遥感图像分类是遥感领域研究的热点问题之一。该文结合量子粒子群优化（QPSO）算法和多样性变异的机制提出了一种新的高光谱遥感图像分类算法。在遥感图像分类过程中，采用无监督分类，图像中每个像素点到聚类中心的高斯距离作为分类标准，使用QPSO 算法进行聚类中心的优化，在聚类过程中使用多样性变异机制防止QPSO算法早熟收敛，使分类结果达到最优化。在遥感图像上所做的实验表明，此分类算法具有较好的搜索速度和收敛精度，能有效寻找和优化最佳聚类中心，是一种有效、可行的遥感图像分类方法。

高光谱图像聚类的有效算法

有监督的极限学习机（ELM）到无监督的学习机的扩展，包括判别和流形正则化，在高光谱图像（HSI）聚类中越来越受到关注。 这是由于以下事实：HSI聚类问题需要频谱空间特征提取机制，该机制必须充分利用局部频谱空间上下文和全局判别信息来减少错误分类，同时提高聚类程序的鲁棒性。 在本文中，我们提出了一种用于HSI聚类的新颖的上下文感知无监督的判别式ELM方法。 该方法的主要新颖之处在于两个方面：1）通过使用上下文感知的传播过滤程序，将局部频谱空间上下文整合和重塑机制结合到隐藏层特征表示中。 2）将局部流

高光谱图像聚类问题一直是图像处理领域的研究热点。谱聚类算法是最流行的聚类算法之一,但其计算复杂度较大,难以处理大规模的高光谱图像数据。由于二叉树能够较快地选取锚点,因此基于二叉树锚点图,充分利用高光谱图像的光谱和空间特性,可保证聚类性能并降低计算复杂度。然而,该聚类算法一般采用有核的聚类方法,因此不可避免地引入了参数调节。在二叉树锚点选取的基础上,提出了一种基于二叉树锚点的高光谱快速聚类算法,该算法创新性地将二叉树锚点选取和无核聚类方法应用于高光谱图像中。首先,利用二叉树从高光谱数据中选取一些具