摘 要:目的  传统图像聚类算法多利用像元的光谱信息，较少考虑图像的空间信息，容易受到噪声干扰。针对该问题，提出一种整合超像元分割（SLIC）和峰值密度（DP）的高光谱图像聚类算法。方法 首先，利用超像元分割技术对高光谱图像进行分割并提取超像元光谱特征；然后，根据提取的超像元光谱特征，计算其峰值密度信息，搜索超像元光谱簇，构建像元与类别间的隶属度关系。最后，利用高光谱模拟数据以及两组真实高光谱图像评价算法的鲁棒性和精度。结果  在不同信噪比的模拟数据中，SLIC-DP算法在调整芮氏指标（ARI）最优的条件下，较K-means和 SLIC-DP算法的方差降低61.86%和41.61%，体现优越的鲁棒性。在高光谱数据集Salinas—A和IndianPines中，SLIC-DP算法的ARI为0.7771和0.3257，较K-Means和SLIC-KMeans聚类算法分别增长10.71%，5.01%与78.86%，25.57%。结论  本文算法抗噪声能力强，充分利用空间信息与光谱信息，有效提升高光谱图像聚类精度。经验证，能满足高光谱图像信息提取和分析的要求，可进一步推广和研究。