目前图像颜色信息提取的方法有：Jain等采用的RGB通道等量化的方法、Smith等提出的HSV空间的166种归类颜色的方法、QBIC（基于图像内容的检索系统）采用固定256种参考颜色表的方法、朱淼良等提出的基于聚类分析的主色提取方法等。HSV颜色模型是一种比RGB颜色模型视觉均匀的模型，可以分别提取图像的色调和亮度以及饱和度信息，因此可以通过加权的方法对图像中的色调、亮度、饱和度进行综合，使得提取的特征更接近于人对颜色的感知方法。

HSV颜色模型是一种适合肉眼分辨的模型，它把彩色信息表示为三种属性：色调h、饱和度s和亮度v，这种颜色模型可用三维空间坐标系统表示。HSV模型的三维表示从RGB立方体演化而来。设想从RGB沿立方体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。六边形边界表示色彩，水平轴表示饱和度，亮度沿垂直轴测量。图6-7所示为HSV六棱锥示意图。

色调h表示色彩信息，即所处的光谱颜色的位置。该参数用一角度量来表示，红、绿、蓝分别相隔120°。互补色分别相差180°。饱和度s为一比例值，范围从0～1，它表示成所选颜色的纯度和该颜色最大的纯度之间的比率。s=0时，只有灰度。v表示色彩的明亮程度，范围从0～1。有一点要注意，它和光强度之间并没有直接的联系。

图6-7 HSV颜色模型

从图像中一般都能得到RGB三色值，从RGB值到HSV空间的转换如下：给定RGB颜色空间的值（r、g、b），其中r、g、b∈[0-255]，则变换到HSV空间的（h、s、v）值，可设v′=max（r，g，b）

定义r′、g′、b′为r′=（v′-r）/[v′-min（r，g，b）]、g′=（v′-g）/[v′-min（r，g，b）]和b′=（v′-b）/[v′-min（r，g，b）]，则有

v=v′/255 （6-1）

s=（v′-min（r，g，b））/v′ （6-2）

和

h=h′×60

式中，r，g，b∈[0-255]，h∈[0-360]，s∈[0-1]，v∈[0-1]。(www.daowen.com)

HSV对用户来说是一种直观的颜色模型。可以从一种纯色彩开始，即指定色彩角h，并让s=v=1，然后可以通过向其中加入黑色和白色来得到需要的颜色。增加黑色可以减小v而s不变，同样增加白色可以减小s而v不变。例如，要得到深蓝色，s=1，v=0.4，h=240°。要得到淡蓝色，s=0.4，v=1，h=240°。一般说来，人眼最大能区分128种不同的色彩、130种色饱和度、23种明暗度。如果我们用16位表示HSV的话，可以用7位存放h，4位存放，5位存放v，即745或者655就可以满足需要了。由于HSV是一种比较直观的颜色模型，所以在许多图像编辑工具中，应用比较广泛，如Photoshop（在Photoshop中叫HSB）等等，但这也决定了它不适合使用在光照模型中，许多光线混合运算、光强运算等都无法直接使用HSV来实现。

用HSV空间的颜色直方图来描述图像的整体颜色特征。一幅图像的颜色一般很多，尤其是真彩色图像，因此直方图向量的维数会非常多。若对HSV空间进行适当的量化后再计算直方图，则计算量要少得多。将h、s、v三个分量按人的颜色感知进行非等间隔的量化，从对颜色模型的大量分析和计算，可把色调h分成16份，饱和度s和亮度v分别分成4份，并根据色彩的不同范围进行量化，量化后的色调、饱和度和亮度值分别为h、s、v。

上面的H、S、V取值区间均为前开后闭。按照以上的量化级，把三个颜色分量合成为一维特征向量，即

L=HQsQv+SQv+V （6-7）

式中，Qs和Qv分别是S和V的量化级数。

取Qs=4，Qv=4，则式（6-7）可表示为

L=16H+4S-V （6-8）

这样，H、S、V三个分量就在一维向量上分布开来。在式（6-8）中，对色调H取的权重为16，对饱和度S取的权重为4，对亮度V取的权重为1，这样就大大减轻了图像亮度V对检索结果的影响，而且也减少了饱和度S对检索结果的影响，但对颜色分布不同的图像却能很好地检索出来，故能充分利用图像的颜色信息特征来满足人们对图像查询的要求。同时，根据式（6-8）可知，L的取值范围是[0，1，2，…，255]，计算L获得256柄的一维向量，即可获得图像的颜色直方图。所谓颜色直方图是颜色信息的函数，它表示图像中具有同颜色级别的像素的个数，其横坐标是颜色级别，纵坐标是该颜色出现的频率（像素的个数），求颜色直方图的算法如下：

为了简化查询方法，减少图像数据库的查询时间，提高图像的检索效率，笔者把量化后得到的256柄的一维向量展开成16×16的特征矩阵，即按照先后顺序从256柄的一维向量中抽取每个特征作为16×16矩阵中的一个元素，构成所需要的特征矩阵。然后把获得的特征矩阵转化为对角矩阵，即根据线性代数知识有AX=λX。其中，A为特征矩阵；λ为矩阵的特征值。这样，就可以求得此特征矩阵的16个特征值λ₁，…，λ₁₆，这16个特征值就是对角矩阵的主对角元素。用这16个特征值作为特征向量就可以表达一幅图像的颜色特征，这样就能减小图像特征数据库的容量。同时，因用于查询的特征向量只有16个元素，能明显减少图像数据库的搜索时间，提高图像查询的效率。