En réponse à des questions telles que des segments et des signes dans l'environnement naturel, il existe un problème de segment et de segmentation fondamental et la méthode de segmentation d'images augmente sur la base du niveau d'évaluation nette et du niveau de groupe de couleurs suggère et combine avec des segments de gradient et une glissade transparente de Tenengrad segment. Zones d'image plus élevées, puis cluster de segment dans le modèle de couleur RVB, HSV, Lab, YCBR. Les résultats montrent que la quantité ci-dessus de la valeur Telend de gradient est sélectionnée comme un seuil d'élection primaire net et le taux de sélection est de 25%; Dans le modèle de couleur HSV, le segment d'image BUD est terminé par la méthode du cluster K-NOUT, la précision du segment d'une image aigée douce est de 72,48% et de 77,83%, et de faux positif par rapport au segment de montage K-K-Montez directement. Le taux a diminué de 5,19% et de 2,03%. Cette méthode peut atteindre le segment effectif des pousses de thé dans l'environnement naturel, en réduisant la division et excessive, offrant une référence théorique à choisir le thé intelligent.