图像是信息的一种重要来源,对数字图像的处理已经成为国内外研究的一项重点。图像分割作为图像处理中的重要环节,已经引起大量研究者的关注。由于图像分割无统一的分割标准,传统的分割方法仅适用于特定的应用。而利用支持向量机算法进行图像分割,被证明是一种较为普遍适用且分割效果良好的方法。然而,由于支持向量机算法本身存在计算量大的缺点,在应对如图像分割等大规模数据处理领域时,其计算复杂度高。因此,如何降低算法的计算复杂度,成为支持向量机应用于图像处理的一个关键环节。本文针对支持向量机中的二次规划问题,利用核向量机和球向量机来对大规模数据进行学习,从而验证其有效性和优越性。两种算法都以几何算法来求解二次规划问题,大大降低训练过程中的计算复杂度。实验表明,在对大规模数据进行学习时,核向量机和球向量机的学习误差率与标准的支持向量机相当。但在训练过程中算法的时间复杂度和空间复杂度远小于标准的支持向量机。而球向量机作为核向量机的扩展算法,其算法的性能明显优于核向量机。因此,球向量机更加适合对大规模数据进行学习。在图像分割中,考虑的特征越全面,分割的效果越好。本文采用在样本图像上移动一个5×5大小的窗口的方法,来分别提取特征。所提取的特征包括像素值本身、邻域统计特征和整个窗口的纹理特征。从图像中所提取出的特征值较大,因此选用球向量机对图像进行分割。实验表明,采用球向量机对图像分割时,其分割效果和抗噪性与标准支持向量机相当。然而球向量机的计算复杂度要小于标准支持向量机,并且训练所需时间较短。因此,使用球向量机对图像进行分割,避免了支持向量机训练速度慢的缺点,可显著提高图像分割的整体性能。