Bilddatenbanken verwenden oft alphanumerische Beschreibungen, um Bilder zu identifizieren, was einen Textvergleich bei Anfragen erfordert. Stattdessen ist es vorteilhaft, intrinsische Eigenschaften der Bilder durch abstrakte Merkmale zu nutzen, die aus den Bilddaten berechnet werden. Diese Merkmalsvektoren ermöglichen eine Suche nach Bildern, die einem vorgegebenen Bild ähnlich sind. Die Diplomarbeit zielt darauf ab, einen Algorithmus zu entwickeln, der mithilfe der Wavelet-Transformation Merkmalsvektoren aus Bildern berechnet und diese mit bereits berechneten Vektoren in der Datenbank vergleicht. Wavelets zerlegen Bilder in verschiedene Frequenzkomponenten und ermöglichen es, Aussagen über das räumliche Auftreten von Frequenzen zu treffen. Durch Dehnung und Stauchung der Wavelet-Funktionen kann das Bildsignal in unterschiedlichen Auflösungen betrachtet werden. Zunächst wird das Bild auf eine festgelegte Größe normiert, gefolgt von wiederholter Wavelet-Transformation mit Daubechies Wavelets, die hochfrequente von niederfrequenten Bildanteilen trennt. Die Merkmalsvektoren werden dann mittels Distanzmaßen und einer Korrelationsfunktion verglichen. Das Verfahren wurde für medizinisches Bildretrieval optimiert und evaluiert, wobei eine Erfolgsrate von etwa 75 Prozent korrekt zugeordneter Bilder erreicht wurde, was eine Verbesserung gegenüber ähnlichen Verfahren ohne Wavelet-Transformation darstellt.
