高光谱图像（HSI）的聚类是一项非常具有挑战性的任务，因为HSI通常具有较大的光谱变异性，高维数和复杂的结构。 这项研究的主要问题是为HSI开发一种改进的稀疏子空间聚类（SSC）方法。 作为谱聚类的扩展，SSC算法取得了巨大的成功。 然而，由原始样本创建的直接自我表示字典的表示能力较差，并且诸如K奇异值分解（K-SVD）之类的广泛使用的字典学习（DL）也面临着计算复杂性高的问题。 在这项研究中，作者提出了一种基于稀疏DL和锚定回归的新型HSI聚类方法。 所提出的方法分为三个阶段：（i）稀疏DL；
