《中国组织工程研究与临床康复》杂志2009年第13卷第48期发表了华南理工大学计算机科学与工程学院巫小蓉等作者的“基于小波变换和高斯差分冷冻电镜生物大分子图像的自动分割”一文，其目的是测定生物大分子的高分辨率结构更好的了解其相应的功能。

1.实验过程中的操作方法：
1.1基于小波变换的图像预处理 ：小波变换(Wavelet Transform)理论是近年来迅速发展起来的一门新理论。1989年Mallat提出了多分辨率分析的思想，统一了各种小波函数的构造方法，并且利用两个正交镜像滤波器，给出了构造正交基的金字塔式的快速算法，在图像处理中得到了广泛的应用。多分辨率分析方法模拟了人类在不同距离观察事物的过程。通常高分辨率(大尺度)对应图像的概貌，而低分辨率(小尺度)对应图像的细节特征。小波变换是进行多分辨率分析的有效工具。对噪声严重的图像，基于小波变换的多分辨率分析具有明显优势。
1.2基于DoG的冷冻电镜图像分割 ：基于二阶导数过零点的边缘检测技术探究了阶跃边缘对应于图像函数陡峭的变化这一事实。Koenderink已经证明高斯卷积核是实现尺度变换的惟一变换核[28]。具有两个明显不同尺度因子的高斯平滑的差可以用来近似图像的二阶导数。二维高斯函数可以定义为 式(2)中标准差 是高斯滤波器的惟一参数，也称为尺度因子。它与滤波器操作邻域的大小成正比。(x, y)是空间坐标。高斯平滑的实际含义是可以可靠的发现边缘。如果只需要全局性的显著边缘，可以增大高斯平滑滤波器的尺度因子 ，使得比较不明显的特征得以抑制。将图像表示为 ，则其在不同尺度下的高斯变换如式(3)所示。 ，式中， 表示图像的象素位置， 是高斯函数尺度因子。DoG是两个不同尺度的高斯变换的差值。其形式如公式(4)，式中  是两个不同的尺度因子。
  用普通方法对高斯差分图像 进行过零点检测，只能给出分段不连续的边缘。针对这一问题，本文采用高斯差分图像的灰度信息和梯度信息融合的方法，对经过预处理的图像进行分割。首先，对高斯差分图像采用最大类间方差方法(OTSU)进行阈值处理，这样将得到主要边缘，对边缘内部填充得到二值图像，并通过梯度信息的强弱进一步判断，筛选错误边缘。这样就得到了低分辨率的近似系数图像的分割。将此分割结果扩展调整即可实现原高分辨率图像的分割。

2.作者认为：
从图像分割效果的主观评价和定量分析的客观数据均表明，本方法提取的图像边缘较完整，错误边缘少，分割效果好。

3.提供实验操作者可借鉴的意义：
课题针对生物大分子图像进行图像分割，属于生物信息领域，有助于获得生物大分子三维结构，而生物大分子三维结构的研究是合理设计药物最有效依据。

更多方法请见《中国组织工程研究与临床康复》杂志2009年第13卷第48期9479-9482页。