烤后烟烟叶色度指标数字化方法、装置及电子设备与流程

1.本文件涉及计算机技术领域，尤其涉及一种烤后烟烟叶色度指标数字化方法、装置及电子设备。


背景技术：

2.色度在《中华人民共和国烤烟国家标准》中描述为烟叶表面的颜色饱和度，均匀度和光泽强度，相当于在对颜色种类进行分类后衡量同一类型中颜色的进一步差异，是烟叶外观质量指标中的重要指标之一。对于色度指标，在《中华人民共和国烤烟国家标准》中对其品质规定只有诸如强中弱这样的定性描述，是根据传统人工分级中烟叶专家的经验对比得来的，专家之间的标准又各有偏差，所以将色度指标的定性规定进行量化对烟草行业的数字化转型有重大意义。
3.综上所述，目前烤烟的国家标准对该指标的品质规定均为定性规定，具有较强的主观性和不确定性，对烟叶的分级及后续加工等造成了负面影响。因此，目前亟需解决传统定性规定带来的不确定性和主观性问题。


技术实现要素：

4.本发明的目的在于提供一种烤后烟烟叶色度指标数字化方法、装置及电子设备，旨在解决现有技术中的上述问题。
5.本发明提供一种烤后烟烟叶色度指标数字化方法，包括：
6.对烤后烟烟叶图片进行标注，基于标注的烤后烟烟叶图片基于深度自学习网络进行训练，得到语义分割模型，将烤后烟烟叶图片输入所述语义分割模型，根据所述语义分割模型的输出进行烟叶背景及烟叶放置平台上其他杂物的处理，获取处理后的烤后烟烟叶图片；
7.将所述处理后的烤后烟烟叶图片利用网格分割将烟叶区域分成若干小块，并逐一比较各小块之间颜色差异性，将颜色差异在预定差异阈值之内的类型占总类型的百分比作为烟叶颜色均匀度的量化值；
8.利用颜色hsv空间中的s值和v值的实际意义与颜色均匀度和光泽强度对应，将所述颜色hsv空间中的s值和v值作为烟叶颜色饱和度和光泽强度的量化值；
9.将所述烤后烟烟叶的颜色均匀度、颜色饱和度和光泽强度三个影响因素的量化值构成三元组，利用所述三元组表示烟叶色度指标的数字化结果。
10.本发明提供一种烤后烟烟叶色度指标数字化装置，包括：
11.语义分割模型模块，用于对烤后烟烟叶图片进行标注，基于标注的烤后烟烟叶图片基于深度自学习网络进行训练，得到语义分割模型，将烤后烟烟叶图片输入所述语义分割模型，根据所述语义分割模型的输出进行烟叶背景及烟叶放置平台上其他杂物的处理，获取处理后的烤后烟烟叶图片；
12.第一量化模块，用于将所述处理后的烤后烟烟叶图片利用网格分割将烟叶区域分
成若干小块，并逐一比较各小块之间颜色差异性，将颜色差异在预定差异阈值之内的类型占总类型的百分比作为烟叶颜色均匀度的量化值；
13.第二量化模块，用于利用颜色hsv空间中的s值和v值的实际意义与颜色均匀度和光泽强度对应，将所述颜色hsv空间中的s值和v值作为烟叶颜色饱和度和光泽强度的量化值；
14.三元组模块，用于将所述烤后烟烟叶的颜色均匀度、颜色饱和度和光泽强度三个影响因素的量化值构成三元组，利用所述三元组表示烟叶色度指标的数字化结果。
15.本发明实施例还提供一种烤后烟烟叶色度指标数字化电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述烤后烟烟叶色度指标数字化方法的步骤。
16.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述烤后烟烟叶色度指标数字化方法的步骤。
17.采用本发明实施例，利用深度学习语义分割对烟叶图片进行预处理，并对烟叶区域分块研究颜色差异，提供了一种对色度指标进行量化的算法，能够对烟叶色度指标进行定量计算，相较于传统的定性规定更加的具体化，便于后续烟草行业数字化转型发展的特点，并有利于后续烟叶智能分级等方面的研究；本发明实施例所需的硬件设备简单，仅需要拍摄烟叶图片的高分辨率相机，相较于其他复杂硬件装置具有成本低，速度快的优势。
附图说明
18.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明实施例的烤后烟烟叶色度指标数字化方法的流程图；
20.图2是本发明实施例的烤后烟烟叶色度指标数字化方法的详细步骤示意图；
21.图3是本发明实施例的图片预处理方法流程图；
22.图4是本发明实施例的烟叶颜色均匀度计算方法流程图；
23.图5是本发明实施例的烟叶颜色饱和度和光泽强度方法流程图；
24.图6是本发明实施例的烟叶图片语义分割标签标注图；
25.图7是本发明实施例的烟叶图片网格分割示意图；
26.图8以是本发明实施例的真实烟叶图片计算结果的示意图；
27.图9是本发明实施例的烤后烟烟叶色度指标数字化装置的示意图；
28.图10是本发明实施例的烤后烟烟叶色度指标数字化电子设备的示意图。
具体实施方式
29.本发明实施例提出了一种烤后烟烟叶色度指标数字化方法、装置及电子设备，主要目的在于对烟叶外观质量色度指标进行定量计算，解决传统定性规定带来的不确定性和主观性问题。本发明实施例的技术方案首先运用深度学习语义分割和连通区域筛选对拍摄
的烟叶图片预处理，排除背景和碎叶等杂物的干扰；其次通过颜色lab模型，hsv模型，色差分析等颜色分析的方法，分别设计了影响色度指标的颜色均匀度，饱和度，光泽强度三个因素的量化算法；最后用三个量化值构成三元组表示色度的量化结果。
30.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
31.方法实施例
32.根据本发明实施例，提供了一种烤后烟烟叶色度指标数字化方法，图1是本发明实施例的烤后烟烟叶色度指标数字化方法的流程图，如图1所示，根据本发明实施例的烤后烟烟叶色度指标数字化方法具体包括：
33.步骤101，对烤后烟烟叶图片进行标注，基于标注的烤后烟烟叶图片基于深度自学习网络进行训练，得到语义分割模型，将烤后烟烟叶图片输入所述语义分割模型，根据所述语义分割模型的输出进行烟叶背景及烟叶放置平台上其他杂物的处理，获取处理后的烤后烟烟叶图片；
34.步骤102，将所述处理后的烤后烟烟叶图片利用网格分割将烟叶区域分成若干小块，并逐一比较各小块之间颜色差异性，将颜色差异在预定差异阈值之内的类型占总类型的百分比作为烟叶颜色均匀度的量化值；
35.步骤103，利用颜色hsv空间中的s值和v值的实际意义与颜色均匀度和光泽强度对应，将所述颜色hsv空间中的s值和v值作为烟叶颜色饱和度和光泽强度的量化值；
36.步骤104，将所述烤后烟烟叶的颜色均匀度、颜色饱和度和光泽强度三个影响因素的量化值构成三元组，利用所述三元组表示烟叶色度指标的数字化结果。
37.步骤101具体包括：
38.对所述烤后烟烟叶图片的图片特征区域和背景进行像素级标注，在每张待训练的所述烤后烟烟叶图片上用自定义多边形曲线标注烟叶部分和背景部分，生成带有烟叶区域像素位置信息的像素级标签；
39.采用基于mobilenetv2的deeplab v3+语义分割网络，根据标注好标签的所述烤后烟烟叶图片进行训练，分割所述烤后烟烟叶图片中的烟叶部分，其中，所述基于mobilenetv2的deeplab v3+语义分割网络共186层，每次通过卷积层进行卷积操作后根据公式1进行批归一化，然后输入激活层，根据公式2使用截断整流线性单元为激活函数，解码器用转置卷积将编码器输出结果还原为输入特征图的大小，并对比原图进行中心裁剪，通过如公式3所示的softmax激活函数后输出通道数为标签个数的分割结果，再将输出输入下一个卷积层。最终得到的语义分割结果为一个类别种类为标签种类的类别矩阵，即矩阵的元素为不同种类的标签名或者标签的标识字符串，即分别是烟叶部分的标签“stopseg”和背景部分的标签“back”；
40.41.其中，x
(k)
和y
(k)
分别为原始输入数据和输出数据，μ
(k)
和σ
(k)
分别是输入数据均值和标准差，β
(k)
和γ
(k)
分别为可学习的平移参数和缩放参数，上标k表示数据的第k维，ε是防止分母为0的一个小量；
[0042][0043]
其中，ceiling为设定的阈值；
[0044][0045]
其中，zi为第i个节点的输出值，c为标签种类的个数；
[0046]
针对背景利用语义分割模型输出的类别矩阵，提取元素为“back”的元素位置，对应到原图像素矩阵中，将对应位置像素值置0，进行初步处理，根据公式4将初步处理的烤后烟烟叶图片转为单通道灰度图像，再转为二值图像求取连通区域，在灰度图像转二值图像时确定合适的像素阈值以将像素二值化，根据公式5采用计算前景背景类间方差的方法寻找像素阈值，计算时在灰度图像中遍历像素值，将高于当前像素值部分作为前景部分，其余为背景部分，依次计算类间方差后取最大方差对应的像素值作为阈值将灰度图像转为二值图像，在二值图像中求取连通区域，选取8连通的方式，即元素为1的像素点上下左右及斜方向共8个方向像素值均为1，则认为该区域为一个连通区域，求取所有的连通区域后选择最大的连通区域，其余区域像素值置0，经过两次处理后的图片背景部分像素值为0，没有烟叶放置平台上残留的碎叶等杂质的影响；
[0047]
i＝0.30r+0.59g+0.11b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4；
[0048]
其中，r,g,b为彩色图片的三通道矩阵，i为合并后的单通道矩阵；
[0049]
std＝num1
×
(ave1-ave)2+num2
×
(ave2-ave)2ꢀꢀꢀ
公式5；
[0050]
其中，std为类间方差，num1为前景部分像素个数，num2为背景部分像素个数，ave1为前景部分平均灰度值，ave2为背景部分平均灰度值，ave为总的平均灰度值。
[0051]
步骤102具体包括：
[0052]
将所述处理后的烤后烟烟叶图片分割成若干网格子图，将分割出来的子图片像素矩阵采用a
×
1的元胞数组存储，其中，a为烤后烟烟叶图片的分割数量；
[0053]
排除背景部分的子图片，即删除像素矩阵为零矩阵的子图，对应元胞数组中的0元素，对所有子图像素矩阵求取rgb三通道平均值，其中存在烟叶部分和背景部分共存的子图，在像素矩阵中表现为存在0元素，根据公式6求取均值时需要只针对其中0元素：
[0054][0055]
其中，n表示第i个子图片像素矩阵中非零元素的总数；
[0056]
rgb均值作为3
×
1的三元组同样存入元胞数组中，假设经过上述处理后元胞数组中元素个数为m，对所有元素之间两两组合构成色差对比组，每组中使用ciede2000公式计算色差δe，然后计算整个色差集合e中元素的极差，选择极差的三分之一作为阈值，如公式7所示，颜色均匀度即为色差组中小于阈值的个数比上总的组合个数：
[0057][0058]
步骤103具体包括：
[0059]
由颜色rgb三元组参与计算，并根据公式8和公式9计算s和v值：
[0060][0061]
v＝max(r,g,b)
ꢀꢀ
公式9。
[0062]
以下结合附图，对本发明实施例的上述技术方案进行详细说明。
[0063]
图2是本发明实施例的烤后烟烟叶色度指标数字化方法的详细步骤示意图，如图2所示，具体包括如下处理：
[0064]
步骤(1)基于深度学习语义分割的图片预处理，如图3所示：先对烤后烟烟叶图片进行标注，选择深度网络进行训练后得到语义分割模型。之后使用已训练模型读入烟叶图片，根据模型输出进行烟叶背景及烟叶放置平台上其他杂物的处理；
[0065]
①
烟叶图片特征标注
[0066]
如图6所示，对图片进行语义分割前需要对图片特征区域和背景进行像素级的标注，在每张待训练图片上用自定义多边形曲线标注烟叶部分和背景部分，生成带有烟叶区域像素位置信息的像素级标签。
[0067]
②
烟叶图片烟叶部分分割
[0068]
如图7所示，本发明实施例采用基于mobilenetv2的deeplab v3+语义分割网络，利用
①
中标注好的标签进行训练，分割图片中的烟叶部分。deeplab v3+网络整体架构为编码器—解码器架构，编码器的主体部分本发明中采用了mobilenetv2网络作为基本网络。网络共186层，每次通过卷积层进行卷积操作后进行批归一化，然后输入激活层，再将输出输入下一个卷积层。使用的批归一化公式为：
[0069][0070]
x
(k)
和y
(k)
分别为原始输入数据和输出数据，μ
(k)
和σ
(k)
分别是输入数据均值和标准差，β
(k)
和γ
(k)
分别为可学习的平移参数和缩放参数，上标k表示数据的第k维，ε是防止分母为0的一个小量。激活层使用截断整流线性单元为激活函数，其公式为：
[0071][0072]
ceiling为设定的阈值，此处设定为6。解码器用转置卷积将编码器输出结果还原为输入特征图的大小，并对比原图进行中心裁剪，通过softmax激活函数后输出通道数为标签个数的分割结果，softmax激活函数公式为：
[0073]
[0074]
zi为第i个节点的输出值，c为标签种类的个数。最终得到的语义分割结果为一个类别种类为标签种类的类别矩阵，即矩阵的元素为不同种类的标签名或者标签的标识字符串，此处分别是烟叶部分的标签“stopseg”和背景部分的标签“back”。
[0075]
③
烟叶图片背景及碎叶等杂物处理
[0076]
首先对于背景，利用语义分割模型输出的类别矩阵，提取元素为“back”的元素位置，对应到原图像素矩阵中，将对应位置像素值置0，进行初步处理。将初步处理的烟叶图片转为单通道灰度图像，再转为二值图像求取连通区域。烟叶图片转单通道灰度图片的公式为：
[0077]
i＝0.30r+0.59g+0.11b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ⑷
[0078]
r,g,b为彩色图片的三通道矩阵，i为合并后的单通道矩阵。灰度图像转二值图像时需要寻找合适的像素阈值以将像素二值化，此处采用计算前景背景类间方差的方法寻找像素阈值。类间方差的计算公式为：
[0079]
std＝num1
×
(ave1-ave)2+num2
×
(ave2-ave)2ꢀꢀꢀ⑸
[0080]
std为类间方差，num1为前景部分像素个数，num2为背景部分像素个数，ave1为前景部分平均灰度值，ave2为背景部分平均灰度值，ave为总的平均灰度值。计算时在灰度图像中遍历像素值，将高于当前像素值部分作为前景部分，其余为背景部分，依次计算类间方差后取最大方差对应的像素值作为阈值将灰度图像转为二值图像。
[0081]
在二值图像中求取连通区域，选取8连通的方式，即元素为1的像素点上下左右及斜方向共8个方向像素值均为1，则认为该区域为一个连通区域。求取所有的连通区域后选择最大的连通区域，其余区域像素值置0，经过两次处理后的图片背景部分像素值为0，没有烟叶放置平台上残留的碎叶等杂质的影响。
[0082]
步骤(2)烟叶颜色均匀度的数字化，如图4所示：对步骤(1)中处理后的烟叶图片，利用网格分割将烟叶区域分成若干小块，并逐一比较颜色差异性，将颜色差异不大的类型占总类型的百分比作为烟叶颜色均匀度的量化值；
[0083]
①
烟叶图片网格分割
[0084]
将步骤(1)处理后的图片分成若干网格子图，分割数量根据实际需要和效果调整，分割数量太多，对比效果更好，结果精确性越高，但计算量大影响整体工作效率；分割数量太少，运行速度快，但结果不够精确。经测试分割数量小于50时，速度较快；分割数量大于150时，计算时间较长，最终选择分割数量100，便于观察，计算效率也高。将分割出来的子图片像素矩阵用一个100
×
1的元胞数组存储，然后对该数组元素分析。
[0085]
②
烟叶颜色均匀度计算
[0086]
首先需要排除背景部分的子图片，即删除像素矩阵为零矩阵的子图，对应元胞数组中的0元素。然后对所有子图像素矩阵求取rgb三通道平均值，其中存在烟叶部分和背景部分共存的子图，在像素矩阵中表现为存在0元素，求取均值时需要只针对其中0元素，具体计算公式为：
[0087][0088]
n表示第i个子图片像素矩阵中非零元素的总数，rgb均值作为3
×
1的三元组同样存入元胞数组中。假设经过上述处理后元胞数组中元素个数为m，对所有元素之间两两组合
构成色差对比组，每组中使用ciede2000公式计算色差δe，然后计算整个色差集合e中元素的极差，选择极差的三分之一作为阈值，颜色均匀度即为色差组中小于阈值的个数比上总的组合个数，计算公式为：
[0089][0090]
步骤(3)烟叶颜色饱和度和光泽强度的数字化，如图5所示，：利用颜色hsv空间中的s，v值的实际意义与颜色均匀度和光泽强度对应，用其值表示颜色均匀度和光泽强度；
[0091]
颜色饱和度和光泽强度与颜色hsv空间中s值和v值的定义和实际含义不谋而合，且取值范围与步骤(2)中求出的颜色均匀度均在0-1范围内，避免了三元组特征因量纲不同某一项过大过小造成后续研究结果存在偏差的问题。s和v值由颜色rgb三元组参与计算得到，计算公式为：
[0092][0093]
v＝max(r,g,b)
ꢀꢀ⒁
[0094]
步骤(4)烟叶色度指标的数字化结果：用步骤(2)(3)中得到的颜色均匀度，颜色饱和度，光泽强度三个影响因素的量化值构成三元组，用三元组表示烟叶色度指标的数字化结果；
[0095]
在《中华人民共和国烤烟国家标准》中，色度指标被描述为受三个因素影响，分别为颜色均匀度，颜色饱和度，光泽强度。对比颜色由于受三个通道rgb的影响，所以可以由rgb三元组表示的启发，同样采用这三个因素的量化值构成三元组来代表色度，即[color_uni s v]。真实烟叶图片按照本发明实施例的上述处理进行计算的结果如图8所示。
[0096]
装置实施例一
[0097]
根据本发明实施例，提供了一种烤后烟烟叶色度指标数字化装置，图9是本发明实施例的烤后烟烟叶色度指标数字化装置的示意图，如图9所示，根据本发明实施例的烤后烟烟叶色度指标数字化装置具体包括：
[0098]
语义分割模型模块90，用于对烤后烟烟叶图片进行标注，基于标注的烤后烟烟叶图片基于深度自学习网络进行训练，得到语义分割模型，将烤后烟烟叶图片输入所述语义分割模型，根据所述语义分割模型的输出进行烟叶背景及烟叶放置平台上其他杂物的处理，获取处理后的烤后烟烟叶图片；
[0099]
第一量化模块92，用于将所述处理后的烤后烟烟叶图片利用网格分割将烟叶区域分成若干小块，并逐一比较各小块之间颜色差异性，将颜色差异在预定差异阈值之内的类型占总类型的百分比作为烟叶颜色均匀度的量化值；
[0100]
第二量化模块94，用于利用颜色hsv空间中的s值和v值的实际意义与颜色均匀度和光泽强度对应，将所述颜色hsv空间中的s值和v值作为烟叶颜色饱和度和光泽强度的量化值；
[0101]
三元组模块96，用于将所述烤后烟烟叶的颜色均匀度、颜色饱和度和光泽强度三个影响因素的量化值构成三元组，利用所述三元组表示烟叶色度指标的数字化结果。
[0102]
所述语义分割模型模块90具体用于：
[0103]
对所述烤后烟烟叶图片的图片特征区域和背景进行像素级标注，在每张待训练的所述烤后烟烟叶图片上用自定义多边形曲线标注烟叶部分和背景部分，生成带有烟叶区域像素位置信息的像素级标签；
[0104]
采用基于mobilenetv2的deeplab v3+语义分割网络，根据标注好标签的所述烤后烟烟叶图片进行训练，分割所述烤后烟烟叶图片中的烟叶部分，其中，所述基于mobilenetv2的deeplab v3+语义分割网络共186层，每次通过卷积层进行卷积操作后根据公式1进行批归一化，然后输入激活层，根据公式2使用截断整流线性单元为激活函数，解码器用转置卷积将编码器输出结果还原为输入特征图的大小，并对比原图进行中心裁剪，通过如公式3所示的softmax激活函数后输出通道数为标签个数的分割结果，再将输出输入下一个卷积层。最终得到的语义分割结果为一个类别种类为标签种类的类别矩阵，即矩阵的元素为不同种类的标签名或者标签的标识字符串，即分别是烟叶部分的标签“stopseg”和背景部分的标签“back”；
[0105][0106]
其中，x
(k)
和y
(k)
分别为原始输入数据和输出数据，μ
(k)
和σ
(k)
分别是输入数据均值和标准差，β
(k)
和γ
(k)
分别为可学习的平移参数和缩放参数，上标k表示数据的第k维，ε是防止分母为0的一个小量；
[0107][0108]
其中，ceiling为设定的阈值；
[0109][0110]
其中，zi为第i个节点的输出值，c为标签种类的个数；
[0111]
针对背景利用语义分割模型输出的类别矩阵，提取元素为“back”的元素位置，对应到原图像素矩阵中，将对应位置像素值置0，进行初步处理，根据公式4将初步处理的烤后烟烟叶图片转为单通道灰度图像，再转为二值图像求取连通区域，在灰度图像转二值图像时确定合适的像素阈值以将像素二值化，根据公式5采用计算前景背景类间方差的方法寻找像素阈值，计算时在灰度图像中遍历像素值，将高于当前像素值部分作为前景部分，其余为背景部分，依次计算类间方差后取最大方差对应的像素值作为阈值将灰度图像转为二值图像，在二值图像中求取连通区域，选取8连通的方式，即元素为1的像素点上下左右及斜方向共8个方向像素值均为1，则认为该区域为一个连通区域，求取所有的连通区域后选择最大的连通区域，其余区域像素值置0，经过两次处理后的图片背景部分像素值为0，没有烟叶放置平台上残留的碎叶等杂质的影响；
[0112]
i＝0.30r+0.59g+0.11b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4；
[0113]
其中，r,g,b为彩色图片的三通道矩阵，i为合并后的单通道矩阵；
[0114]
std＝num1
×
(ave1-ave)2+num2
×
(ave2-ave)2ꢀꢀꢀ
公式5；
[0115]
其中，std为类间方差，num1为前景部分像素个数，num2为背景部分像素个数，ave1
为前景部分平均灰度值，ave2为背景部分平均灰度值，ave为总的平均灰度值。
[0116]
所述第一量化模块92具体用于：
[0117]
将所述处理后的烤后烟烟叶图片分割成若干网格子图，将分割出来的子图片像素矩阵采用a
×
1的元胞数组存储，其中，a为烤后烟烟叶图片的分割数量；
[0118]
排除背景部分的子图片，即删除像素矩阵为零矩阵的子图，对应元胞数组中的0元素，对所有子图像素矩阵求取rgb三通道平均值，其中存在烟叶部分和背景部分共存的子图，在像素矩阵中表现为存在0元素，根据公式6求取均值时需要只针对其中0元素：
[0119][0120]
其中，n表示第i个子图片像素矩阵中非零元素的总数；
[0121]
rgb均值作为3
×
1的三元组同样存入元胞数组中，假设经过上述处理后元胞数组中元素个数为m，对所有元素之间两两组合构成色差对比组，每组中使用ciede2000公式计算色差δe，然后计算整个色差集合e中元素的极差，选择极差的三分之一作为阈值，如公式7所示，颜色均匀度即为色差组中小于阈值的个数比上总的组合个数：
[0122][0123]
所述第二量化模块94具体用于：
[0124]
由颜色rgb三元组参与计算，并根据公式8和公式9计算s和v值：
[0125][0126]
v＝max(r,g,b)
ꢀꢀ
公式9。
[0127]
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0128]
装置实施例二
[0129]
本发明实施例提供一种烤后烟烟叶色度指标数字化电子设备，如图10所示，包括：存储器100、处理器102及存储在所述存储器100上并可在所述处理102上运行的计算机程序，所述计算机程序被所述处理器102执行时实现如方法实施例中所述的步骤。
[0130]
装置实施例三
[0131]
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器102执行时实现如方法实施例中所述的步骤。
[0132]
本实施例所述计算机可读存储介质包括但不限于为：rom、ram、磁盘或光盘等。
[0133]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。