高光谱图像聚类是遥感数据分析中的重要组成部分,是人们提取和利用遥感信息的常用举措之一。由于高光谱图像中所包含的光谱信息通常表现出较大的类内差异性以及类间相似性,因此仅利用光谱信息进行高光谱图像聚类,难以得到高准确率的聚类结果。为满足对聚类精度的要求,针对高光谱图像具有的光谱变化较大、空间结构复杂、标记样本较少以及数据量大等特点,以多原型聚类、锚点提取以及稀疏子空间聚类为基础,通过联合利用光谱信息与空间信息,本文提出了两种基于空-谱协同框架的高光谱图像聚类算法,主要工作如下:1.在利用锚点提取的方法对高光谱图像进行谱聚类时,一般仅使用随机提取的方法来选择锚点,进而利用其构造相似矩阵。但是,这种随机提取方法可能会因锚点相关性过大而导致对相似关系的衡量出现失准的情况。为此,提出一种基于K重均值锚点提取的高光谱图像谱聚类方法。首先,利用K重均值聚类对高光谱图像进行多原型聚类;然后,将得到的多个原型设置为锚点,结合空间信息进行目标函数的构造,并进一步在空-谱协同框架下进行相似矩阵和锚图的构造;最后,对锚图进行谱分析,获得最终的聚类结果。2.在对高光谱图像进行稀疏子空间聚类时,面临维度高、数据量大且相邻样本相关性强的问题。因此,在构造相似矩阵时可能会受到冗余信息的干扰,进而导致相似矩阵对样本间相似关系表征能力的下降,同时也会造成存储负担过大的问题。为此,提出一种基于锚点提取的高光谱图像稀疏子空间聚类方法。首先,利用分层导向滤波的方法对高光谱图像进行预处理;然后,通过在目标函数中添加结合空间信息的约束条件,在空-谱协同框架下对光谱-空间特征进行稀疏表示;最后,在稀疏系数矩阵中提取锚点,进行基于锚点提取的高光谱图像空-谱协同子空间聚类,获得最终的聚类结果。本文在三个经典的真实高光谱图像数据集Indian Pines、Pavia University以及Salinas上进行了验证实验。实验结果表明,本文提出的两种高光谱图像聚类算法与传统聚类算法相比能够获取更高的聚类精度。