[0028] 下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
[0033] 上述灰度图像中各像素点灰度值I的计算公式为：I＝0.299*R+0.587*G+0.114*B，其中，R、G、B分别为参照图像中对应像素点的红、绿、蓝三个通道的值。
[0038] S32、对参照图像的灰度图像进行自动分割，获取每个心肌细胞团的心肌细胞团子图像及各心肌细胞团子图像在参照图像中的位置坐标，称为心肌细胞团的参考区域；
[0039] 在本发明实施例中，采用简单线性迭代聚类(Simple Linear Iterative Clustering，SLIC)算法对参照图像进行自动分割，分割成若干心肌细胞团子图像，为避免各子细胞团搏动频率不一致的影响，本发明首先利用SLIC算法对参照图像进行自动分割，将每个心肌细胞团单独提取出来进行心肌细胞搏动特性分析，可以提高心肌细胞搏动特性的检测精度和效率，如图2所示，图2B中，不同灰度的图像代表分割后的心肌细胞团；
[0043] 其中，D(m,n)为参照图像中坐标(m,n)处的图像灰度值，0
[0044] 在计算机图形学中，图像熵通常用来表征图像的聚焦程度，图像熵越小，图像越聚焦。从心肌细胞搏动视频序列帧的灰度图上看，图像的聚焦能力与三维培养的人体心肌细胞搏动密切相关，因此，可以利用图像熵来表征心肌细胞搏动。图像熵函数计算简单、高效。此外，图像熵是对整个参考区域内的图像灰度进行统计，可以避免传统方法统计单个参考点或少数点造成的统计误差。
[0045] S5、随后采集的心肌细胞搏动视频序列帧作为实时图像，对实时图像进行灰度处理；
[0046] 在本发明实施例中，心肌细胞搏动视频序列帧中第一帧为参照图像，心肌细胞搏动视频序列帧中的第二帧及第二帧之后的图像为实时图像，参照图像有两个作用，作用如下：1)确定心肌细胞团的个数；2)确定各心肌细胞团的参考区域，给出参考区域在实时图像中的坐标范围。以后每次读取一帧实时图像，直接确定实时图像中各心肌细胞团的参考区域，进而直接计算各心肌细胞团的图像熵，不用每帧图像重新进行步骤心肌细胞团个数的确定及实时图像的参考区域的确定，简化操作方法。
[0047] S6、计算实时图像中每个心肌细胞团参考区域的图像熵；
[0048] S7、绘制各心肌细胞团的心肌细胞搏动曲线，其心肌细胞搏动曲线的绘制方法具体如下：
[0049] 以时间序列为横坐标轴，将参照图像和实时图像中参考区域的图像熵为纵坐标轴，绘制曲线即为心肌细胞搏动曲线，如图3所示，若参照图像中存在三个心肌细胞团，则对应的绘制出三条心肌细胞搏动曲线，每个心肌细胞团均会形成一条心肌细胞搏动曲线，且不同心肌细胞团的心肌细胞搏动频率及幅度可能均不同。
[0050] S8、利用阈值法检测心肌细胞搏动曲线中波峰或波谷位置，统计单位时间内波峰或波谷的个数即可获得心肌细胞搏动频率，并统计相邻波峰与波谷的差值可获得心肌细胞搏动幅度。
[0051] 在计算精度方面，由于计算了可以表征心肌细胞搏动的图像熵函数，避免了选取单个点或少数点造成的偏差，检测精度较高。在计算复杂度方面，只需对参照图像进行一次图像分割，且分割算法已经被证明是一种简单、高效的图像分割算法。实时图像按照时间序列逐帧计算参考区域内的图像熵，数值计算的负担几乎可以忽略不计。因此，本发明针对三维培养的人体心肌细胞，可以进行精确、高效的搏动频率和幅度智能检测。
[0052] 图像熵和图像分割技术可以自动检测心肌细胞搏动特性，具有智能化、非入侵、无标记、低成本、可重复、实时处理的优点。利用图像熵变化反映图像聚焦度变化，从而进一步反映心肌细胞搏动。该发明避免了选取单个参考点造成的精度误差，同时只需针对参照图像进行一次高效分割，再进行图像熵统计即可，大幅提高了计算效率。此外，避免了传统运动矢量方法需要对兴趣点所有数据进行逐帧计算运动矢量。本发明可在心肌细胞模型研究和药物筛选等方面发挥价值。
[0053] 上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
