A method and system for evaluating analyte distribution

Abstract

Provided is an analytical method and system for evaluating analyte distribution uniformity in a cosmetic composition. The analytical system evaluating analyte distribution uniformity (1) of the cosmetic composition comprises: a binarization and calibration module (41) for binarizing and calibrating chemical images of the cosmetic composition to obtain binarized and calibrated images; an image splitting module (42) for separating the binarized and calibrated images into small grids; and an analyte distribution uniformity evaluation module (43) for computing the number of pixels corresponding to the analyte in the small grids to obtain the analyte distribution uniformity.

Description

A METHOD AND SYSTEM FOR EVALUATING ANALYTE DISTRIBUTIONTECHNICAL FIELD

[0001] The present disclosure generally relates to analysis field and specifically relates to an analytical method and system for evaluating analyte distribution uniformity in a cosmetic composition.BACKGROUND ART

[0002] Distribution uniformity is an important parameter for evaluating particle materials. For example, the distribution uniformity of pigments are of essential importance for the development of a cosmetic formula. In particular, any improvements made to distribution of pigment in a makeup emulsion can lead to improved finishing effects of the product. Consumers will notice more long wearing, better color-stay-true, better coverage, and less settling into fine lines.

[0003] As methods for evaluating the distribution uniformity, existing methods include descriptive analysis or clinical evaluation. Each of the methods requires testing of human subjects (in vivo) . However, in vivo methods would be influenced by the difference ofindividual testing subjects. Additionally subjective criteria would be used for result interpretation.

[0004] Therefore, as an in vitro method for evaluating distribution uniformity, a method has also been proposed in which an SEM pattern is obtained by SEM method and the content distribution uniformity is briefly determined by observing the SEM pattern. However, the SEM image is simply the physical shape of the particulate matters contained in the system, thus it is not possible to distinguish the various matters of different chemical compositions but with similar structures, and the uniformity cannot be quantified, so the observation error is large.

[0005] Especially, since the SEM method does not penetrate into the sample such as a cosmetic emulsion, this may cause problems in assessing the distribution uniformity of the target particles when they may be obscured by  other ingredients that may exist within the cosmetic emulsion.

[0006] CN 103411987A discloses a method for determining the uniformity of titanium dioxide surface coating using a scanning electron microscope equipped with an X-ray energy spectrometer. This method evaluates distribution based on the difference between the maximum value and the minimum value of the same chemical element content in the chemical composition of different measurement sites of the target sample. However, this method is based on a single-point analysis, and only five artificially selected measurement sites were analyzed, so it may be less possible to objectively and accurately evaluate the distribution uniformity within the entire surface.

[0007] CN 114199919A discloses an image processing method based on X-ray energy spectrometer micro-area mapping analysis, which selectively increases the difference between the characteristics of different objects in the image by setting a threshold, thereby making the analysis boundary clear and making it easier to observe the structural composition. However, it does not involve measuring of distribution uniformity.

[0008] Therefore, an in vitro analytical method and system that can simply, efficiently and objectively quantify the distribution uniformity of analytes, especially various particulate matter in cosmetic formulations, in a comparative basis is still on demand strongly.SUMMARY OF THE INVENTION

[0009] The present disclosure aims to provide a method and system to solve the problem that the existing traditional evaluation method and system cannot quickly, efficiently and objectively quantify the distribution uniformity of analytes, especially various particulate matter contained in cosmetic formulations, in a comparative basis.

[0010] In order to achieve the above objects, according to a first aspect, the present disclosure provides an analytical system evaluating analyte distribution uniformity of a cosmetic composition, comprising:

[0011] a binarization and calibration module for binarizing and calibrating  chemical images of the cosmetic composition to obtain binarized and calibrated images;

[0012] an image splitting module for separating the binarized and calibrated images into small grids; and

[0013] an analyte distribution uniformity evaluation module for computing the number of pixels corresponding to the analyte in the small grids to obtain the analyte distribution uniformity.

[0014] Optionally, the cosmetic samples comprise at least one cosmetic composition sample as a control and at least one cosmetic composition sample as an evaluation target.

[0015] Optionally, the binarized and calibrated images have a brightness of about 10-250;

[0016] preferably, the binarized and calibrated images have a brightness of about 60-220;

[0017] more preferably, the binarized and calibrated images have a brightness of about 100-220.

[0018] Optionally, the brightness difference between the binarized and calibrated images of the standard and the evaluation target is less than 60%;

[0019] preferably, the brightness difference between the binarized and calibrated images of the standard and the evaluation target is less than 40%;

[0020] more preferably, the brightness difference between the binarized and calibrated images of the standard and the evaluation target is less than 10%.

[0021] Optionally, the chemical images are binarized and calibrated by applying a threshold at a range of 1-254, preferably 16-100.

[0022] Optionally, the analytical system further comprises a sample image generation module for

[0023] obtaining chemical images of analyte particles in the cosmetic composition samples, wherein the chemical image is selected from the group consisting of a FTIR (Fourier Transform Infrared Spectrometer) image, aRaman image, a TOF-SIMS (Time of Flight Secondary Ion Mass Spectrometry) image, an AFM (Atomic Force Microscope) image, and a SEM-EDX image, and the chemical image is preferably a SEM-EDX image.

[0024] In a preferable embodiment, the chemical images are grayscale chemical images.

[0025] Optionally, the analytical system further comprises a particle size determination module for determining the particle size of analyte particles in the cosmetic composition samples.

[0026] Optionally, each binarized and calibrated image is separated (sliced) into small grids (pieces) according to the particle size of analyte particles in each cosmetic composition sample,

[0027] preferably, the split grid for each sample has a size equivalent to 1-14 times of the particle size of the analyte particle in each sample;

[0028] more preferably, the split grid for each sample has a size equivalent to 2-10 times of the particle size of the analyte particle in each sample;

[0029] most preferably, the split grid for each sample has a size equivalent to 2-4 times of the particle size of the analyte particle in each sample.

[0030] Optionally, the analyte distribution uniformity is evaluated as CoV, which is computed through the formula of: CoV=standard deviation / mean

[0031] wherein,

[0032] the standard deviation represents the standard deviation of the number of pixels corresponding to the analyte in each small grid, and the mean represents the mean of the number of pixels corresponding to the analyte in each small grid;

[0033] a lower numerical value indicates a higher analyte distribution uniformity.

[0034] According to a second aspect, the present disclosure provides an analytical method evaluating analyte distribution uniformity of a cosmetic composition, comprising the steps of:

[0035] binarizing and calibrating chemical images of the cosmetic composition to obtain binarized and calibrated images ofanalyte ofcosmetic composition samples;

[0036] separating the binarized and calibrated images into small grids; and

[0037] computing the number of pixels corresponding to the analyte in the  small grids to obtain the analyte distribution uniformity.

[0038] Optionally, the cosmetic samples comprise at least one cosmetic composition sample as a control and at least one cosmetic composition sample as an evaluation target.

[0039] Optionally, the binarized and calibrated images have a brightness of about 10-250;

[0040] preferably, the binarized and calibrated images have a brightness of about 60-220;

[0041] more preferably, the binarized and calibrated images have a brightness of about 100-220.

[0042] Optionally, the brightness difference between the binarized and calibrated images of the standard and the evaluation target is less than 60%;

[0043] preferably, the brightness difference between the binarized and calibrated images of the standard and the evaluation target is less than 40%;

[0044] more preferably, the brightness difference between the binarized and calibrated images of the standard and the evaluation target is less than 10%.

[0045] Optionally, the chemical images are binarized and calibrated by applying a threshold at a range of0-255, preferably 16-100.

[0046] Optionally, the analytical method further comprises the step of

[0047] obtaining chemical images of analyte particles in the cosmetic composition samples, the chemical image is selected from the group consisting of a FTIR (Fourier Transform Infrared Spectrometer) image, aRaman image, a TOF-SIMS (Time of Flight Secondary Ion Mass Spectrometry) image, an AFM (Atomic Force Microscope) image, and a SEM-EDX image, and the chemical image is preferably a SEM-EDX image.

[0048] In a preferable embodiment, the chemical images are grayscale chemical images.

[0049] Optionally, the analytical method further comprises the step of

[0050] determining the particle size of analyte particles in the cosmetic composition samples.

[0051] Optionally, each binarized and calibrated image is separated (sliced) into small grids (pieces) according to the particle size of analyte particles in  each cosmetic composition sample,

[0052] preferably, the split grid for each sample has a size equivalent to 1-14 times of the particle size of the analyte particle in each sample;

[0053] more preferably, the split grid for each sample has a size equivalent to 2-10 times of the particle size of the analyte particle in each sample;

[0054] most preferably, the split grid for each sample has a size equivalent to 2-4 times of the particle size of the analyte particle in each sample.

[0055] Optionally, the analyte distribution uniformity is evaluated as CoV, which is computed through the formula of: CoV=standard deviation / mean

[0056] wherein,

[0057] the standard deviation represents the standard deviation of the number of pixels corresponding to the analyte in each small grid, and the mean represents the mean of the number of pixels corresponding to the analyte in each small grid,

[0058] a lower numerical value indicates a higher analyte distribution uniformity.

[0059] Other subjects and characteristics, aspects and advantages of the invention will emerge even more clearly on reading the description and the examples that follow.

[0060] Description of the drawings

[0061] The drawings are used to provide a further understanding of the embodiments of the present disclosure, and constitute a part of the description. Together with the following detailed description of the invention, they are used to illustrate the embodiments of the present disclosure, but do not constitute a limitation to the embodiments of the present disclosure. In the drawings:

[0062] Figure 1 shows the chemical image (RGB) which is Figure 1-a, chemical image (grayscale) which is Figure 1-b, and binarized and calibrated image which is Figure 1-c, of Sample 1 in Example 1-4 and Comparative Examples 1-2.

[0063] Figure 2 shows the chemical image (RGB) which is Figure 2-a, chemical image (grayscale) which is Figure 2-b, and binarized and calibrated image which is Figure 2-c, of Sample 2 in Example 1-4 and Comparative Examples 1-2.

[0064] Figure 3 shows the SEM image which is Figure 3-a, original chemical image which is Figure 3-b, and binarized and calibrated image which is Figure3-c of Sample 3 in Example 5.

[0065] Figure 4 shows the SEM image which is Figure 4-a, original chemical image which is Figure 4-b, and binarized and calibrated image which is Figure 4-c of Sample 4 in Example 5.

[0066] Figure 5 shows the chemical images a to c and the binarized and calibrated images a to c of Sample 5 in Example 5.

[0067] Figure 6 shows the chemical images a to c and the binarized and calibrated images d to f of Sample 5 in Comparative Example 3.

[0068] Figure 7 shows the chemical images a to c and the binarized and calibrated images g toi of Sample 5 in Comparative Example 4.

[0069] Figure 8 shows a block diagram illustrating an exemplary configuration of a system evaluating analyte distribution uniformity of a cosmetic composition according to an embodiment of the present disclosure.

[0070] Figure 9 shows a split grid with a square shape.

[0071] Figure 10 shows a flowchart illustrating an exemplary method evaluating analyte distribution uniformity of a cosmetic composition according to an embodiment of the present disclosure.DETAILED DESCRIPTION OF THE INVENTION

[0072] I. Definitions

[0073] In that which follows and unless otherwise indicated, the limits of a range of values are included within this range, in particular in the expressions "between…and…" and "from. . . to... " .

[0074] Unless defined otherwise, all technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which the present disclosure pertains. When the definition of a  term in the present description conflicts with the meaning as commonly understood by those skilled in the art the present disclosure belongs to, the definition described herein shall apply.

[0075] Throughout the instant application, the term "comprising" is to be interpreted as encompassing all specifically mentioned features as well optional, additional, unspecified ones. As used herein, the use of the term “comprising” also discloses the embodiment wherein no features other than the specifically mentioned features are present (i.e. “consisting of” ) .

[0076] As used herein, the singular forms "a" , "an" , and "the" include plural referents unless the context clearly dictates otherwise. For example, reference to a Cn alcohol equivalent is intended to include multiple types of Cn alcohol equivalents. Thus, even use of language such as "at least one" in one location is not intended to imply that other uses of "a" , "an" , and "the" excludes plural referents unless the context clearly dictates otherwise.

[0077] As used herein, the term "and / or" , when used in a list of two or more items, means that any one of the listed items can be employed by itself, or any combination of two or more of the listed items can be employed. For example, if a composition is described as containing components A, B, and / or C, the composition can contain A alone; B alone; C alone; A and B in combination; A and C in combination; B and C in combination; or A, B, and C in combination.

[0078] Unless otherwise specified, all numerical values expressing amount of ingredients and the like which are used in the description and claims are to be understood as being modified by the term “about” , with conventionally known meaning in the art, e.g., within 10%of the indicated number (e.g. "about 100-220" means 9-245 and "about 10" means 9-11%) . Accordingly, unless indicated to the contrary, the numerical values and parameters described herein are approximate values which are capable of being changed according to the desired purpose as required. At the very least, each numerical parameter should at least be construed in light of the number ofreported significant digits and by applying ordinary rounding techniques. Further, the ranges stated in this disclosure and the claims are intended to  include the entire range specifically and not just the endpoint (s) . For example, a range stated to be 0 to 10 is intended to disclose all whole numbers between 0 and 10 such as, for example 1, 2, 3, 4 and any sub-ranges formed by any two values thereof, etc., all fractional numbers between 0 and 10, for example 1.5, 2.3, 4.57, 6.1113 and any sub-ranges formed by any two values thereof, etc., and the endpoints 0 and 10.

[0079] The term "analyte" used herein means a measurement target that is to be evaluated for distribution uniformity and that is generally contained in a system, especially a cosmetic composition.

[0080] The term "binarization" used herein means the process of making the grayscale value of each pixel in the pixel matrix of the grayscale image be 0 (black) or 255 (white) , that is, making the entire image appear to be only black and white. The grayscale value range in a grayscale image is 0～255, while the grayscale value range in a binarized image is 0 or 255.

[0081] The term "chemical image" used herein means a visual representation of the spatial distribution of chemical components within a sample. It is created through chemical imaging techniques that combine analytical methods with imaging technology. Instead of a traditional image that shows only the physical appearance of a sample, a chemical image provides information about the composition or concentration of specific chemical species at different locations within the sample.

[0082] The term “RGB” used herein means that an image is shown in a RGB color model, where each pixel is represented by three color channels: red, green, and blue. The combination of these three channels in varying intensities produces a wide range of colors, allowing for the representation of a full spectrum of hues. The rgb image is sometimes also referred to as bgr in the field of computer vision and image analysis.

[0083] II. Technical ideas

[0084] The technical idea of the present disclosure is described below. The present disclosure aims to analyze the photographed image of an analyte (e.g., particles) contained in cosmetic compositions, and output information  for evaluating the distribution uniformity of the analyte contained in the cosmetic compositions.

[0085] The inventors of the present disclosure conducted in-depth study on image analysis methods using binarization, and found that the distribution uniformity of the analyte (e.g., particles) contained in cosmetic compositions can be quickly and accurately quantified in a comparative basis by performing binarization in a specific manner and computing the number of pixels corresponding to the analyte (e.g., particles) contained in the binarized image.

[0086] The following analytical system evaluating analyte distribution uniformity 1 useful for evaluating the distribution uniformity of the analyte (e.g., particles) contained in cosmetic compositions will be described as an example below. It should be noted that the analytes of the present disclosure are not limited to be contained in cosmetic compositions, but can also be contained in other distribution systems such as pharmaceutical compositions, ink compositions, etc.

[0087] III. Configuration of analytical system evaluating analyte distribution uniformity 1

[0088] Here, a configuration of analytical system evaluating analyte distribution uniformity 1 will be described with reference to Fig. 8, which is a block diagram showing an example configuration of the analytical system evaluating analyte distribution uniformity according to the present disclosure.

[0089] As shown in Fig. 8 , the analytical system evaluating analyte distribution uniformity 1 may include a sample image generation module 2 (receiving module) , a storage module 3, an analytical unit evaluating analyte distribution uniformity 4, a particle size determination module 5, adisplay device 6, and a temporary storage module 7.

[0090] It should be noted that although Fig. 8 showes herein an example in which the analytical unit evaluating analyte distribution uniformity 4 is connected to a separately provided display device 6, the present disclosure  is not limited to such a configuration. The analytical unit evaluating analyte distribution uniformity 4 may be configured to include therein the display device 6. Further, the analytical unit evaluating analyte distribution uniformity 4 may also be configured to be connected to a plurality of display devices 6 by wire or wireless.

[0091] The sample image generation module 2 can either directly photograph analyte to obtain a chemical image (chemical image of analyte) , or obtain the chemical image from external device 8.

[0092] In one embodiment, the chemical image can be obtained by any chemical imaging method. For example, the chemical image of analyte can be a FTIR (Fourier Transform Infrared Spectrometer) image, a Raman image, a TOF-SIMS (Time of Flight Secondary Ion Mass Spectrometry) image, aAFM(Atomic Force Microscope) image or a SEM-EDX image.

[0093] In one embodiment, the chemical image ofanalyte is preferably a SEM-EDX image.

[0094] In one embodiment, the analyte to be tested and evaluated in present system can be analyte particles contained in cosmetic compositions.

[0095] Scanning Electron Microscopy with Energy Dispersive X-ray Spectroscopy (SEM-EDX) is a powerful analytical technique widely used for investigating the elemental composition and spatial distribution of materials at micro-and nanoscale. While not wishing to be bound by theory, it is believed that during a measurement, electron beam causes the sample to emit characteristic X-rays which are then collected and recorded by a detector positioned near the sample. Therefore, any particle can be an analyte of the present disclosure as long as it can emit X-rays via an electron beam. By measuring the energies and intensities of these X-rays, it is possible to identify the elements present in the sample and determine their relative abundances.

[0096] In one embodiment, the analyte includes titanium, iron, zinc, barium, silicone, aluminum, magnesium, and the like.

[0097] In another embodiment, the analyte is an ingredient commonly used in cosmetic formulations, especially pigment ingredients. Examples of such  pigment ingredients include but not limited to titanium dioxide, zinc oxide, red iron oxide, black iron oxide, yellow iron oxide, and the like.

[0098] With respect to a method for capturing a chemical image, those skilled in the art can capture the chemical image of analyte of samples according to conventional ways corresponding to the chemical imaging method used. For example, when using SEM-EDX, a sample can be applied to a substrate and scanned.

[0099] In one embodiment, the sample for SEM-EDX may be coated with Pt / Au and taped with electrically conductive material to facilitate the analysis.

[0100] In one embodiment, the sample for SEM-EDX is dried using a vacuum oven before taking chemical images.

[0101] In one embodiment, the sample may be one or more cosmetic composition samples. Preferably, the cosmetic composition samples comprise at least one cosmetic composition sample as a control and at least one cosmetic composition sample as an evaluation target.

[0102] The term "control" used herein means the sample containing the same kind of analyte as the evaluation target, and the distribution uniformity of the control is known.

[0103] The term "evaluation target" used herein means the sample for which the analyte distribution uniformity needs to be evaluated. The analyte distribution uniformity of the cosmetic composition sample as a control can be excellent or poor.

[0104] In one embodiment, the chemical image may be an RGB image or a grayscale image converted from the RGB image.

[0105] The storage module 3 stores therein the chemical images obtained by the image generation module 2, and records: (1) a control program for controlling each module, (2) an OS program, and (3) an application program executed by the analytical unit evaluating analyte distribution uniformity 4, as well as (4) various sets of data which are read out in a case where the analytical unit evaluating analyte distribution uniformity 4 executes the programs. The storage module 3 is composed of a nonvolatile storage device  such as a hard disk or a flash memory.

[0106] The particle size determination module 5 can directly measure the particle size of analyte particles (analyte particle size) . The particle size of analyte particles can also be obtained from external device 8.

[0107] The temporary storage module 7 is used as a working area for temporarily storing data while various programs described above are being executed. The temporary storage module 7 is composed of a volatile storage device such as RAM (Random Access Memory) .

[0108] The display device 6 is a display device which displays output information and the like from the analytical unit evaluating analyte distribution uniformity 4, and is, for example, a liquid crystal display.

[0109] In one embodiment, the analytical system evaluating analyte distribution uniformity 1 is configured to include a dedicated display device 6.

[0110] In one embodiment, the display device 6 may also be of touch panel type.

[0111] (Configuration of analytical unit evaluating analyte distribution uniformity 4)

[0112] The analytical unit evaluating analyte distribution uniformity 4 analyzes the chemical image obtained by the image generation module 2 and outputs information for evaluating the distribution uniformity of the analyte contained in the cosmetic composition.

[0113] The analytical unit evaluating analyte distribution uniformity 4 includes a binarization and calibration module 41, an image splitting module 42, and an analyte distribution uniformity evaluation module 43.

[0114] 1. Binarization and calibration module 41

[0115] The binarization and calibration module 41 is configured to receive chemical images of samples, and perform binarization and calibration on the chemical images to obtain binarized and calibrated images.

[0116] In one embodiment, the binarization and calibration module 41 is  configured to receive chemical images of analyte of cosmetic composition samples, and binarize and calibrate the chemical images to obtain binarized and calibrated images.

[0117] In one embodiment, the chemical images include at least one chemical image of a cosmetic sample as control, and at least one chemical image of a cosmetic composition sample as evaluation target. Preferably, the chemical image is an 8-bit grayscale image with a grayscale value of0-255. Here, the "8-bit" means that the pixel value of a pixel in the grayscale image is represented by an 8 bit binary number, and there are 28 possibilities for each pixel, so the grayscale value is 0-255. However, grayscale image is not limited to 8-bit grayscale image. As long as it can be realized, the grayscale image can be a grayscale image of any bit, such as 16-bit grayscale image. In the case of a 16-bit grayscale image, since the pixel value of a pixel is represented by a 16 bit binary number, there are 216 possibilities for each pixel, so the grayscale value is 0-65536.

[0118] It should be noted that the grayscale value reflects the signal intensity of the spatial distribution of the analyte. Typically one extremity of the color scale refers to zero intensity and the other extremity refers to highest intensity measured for the particle sample. For example, with respect to above-mentioned 8-bit grayscale image, the grayscale value of 0 can mean the highest signal intensity in the grayscale image, which can be exhibited as black color in the grayscale image; while the grayscale value of255 can mean the lowest signal intensity in the grayscale image, which can be exhibited as white color in the grayscale image. It is also entirely possible to represent the very same grayscale image by assigning 0 to the lowest intensity and 255 to the highest intensity, with no influence to the subsequent analysis.

[0119] In the present disclosure, although the signal intensity of the analyte is represented by the grayscale value in the 8-bit grayscale image, the signal intensity of the analyte can also be indicated in the form of a percentage. For example, for an 8-bit grayscale image, if the grayscale value 0 is set as 100%and the grayscale value 255 is set as 0%, the grayscale value 63 can  be indicated as 75% ( (256-64)  / 256%) . Alternatively, the grayscale value 0 can also be set as 0%, and the grayscale value 255 can also be set as 100%. As another example, for a grayscale image, where the grayscale values scope is defined as 10-100, wherein 0 means the highest signal intensity in the grayscale image, and 100 means the lowest signal intensity in the grayscale image. If the grayscale value 0 is set as 100%and the grayscale value 100 is set as 0%, the grayscale 34 can be indicated as 65% ( (100-35)  / 100%) . Alternatively, the grayscale value 0 can also be set as 0%, and the grayscale value 100 can also be set as 100%.

[0120] In one embodiment, a threshold is applied to the grayscale image of a cosmetic sample as control for binarization and calibration. The applied threshold may be in the range of 1-254, preferably 10-250, more preferably 12-200, most preferably 16-100 in terms of grayscale value. In one embodiment, the applied threshold may be any one of20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, or 35. In another embodiment, the applied threshold may be any one of 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, or 95.

[0121] In one embodiment, a threshold is applied to the grayscale image of a cosmetic sample as evaluation target for binarization and calibration. The applied threshold is in the range of 1-254, preferably 10-250, more preferably 12-200, most preferably 16-100 in terms of grayscale value. In one embodiment, the applied threshold may be any one of20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, or 35. In another embodiment, the applied threshold may be any one of 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, or 95.

[0122] An appropriate threshold contributes to an accurate evaluation of analyte distribution uniformity. The accurate evaluation cannot be obtained if the threshold is too large or too small.

[0123] In one embodiment, the binarized and calibrated image has a brightness of about 10-250. Preferably, the binarized and calibrated image has a brightness of 60-220. More preferably, the binarized and calibrated image has a brightness of 100-220, for example, 140, 141, 142, 143, 144, 145, 146,  147, 148, 149, 150, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, 170, 171, 172, 173, 174, 175, 176, 177, 178, 179, 180, 181, 182, 183, 184, 185, 186, 187, 188, 189, 190, 191, 192, 193, 194, or 195.

[0124] In one embodiment, the brightness difference between the binarized and calibrated images of the control and the evaluation target is less than 60%, more preferably less than 40%, and further preferably less than 10%. When the brightness difference is not within the above range, a new threshold is applied until the brightness difference reaches the above range.

[0125] An appropriate brightness difference between the control and the evaluation target contributes to an accurate evaluation of analyte distribution uniformity. The accurate evaluation cannot be obtained if the brightness difference between the control and the evaluation target is too large.

[0126] In one embodiment, the new threshold is a different threshold within the range described above.

[0127] In one embodiment, the new threshold is applied to the grayscale image as control until the brightness difference reaches the above range. In another embodiment, the new threshold is applied to the grayscale image as evaluation target until the brightness difference reaches the above range. In yet another embodiment, the new threshold is applied simultaneously to the grayscale image as evaluation target and the grayscale image as control until the brightness difference reaches the above range.

[0128] The new threshold can be automatically set by the binarization and calibration module 41, or it can be manually entered.

[0129] Here, the term "binarization and calibration" means binarizing the chemical images from the reference and evaluation targets by applying a threshold as described above, so that the brightness and brightness difference between the two meet the range required by the present disclosure.

[0130] In the binarized and calibrated image, black or white pixels correspond to analyte particles contained in a cosmetic composition. In one embodiment, the black pixels correspond to analyte particles contained in a cosmetic  composition.

[0131] Optionally, the binarized and calibrated image may be subjected to an image inverting. Here, image inverting refers to converting black pixels and white pixels in the binarized and calibrated image to each other, that is, aprocess of converting original black pixels (grayscale value 0) to white pixels (grayscale value 255) , and converting original white pixels (grayscale value 255) to black pixels (grayscale value of0) .

[0132] 2. Image splitting module 42

[0133] The image splitting module 42 is configured to separate (slice) the binarized and calibrated images into small grids (pieces) .

[0134] In one embodiment, each binarized and calibrated image is separated (sliced) into small grids (pieces) according to the particle size of analyte particles in each cosmetic composition sample.

[0135] Preferably, the split grid (piece) for each sample has a size equivalent to 1-14 times of the particle size of the analyte particle in each sample. More preferably, the split grid for each sample has a size equivalent to 2-10 times of the particle size of the analyte particle in each sample. Most preferably, the split grid for each sample has a size equivalent to 2-4 times of the particle size of the analyte particle in each sample. For example, the split grid for each sample may have a size equivalent to 1 time, 2 times, 3 times, 4 times, 5 times, 6 times, 7 times, 8 times, 9 times, 10 times, 11 times, 12 times, 13 times, or 14 times of the particle size of the analyte particle in each sample.

[0136] An appropriate grid size contributes to an accurate evaluation of analyte distribution uniformity. The accurate evaluation cannot be obtained if the grid size is too large or too small. Here, the size equivalent to "XX" times of the particle size of the analyte particle means that the equivalent diameter of the split grids (pieces) is equal to "XX" times of the particle size of the analyte particle. The "equivalent diameter" has the meaning understood by those skilled in the art, for example, the diameter of a circle with the same area as the split grid (piece) .

[0137] As shown in Figure 9, the split grids (pieces) are square grids. However,  the present disclosure is not limited thereto. As long as the equivalent diameter satisfies the above disclosed range, the split grids (pieces) may also be in any shape, such as triangles, quadrilaterals, pentagons, hexagons or other polygons. In a preferred embodiment, the split grids (pieces) are square grids.

[0138] 3. Analyte distribution uniformity evaluation module 43

[0139] The analyte distribution uniformity evaluation module 43 is configured to compute the number of pixels corresponding to the analyte in the small split grids (small pieces) to obtain the analyte distribution uniformity.

[0140] The analyte distribution uniformity evaluation module 43 of the present disclosure can count the pixels corresponding to the analyte particles in the small split grids (small pieces) .

[0141] In one embodiment, the pixels corresponding to the analyte particles are black pixels. In another embodiment, the pixels corresponding to the analyte particles are white pixels.

[0142] The analyte distribution uniformity evaluation module 43 can evaluate the analyte distribution uniformity as CoV (coefficient of variation) which is computed through the formula of: CoV=standard deviation / mean

[0143] wherein,

[0144] the standard deviation represents the standard deviation of the number of pixels corresponding to the analyte in each small grid, and the mean represents the mean of the number of pixels corresponding to the analyte in each small grid;

[0145] a lower numerical value indicates a higher analyte distribution uniformity.

[0146] Above, the analytical system evaluating analyte distribution uniformity 1 comprising the sample image generation module 2 and the particle size determination module 5 has been shown. However, the analytical system evaluating analyte distribution uniformity of the present disclosure may also be configured not to comprise the sample image generation module 2 and / or  the particle size determination module 5, so as to obtain chemical images and / or particle size data from the external device 8.

[0147] In one embodiment, the external device 8 of the present disclosure can be a device such as SEM-EDX, which has a function of capturing chemical images and / or determining the particle size of analytes, or can be alternatively a server which integrally manages chemical images and / or particle size data.

[0148] IV. An analytical method evaluating analyte distribution uniformity of a cosmetic composition

[0149] Next, an example of the analytical method evaluating analyte distribution uniformity of a cosmetic composition according to the present disclosure will be described with reference to Fig. 10.

[0150] Fig. 10 is a flowchart illustrating an example process flow carried out by an analytical system evaluating analyte distribution uniformity 1. It should be noted that the following description will be given on the premise that the chemical images and particle size data of the cosmetic composition samples as control and evaluation target have already been stored in the storage module 3.

[0151] As shown in Figure 10, the analytical method evaluating analyte distribution uniformity of a cosmetic composition according to the present disclosure comprises the following steps:

[0152] Step S1 (binarizing and calibrating step) : binarizing and calibrating grayscale images to obtain binarized and calibrated images of analyte of cosmetic composition samples;

[0153] Step S2 (image slitting step) : separating the binarized and calibrated images into small grids; and

[0154] Step S3 (analyte distribution uniformity evaluation step) : computing the number ofpixels corresponding to the analyte in the small grids to obtain the analyte distribution uniformity.

[0155] 1. Step S1

[0156] In the Step S1, the binarization and calibration module 41 obtains the chemical images stored in the storage module 3 and performs binarization and calibration on the chemical images to obtain binarized and calibrated images.

[0157] In one embodiment, the Step S1 comprises receiving chemical images of analyte of cosmetic composition samples, and binarizing and calibrating the chemical images to obtain binarized and calibrated images.

[0158] In one embodiment, the chemical images include at least one chemical image of a cosmetic sample as control, and at least one chemical image of a cosmetic composition sample as evaluation target. Preferably, the chemical image is an 8-bit grayscale image (hereinafter referred to as a grayscale image) with a grayscale value of0-255.

[0159] In one embodiment, the Step S1 comprises applying a threshold to the grayscale image of a cosmetic sample as control for binarization and calibration. The applied threshold is in the range of 1-254, preferably 10-250, more preferably 12-200, most preferably 16-100 in terms of grayscale value. In one embodiment, the applied threshold may be any one of20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, or 35. In another embodiment, the applied threshold may be any one of80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, or 95.

[0160] In one embodiment, the Step S1 comprises applying a threshold to the grayscale image of a cosmetic sample as evaluation target for binarization and calibration. The applied threshold is in the range of 1-254, preferably 10-250, more preferably 12-200, most preferably 16-100 in terms of grayscale value. In one embodiment, the applied threshold may be any one of 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, or 35. In another embodiment, the applied threshold may be any one of80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, or 95.

[0161] In one embodiment, the binarized and calibrated image has a brightness of about 10-250. Preferably, the binarized and calibrated image has a brightness of 60-220. More preferably, the binarized and calibrated image has a brightness of 100-220, for example, 140, 141, 142, 143, 144, 145, 146,  147, 148, 149, 150, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, 170, 171, 172, 173, 174, 175, 176, 177, 178, 179, 180, 181, 182, 183, 184, 185, 186, 187, 188, 189, 190, 191, 192, 193, 194, or 195.

[0162] In one embodiment, the brightness difference between the binarized and calibrated images of the control and the evaluation target is less than 60%, more preferably less than 40%, and further preferably less than 10%. When the brightness difference is not within the above range, the Step S1 comprises further applying a new threshold until the brightness difference reaches the above range.

[0163] In one embodiment, the new threshold is a different threshold within the range described above.

[0164] In one embodiment, the Step S1 comprises applying a new threshold to the grayscale image as control until the brightness difference reaches the above range. In another embodiment, the Step S1 comprises applying a new threshold to the grayscale image as evaluation target until the brightness difference reaches the above range. In yet another embodiment, the Step S1 comprises applying a new threshold simultaneously to the grayscale image as evaluation target and the grayscale image as control until the brightness difference reaches the above range.

[0165] The new threshold can be automatically set by the binarization and calibration module 41, or it can be manually entered.

[0166] In the binarized and calibrated image, black or white pixels correspond to analyte particles contained in a cosmetic composition. In one embodiment, the black pixels correspond to analyte particles contained in a cosmetic composition.

[0167] Optionally, the Step S1 comprises subj ecting the binarized and calibrated image to an image inverting.

[0168] 2. Step S2

[0169] In the Step S2, the image splitting module 42 receives the binarized and calibrated image from the Step S2 and separates (slices) the binarized  and calibrated images into small grids (pieces) .

[0170] In one embodiment, the Step S2 comprises separating (slicing) each binarized and calibrated image into small grids (pieces) according to the particle size of analyte particles in each cosmetic composition sample.

[0171] Preferably, the split grid (piece) for each sample has a size equivalent to 1-14 times of the particle size of the analyte particle in each sample. More preferably, the split grid for each sample has a size equivalent to 2-10 times of the particle size of the analyte particle in each sample. Most preferably, the split grid for each sample has a size equivalent to 2-4 times of the particle size of the analyte particle in each sample. For example, the split grid for each sample may has a size equivalent to 1 time, 2 times, 3 times, 4 times, 5 times, 6 times, 7 times, 8 times, 9 times, 10 times, 11 times, 12 times, 13 times, or 14 times of the particle size of the analyte particle in each sample.

[0172] An appropriate grid size contributes to an accurate evaluation of analyte distribution uniformity. The accurate evaluation cannot be obtained if the grid size is too large or too small.

[0173] 3. Step S3

[0174] In the Step S3, the analyte distribution uniformity evaluation module 43 computes the number of pixels corresponding to the analyte in the small split grids (small pieces) to obtain the analyte distribution uniformity.

[0175] The Step S3 comprises counting the pixels corresponding to the analyte particles in the small split grids (small pieces) .

[0176] In one embodiment, the pixels corresponding to the analyte particles are black pixels. In another embodiment, the pixels corresponding to the analyte particles are white pixels.

[0177] The Step S3 comprises evaluating the analyte distribution uniformity as CoV (coefficient ofvariation) which is computed through the formula of: CoV=standard deviation / mean

[0178] wherein,

[0179] the standard deviation represents the standard deviation of the number of pixels corresponding to the analyte in each small grid, and the mean  represents the mean of the number of pixels corresponding to the analyte in each small grid;

[0180] a lower numerical value indicates a higher analyte distribution uniformity.

[0181] V. Software Implementation

[0182] The analytical unit evaluating analyte distribution uniformity 4 of the analytical system evaluating analyte distribution uniformity 1 may be realized by software as executed by a central processing unit (CPU) or can be alternatively realized by a logic circuit (hardware) provided in an integrated circuit (IC chip) or the like.

[0183] In the former case, the analytical system evaluating analyte distribution uniformity 1 may include: a CPU which executes instructions of a program that is software realizing the foregoing functions; a read only memory (ROM) or a storage device (each referred to as "storage medium" ) in which the program and various kinds of data are stored so as to be readable by a computer (or a CPU) ; and a random access memory (RAM) in which the program is loaded. An object of the present disclosure can be achieved by a computer (or a CPU) reading and executing the program stored in the storage medium. Examples of the storage medium include "a non-transitory tangible medium" which is selected from the group consisting of a tape, adisk, a card, a semiconductor memory, and a programmable logic circuit. The program can be supplied to the computer via any transmission medium, such as a communication network or a broadcast wave, which allows the program to be transmitted. It should be noted that the present disclosure can also be achieved in the form of a computer data signal in which the program is embodied via electronic transmission and which is embedded in a carrier wave.

[0184] The present disclosure is not limited to the embodiments, but can be modified by those skilled in the art within the scope of the claims attached. The present disclosure also encompasses, in its technical scope, any embodiment derived by combining technical means disclosed in differing  embodiments.

[0185] Examples

[0186] The examples that follow are given as non-limiting illustrations of the present disclosure.

[0187] The apparatus and materials used in present examples are those can be commercially purchased.

[0188] Apparatus:

[0189] SEM: Zeiss Gemini SEM 500

[0190] EDX: Oxford instruments extreme x-max EDX

[0191] Sample Preparation

[0192] According to the composition of Table 1, Sample 1 was prepared by using Three-Roller method for grinding, and Sample 2 was prepared by using Homogenization method for grinding.

[0193] The Three-Roller method ensures that the pigment phase is ground intensely in the rollers, and aggregates are dispersed to primary particles. Homogenization method operate via feeding the particles through a rotor-stator system to disrupt and disperse particles within a liquid, ultimately creating a uniform and well-mixed product. The process is highly effective for soft particles, such as oil droplets and polymers. But for rigid aggregates such as pigment, the shear force is not enough compared to the Three-Roller method. Therefore, compared to the Homogenization method, it can be expected that the pigments distribution uniformity in the Samples obtained by the Three-Roller method is better.

[0194] Table 1

[0195] According to the composition of Table 2, Sample 3 and Sample 4 as foundation formulas were prepared identically by a conventional preparation method in the cosmetic field, that briefly includes the following steps:

[0196] (1) Pigment ingredients and silicone oil were subjected to a three-roller mill and to be grided for 3 times to obtain a ground pigmentary mixture comprising the pigments and silicone oil;

[0197] (2) The other ingredients of the formula except for the pigments and silicone were mixed together via homogenization a temperature above 60℃to obtain a liquid base;

[0198] (3) The obtained ground pigmentary mixture was introduced to the obtained liquid base by a homogenization step until the mixture reached required consistency.

[0199] Table 2

[0200] According to the composition of Table 3, Sample 5 as foundation formula was prepared by a conventional preparation method in the cosmetic field which is similar to that for Sample 3 and Sample 4.

[0201] Table 3

[0202] Example 1 Using Sample 1 as control and Sample 2 as evaluation target to evaluate the distribution uniformity of the iron oxide particles contained therein

[0203] The chemical image (RGB) of Sample 1 was obtained through SEM-EDX as the sample image generation module, and the chemical image (RGB) was then converted into a chemical image (grayscale) in the image  generation module. The particle size of the iron oxide particles was determined by the particle size determination module. Then, in the binarization and calibration module, the chemical image (grayscale) was converted into a binarized image by applying a threshold and an image inverting. Then, in the image splitting module, the binarized and calibrated image was sliced into small grids (pieces) based on the particle size of the iron oxide particles. In the distribution uniformity evaluation module, the pixels (black pixels) corresponding to the iron oxide particles in each grid were counted, and the distribution uniformity index (CoV) of the iron oxide particles contained in Sample 1 was calculated.

[0204] The chemical images of Sample 1 are shown in Figure 1-a (RGB) and Figure 1-b (grayscale) , and the binarized and calibrated image is shown in Figure 1-c. It can be seen that Sample 1 prepared by the Three-roll method has less aggregation and good distribution. In addition, the applied threshold is 21, the brightness of the binarized and calibrated image is 163, the sliced grid is set to 2 times the particle size of the iron oxide particles, and the calculated distribution uniformity index (CoV) is 0.099.

[0205] Then, the chemical images and binary image of Sample 2 were obtained in the same manner as Sample 1. The distribution uniformity index (CoV) of iron oxide particles contained in Sample 2 was calculated.

[0206] The chemical images of Sample 2 are shown in Figure 2-a (RGB) and Figure 2-b (grayscale) , and the binarized and calibrated image is shown in Figure 2-c. It can be seen that Sample 2 prepared by the Homogenization method has more aggregation and the distribution is not as good as that of Example 1. In addition, the applied threshold is 21, the brightness of the binarized and calibrated image is 162, the sliced grid is set to 2 times the particle size of the iron oxide particles, and the calculated distribution uniformity index (CoV) is 0.126.

[0207] The difference in distribution uniformity between Sample 1 and Sample 2 is 0.027, indicating that the distribution uniformity of Sample 1 is better than that of Sample 2. This result is consistent with the expected result.

[0208] Example 2 Using Sample 1 as control and Sample 2 as evaluation target to evaluate the distribution uniformity of the iron oxide particles contained therein

[0209] The distribution uniformity index (CoV) of the iron oxide particles contained in Sample 1 and Sample 2 was measured in the same manner as in Example 1 except that the sliced grid is set to 4 times the particle size of the iron oxide particles. As a result, the distribution uniformity index (CoV) of Sample 1 is 0.078 and the distribution uniformity index (CoV) of Sample 2 is 0.110.

[0210] The difference in distribution uniformity between Sample 1 and Sample 2 is 0.032, indicating that the distribution uniformity of Sample 1 is better than that of Sample 2. This result is consistent with Example 1.

[0211] Example 3 Using Sample 1 as control and Sample 2 as evaluation target to evaluate the distribution uniformity of the iron oxide particles contained therein

[0212] The distribution uniformity index (CoV) of the iron oxide particles contained in Sample 1 and Sample 2 was measured in the same manner as in Example 1 except that the sliced grid is set to 1 time the particle size of the iron oxide particles. As a result, the distribution uniformity index (CoV) of Sample 1 is 0.154 and the distribution uniformity index (CoV) of Sample 2 is 0.181.

[0213] The difference in distribution uniformity between Sample 1 and Sample 2 is 0.027, indicating that the distribution uniformity of Sample 1 is better than that of Sample 2. This result is consistent with Example 1.

[0214] Example 4 Using Sample 1 as control and Sample 2 as evaluation target to evaluate the distribution uniformity of the iron oxide particles contained therein

[0215] The distribution uniformity index (CoV) of the iron oxide particles contained in Sample 1 and Sample 2 was measured in the same manner as in Example 1 except that the sliced grid is set to 10 times the particle size  of the iron oxide particles. As a result, the distribution uniformity index (CoV) of Sample 1 is 0.028 and the distribution uniformity index (CoV) of Sample 2 is 0.041.

[0216] The difference in distribution uniformity between Sample 1 and Sample 2 is 0.013, indicating that the distribution uniformity of Sample 1 is better than that of Sample 2. This result is consistent with Example 1.

[0217] Comparative Example 1 Using Sample 1 as control and Sample 2 as evaluation target to evaluate the distribution uniformity of the iron oxide particles contained therein

[0218] The distribution uniformity index (CoV) of the iron oxide particles contained in Sample 1 and Sample 2 was measured in the same manner as in Example 1 except that the sliced grid is set to 15 times the particle size of the iron oxide particles. As a result, the distribution uniformity index (CoV) of Sample 1 is 0.037 and the distribution uniformity index (CoV) of Sample 2 is 0.037.

[0219] The difference in distribution uniformity between Sample 1 and Sample 2 is 0, indicating that the distribution uniformity of Sample 1 and Sample 2 is the same. This result is not consistent with the expected result and is therefore a wrong conclusion.

[0220] Comparative Example 2 Using Sample 1 as control and Sample 2 as evaluation target to evaluate the distribution uniformity of the iron oxide particles contained therein

[0221] The distribution uniformity index (CoV) of the iron oxide particles contained in Sample 1 and Sample 2 was measured in the same manner as in Example 1 except that the sliced grid is set to 0.3 times the particle size of the iron oxide particles. As a result, the distribution uniformity index (CoV) of Sample 1 is 0.25 and the distribution uniformity index (CoV) of Sample 2 is 0.25.

[0222] The difference in distribution uniformity between Sample 1 and Sample 2 is 0, indicating that the distribution uniformity of Sample 1 and  Sample 2 is the same. This result is not consistent with the expected result and is therefore a wrong conclusion.

[0223] The results of Examples 1-4 and Comparative Examples 1-2 showed that too large or too small grid size affects the accuracy of the evaluation results and determining the grids size based on the particle size of analytes can improve the accuracy of the distribution uniformity evaluation results.

[0224] Example 5 Using Sample 3 as control and Sample 4 as evaluation target to evaluate the distribution uniformity of the titanium dioxide particles contained therein

[0225] The chemical image (RGB) of Sample 3 was obtained through SEM-EDX as the sample image generation module, and the chemical image (RGB) was then converted into a chemical image (grayscale) in the image generation module. The particle size of the titanium dioxide particles was determined by the particle size determination module. Then, in the binarization and calibration module, the chemical image (grayscale) was converted into a binarized image by applying a threshold and an image inverting. Then, in the image splitting module, the binarized and calibrated image was sliced into small grids (pieces) based on the particle size of the titanium dioxide particles. In the distribution uniformity evaluation module, the pixels (black pixels) corresponding to the titanium dioxide particles in each grid were counted, and the distribution uniformity index (CoV) of the titanium dioxide particles contained in Sample 3 was calculated.

[0226] The chemical image of Sample 3 together with its SEM image obtained by SEM are shown in Figure 3-a and Figure 3-b, and the binarized and calibrated image is shown in Figure 3-c. In addition, the applied threshold is 89, the brightness of the binarized and calibrated image is 186, the sliced grid is set to 2.4 times the particle size of the titanium dioxide particles, and the calculated distribution uniformity index (CoV) is 0.079.

[0227] Then, the chemical image, SEM image and binary image of Sample 4 were obtained in the same manner as Sample 3. The distribution uniformity index (CoV) of titanium dioxide particles contained in Sample 4 was  calculated.

[0228] The chemical image of Sample 4 together with its SEM image obtained by SEM are shown in Figure 4-a and Figure 4-b, and the binarized and calibrated image is shown in Figure 4-c. In addition, the applied threshold is 91, the brightness of the binarized and calibrated image is 188, the sliced grid is set to 2.4 times the particle size of the titanium dioxide particles, and the calculated distribution uniformity index (CoV) is 0.084.

[0229] The difference in distribution uniformity between Sample 3 and Sample 4 is 0.005, indicating that the distribution uniformity of Sample 3 is basically the same as that of Sample 4. This result is consistent with the expected result.

[0230] As shown in Figure 3-a, since there is no talc in Sample 3, the pigments on the top surface can be easily identified in the SEM image. On the contrary, as shown in Figure 4-a, due to the covering of the sheet-like structure oftalc, the morphology of the pigments cannot be directly observed in the SEM image. However, as shown in Figure 3-b and Figure 4-b, the distribution uniformity of pigments can be analyzed in SEM-EDX images with or without talc.

[0231] The results showed that even if the object to be evaluated comprises some components blocking the observation for the analyte from a SEM image, the distribution uniformity of the analyte can still be evaluated through the system or method according to the present disclosure.

[0232] Example 6 Evaluating the distribution uniformity index by using three images derived from the same sample

[0233] Three chemical images (RGB) of Sample 5 were obtained through SEM-EDX as the sample image generation module, and each chemical image (RGB) was then converted into a chemical image (grayscale) (not shown) in the image generation module. The particle size of the titanium dioxide particles for each image was determined by the particle size determination module. Then, in the binarization and calibration module, each grayscale image was converted into a binarized image by applying a  threshold and an image inverting. Then, in the image splitting module, each binarized and calibrated image was sliced into small grids (pieces) based on the particle size of the titanium dioxide particles. In the distribution uniformity evaluation module, the pixels (black pixels) corresponding to the titanium dioxide particles in each grid were counted, and the distribution uniformity index (CoV) of the titanium dioxide particles contained in Sample 5 for each image was calculated.

[0234] The chemical images a to c and the binarized and calibrated images a to c of Sample 5 are all shown in Figure 5. In addition, the thresholds of81, 31 and 16 were used respectively for the images a to c. The binarized and calibrated images have the mean brightness of 189, 184 and 194 respectively. The calculated distribution uniformity index (CoV) for each image is 0.114, 0.122 and 0.116 respectively.

[0235] Despite the visual differences in the three images of the same Sample 5, the calculated uniformity index remains nearly identical with very low range of95%confidence interval (95%CI=0.117±0.0047) . This suggests that the distribution uniformity of the titanium dioxide particles contained in Sample 5 is remarkably consistent across these images. It is clear that if the threshold is selected carefully to be within the range of the present disclosure and the brightness of each image is identical, the uniformity calculation is valid and representative of the sample.

[0236] Comparative Example 3 Evaluating the distribution uniformity index by using three images derived from the same sample

[0237] Using the same chemical images as in Example 6, the distribution uniformity index (CoV) of each image was determined in the same manner as in Example 6, except that the threshold values were both set to 0.

[0238] The chemical images a to c (same as in Figure 5) and the binarized and calibrated images d to f of Sample 5 are all shown in Figure 6. The binarized and calibrated images have the mean brightness of 95, 134 and 160 respectively. The calculated distribution uniformity index (CoV) for each image is 0.335, 0.225 and 0.185 respectively.

[0239] It can be seen that when the applied threshold is not within the range of the present disclosure and the brightness of the three images differs severely, the calculated distribution uniformity shows a high variance with relatively higher range of95%confidence interval (95%CI=0.25±0.088) . However, since all three images are from the same sample, the measured distribution uniformity should not differ significantly.

[0240] Comparative Example 4 Evaluating the distribution uniformity index by using three images derived from the same sample

[0241] Using the same chemical images as in Example 6, the distribution uniformity index (CoV) of each image was determined in the same manner as in Example 6, except that the threshold values were both set to 16.

[0242] The chemical images a to c (same as in Figure 5) and the binarized and calibrated images g to i of Sample 5 are all shown in Figure 7. The binarized and calibrated images 7-9 have the mean brightness of 147, 175 and 184 respectively. The calculated distribution uniformity index (CoV) for each image is 0.197, 0.138 and 0.136 respectively.

[0243] It can be seen that the applied threshold is within the range of the present disclosure, however the brightness of images g to i are quite different. The brightness of image i is 25.2%larger than the brightness of image g, while the brightness of image i is similar to image h.

[0244] As a result, the distribution uniformity calculation for image h and i are quite similar as expected, and the calculation of image g is significantly different from image h and i (low uniformity, not realistic) with relatively higher range of95%confidence interval (95%CI=0.157±0.039) .

[0245] The results of Example 6 and Comparative Examples 3-4 showed that the threshold applied in the binarization and calibration, as well as the brightness difference between the control and evaluation target, are of great significance for accurately evaluating the analyte distribution uniformity. Threshold and brightness difference within the range of the present disclosure enabled accurate evaluation of analyte distribution uniformity.

[0246] While the invention has been described in connection with the preferred embodiment, it is not intended to limit the scope of the invention to the particular form set forth but, on the contrary, it is intended to cover such alternatives, modifications, and equivalents as may be included within the spirit and scope of the invention as defined by the appended claims.REFERENCE SIGNS LIST

[0247] 1 Analytical system evaluating analyte distribution uniformity

[0248] 2 Sample image generation module

[0249] 3 Storage module

[0250] 4 Analytical unit evaluating analyte distribution uniformity

[0251] 5 Particle size determination module

[0252] 6 Display device

[0253] 7 Temporary storage module

[0254] 8 External device

[0255] 41 Binarizing and calibration module

[0256] 42 Image slitting module

[0257] 43 Analyte distribution uniformity evaluation module

[0258] S1 Binarizing and calibration step

[0259] S2 Image slitting step

[0260] S3 Analyte distribution uniformity evaluation step

Claims

1.An analytical system evaluating analyte distribution uniformity of a cosmetic composition, comprising:a binarization and calibration module for binarizing and calibrating chemical images of the cosmetic composition to obtain binarized and calibrated images;an image splitting module for separating the binarized and calibrated images into small grids; andan analyte distribution uniformity evaluation module for computing the number of pixels corresponding to the analyte in the small grids to obtain the analyte distribution uniformity.2.The analytical system according to claim 1, whereinthe cosmetic composition samples comprise at least one cosmetic composition sample as a control and at least one cosmetic composition sample as an evaluation target.3.The analytical system according to claim 1 or 2, whereinthe binarized and calibrated images have a brightness of about 10-250;preferably, the binarized and calibrated images have a brightness of about 60-220;more preferably, the binarized and calibrated images have a brightness of about 100-220.4.The analytical system according to any one of claims 1-3, whereinthe brightness difference between the binarized and calibrated images of the control and the evaluation target is less than 60%;preferably, the brightness difference between the binarized and calibrated images of the control and the evaluation target is less than 40%;more preferably, the brightness difference between the binarized and calibrated images of the control and the evaluation target is less than 10%.5.The analytical system according to any one of claims 1-4, whereinthe chemical images are binarized and calibrated by applying a threshold at a range of 1-254, preferably 16-100.6.The analytical system according to any one of claims 1-5, further comprisinga sample image generation module forobtaining chemical images of analyte particles in the cosmetic composition samples, wherein the chemical image is selected from the group consisting of a FTIR (Fourier Transform Infrared Spectrometer) image, aRaman image, a TOF-SIMS (Time of Flight Secondary Ion Mass Spectrometry) image, an AFM (Atomic Force Microscope) image, and a SEM-EDX image, and the chemical image is preferably a SEM-EDX image;preferably, the chemical images are grayscale chemical images.7.The analytical system according to any one of claims 1-6, further comprisinga particle size determination module for determining the particle size of analyte particles in the cosmetic composition samples.8.The analytical system according to any one of claims 1-7, whereineach binarized and calibrated image is separated into small grids according to the particle size of analyte particles in each cosmetic composition sample,preferably, the split grid for each sample has a size equivalent to 1-14 times of the particle size of the analyte particle in each sample;more preferably, the split grid for each sample has a size equivalent to 2-10 times of the particle size of the analyte particle in each sample;most preferably, the split grid for each sample has a size equivalent to 2-4 times of the particle size of the analyte particle in each sample.9.The analytical system according to any one of claims 1-8, whereinthe analyte distribution uniformity is evaluated as CoV, which is computed through the formula of:CoV=standard deviation / meanwherein,the standard deviation represents the standard deviation of the number of pixels corresponding to the analyte in each small grid, and the mean represents the mean of the number of pixels corresponding to the analyte in each small grid.10.An analytical method evaluating analyte distribution uniformity of a cosmetic composition, comprising the steps of:binarizing and calibrating chemical images of a cosmetic composition to obtain binarized and calibrated images of analyte of cosmetic composition samples;separating the binarized and calibrated images into small grids; andcomputing the number of pixels corresponding to the analyte in the small grids to obtain the analyte distribution uniformity.11.The analytical method according to claim 10, wherein:the cosmetic samples comprise at least one cosmetic composition sample as a control and at least one cosmetic composition sample as an evaluation target.12.The analytical method according to claim 10 or 11, whereinthe binarized and calibrated images have a brightness of about 10-250;preferably, the binarized and calibrated images have a brightness of about 60-220;more preferably, the binarized and calibrated images have a brightness of about 100-220.13.The analytical method according to any one of claims 10-12,  whereinthe brightness difference between the binarized and calibrated images of the control and the evaluation target is less than 60%;preferably, the brightness difference between the binarized and calibrated images of the control and the evaluation target is less than 40%;more preferably, the brightness difference between the binarized and calibrated images of the control and the evaluation target is less than 10%.14.The analytical method according to any one of claims 10-13, whereinthe chemical images are binarized and calibrated by applying a threshold at a range of 1-254, preferably 16-100.15.The analytical method according to any one of claims 10-14, further comprising the step ofobtaining chemical images of analyte particles in the cosmetic composition samples, the chemical image is selected from the group consisting of a FTIR (Fourier Transform Infrared Spectrometer) image, aRaman image, a TOF-SIMS (Time of Flight Secondary Ion Mass Spectrometry) image, an AFM (Atomic Force Microscope) image, and a SEM-EDX image, and the chemical image is preferably a SEM-EDX image;preferably, the chemical images are grayscale chemical images.16.The analytical method according to any one of claims 10-15, further comprising the step ofdetermining the particle size of analyte particles in the cosmetic composition samples.17.The analytical method according to any one of claims 10-16, whereineach binarized and calibrated image is separated into small grids according to the particle size of analyte particles in each cosmetic composition sample,preferably, the split grids for each sample has a size equivalent to 1-14 times of the particle size of the analyte particle in each sample;more preferably, the split grids for each sample has a size equivalent to 2-10 times of the particle size of the analyte particle in each sample;most preferably, the split grids for each sample has a size equivalent to 2-4 times of the particle size of the analyte particle in each sample.18.The analytical method according to any one of claims 10-17, whereinthe analyte distribution uniformity is evaluated as CoV, which is computed through the formula of:CoV=standard deviation / meanwherein,the standard deviation represents the standard deviation of the number of pixels corresponding to the analyte in each small grid, and the mean represents the mean of the number of pixels corresponding to the analyte in each small grid.

Images