus einem vorgegebenen Bild den Merkmalsvektor berechnet und mit den a-priori berechneten Vektoren der Bilder in der Datenbank vergleicht. Wavelets sind Funktionen, die Signale (hier Bilder) in verschiedene Frequenzkompo-nenten zerlegen. Im Gegensatz zur Fourier-Reihe, sind sie jedoch nicht periodisch, so dass auch Aussagen über das räumliche Auftreten einer Frequenz gemacht wer-den können. Durch Dehnung und Stauchung der Wavelet-Funktionen ist es möglich, das Bildsignal in verschiedenen Auflösungsstufen zu betrachten, so dass sowohl tie-fe, als auch hohe Frequenzen korrekt erfasst werden können. Zur Berechnung des Merkmalsvektors wird das eingelesene Bild zunächst auf eine zuvor festgelegte Größe normiert. Dann wird auf das Bild wiederholt eine Wavelet-Transformation mit Hilfe von Daubechies Wavelets angewandt. Durch die Wavelet-Transformation werden hochfrequente Bildanteile von den niederfrequenten getrennt. Auf Basis dieser Trennung findet dann eine Extraktion der für die Bildsuche genutzten Daten in Form eines Merkmalsvektors statt. Die Merkmalsvektoren werden anhand von Distanzmaßen und einer Korrelations-funktion verglichen. Das Verfahren wurde für die Anwendung im medizinischen Bildretrieval optimiert und evaluiert. Die Tests wurden dazu als Anfragen auf einen vorklassifizierten Bildbe-stand durchgeführt. Auf diese Weise kann ein Retrieval-Test als „Leaving-One-Out-Anfrage“ auf dem bestehenden Datensatz durchgeführt werden. Bei der Kategorisierung wurde eine Erfolgsrate von ca. 75 Prozent korrekt zugeord-neter Bilder erreicht. Dies entspricht einer leichten Verbesserung gegenüber ähnli-chen Verfahren, die keine Wavelet-Transformation zur Merk-malsextraktion nutzen.