譜聚類時間複雜度和空間複雜度分別是 O(n3)和 O(n2)，為了減少譜聚類的計算量，主要的方法有：減少需要計算的頂點數和邊數方法，降維。

D. Yan, L. Huang and M. I. Jordan. Fast approximate spectral clustering. 15th ACM Conf. Knowl. Discov. Data Mining (SIGKDD), 2009:907–916.

         該演算法主要包括資料的預聚類和譜聚類兩個階段，在資料預聚類階段，首先利用 K-MEANS 演算法對資料集進行預處理聚類，形成過分割的球形小簇。第二階段利用每個球形小簇的中心點作為代表點形成代表點樣本空間輸入譜聚類中，最後代表點的類別標籤與被代表點的相同。

Nyström 演算法:

                     通過使用少量樣本間的相似度估計整個資料集所有資料相似度的技術。

         方法存在以下不足：
                 1)所需記憶體資源較多，例如當資料集規模是 100000 的時候，它的記憶體需求是 6GB。
                 2)樣本選取具有隨機性，聚類結果不穩定。

基於分塊技術的影象分割演算法：

         首先將一副影象（稱為原影象）分割成獨立較小的影象，並對每個小影象進行初始劃分；然後對各個小影象的初始劃分進行融合，之後在融合的每一個劃分中隨機選取一
個點，並將選取的這些點構成原影象的特徵資料；最後，利用譜聚類方法對這些特徵資料進行聚類，並根據特徵資料的聚類結果，確定原影象中每個畫素點所屬的類別。提出
的演算法主要由影象分塊

影象分塊：

        目的是把一副大尺寸的影象分次調入記憶體處理，增強演算法的適用性，避免過大影象處理不了的問題。大尺寸影象被分塊後，減少了每次運算的資料量和計算壓力。

初始預分割：

         對分塊後的每個獨立的小影象進行初始劃分，然後從每個小影象的初始劃分中選擇一個劃分作為基準，不失一般性，將第一個小影象的初始劃分作為基準，對其餘的小影象的劃分與基準劃分進行比較：若小影象的劃分與基準劃分具有相同灰度，則將小影象的劃分對應的畫素歸到基準劃分；若在基準劃分中未出現小影象劃分中畫素點的類別，則產生一種新的劃分，並將其加入到基準劃分中，通過此種方法將會形成整幅影象的一個初始劃分 C=[c1,c2,…,cn]。

特徵資料的聚類：

         從每個 ci中隨機選取一個畫素點 i，並將該點所在原影象的灰度值xi 作為譜聚類中的一個輸入物件，假設按照此方法獲得的資料（稱為特徵資料）為 X=[x1,x2,…,xn]。利用譜聚類演算法 NJW 對特徵資料 X 聚類，設聚類結果為 V，其中 V 中的每個元素為輸入向量 xi的類標記，由這些類標記組成的向量為V=[v1,v2,…,vn]，vi∈{1,2,…,k}，其中k 是要分割的類別數。

確定原影象中畫素的類別：

           設 xj的類別標記為 vi，且 xj所在的劃分為 cj，將 cj中所有的畫素點歸到與 xj相同的類別中，從而獲得原影象的分割結果。

下面給出詳細的影象分割演算法：

            步驟 1 影象分塊將影象 I 分解為 b 個小影象 I1,I2,…,Ib，其中 b 代表所分的塊數；
            步驟 2 初始預分割

                               步驟 5 確定影象中每個畫素點的分割結果