利用LR等方法对稀疏子空间下的数据进行谱聚类，将高维度数据投影到矩阵低秩空间中提高聚类效果。
在稀疏表达相关算法中，将图像建模成Y = D X \mathbf{Y}=\mathbf{D}\mathbf{X}Y=DX的形式，其中Y \mathbf{Y}Y是有单个样本按列组成而成的样本矩阵，注意这里的样本并没有要求是相似的，D \mathbf{D}D是字典矩阵，矩阵中每一列为一个基向量或者子空间，X \mathbf{X}X则为系数矩阵，在系数表达中给定的限制条件是要求系数矩阵是稀疏的。我们通过一个过完备的字典和稀疏的系数矩阵就可以还原样本，而噪声不行，因此可以通过稀疏表达进行去噪。
而在低秩聚类相关算法中，是将图像建模成Y = X − N \mathbf{Y}=\mathbf{X} – \mathbf{N}Y=X−N，其中Y \mathbf{Y}Y同样是由带有噪声的相似样本组成而成的样本矩阵。X \mathbf{X}X和N \mathbf{N}N分别为对应的的无噪声的样本矩阵以及噪声。我们给出的限制条件是X \mathbf{X}X是低秩矩阵。由于相似样本组成的矩阵具备低秩性，噪声不具备低秩性，因此通过低秩聚类可以实现图像降噪的效果。
由此可见，从降噪的本质上来将，稀疏表达的稀疏和低秩聚类中的聚类是具有一定相关性的。
特别注明：部分图片和内容源于相关论文或书籍，如涉及侵权，请联系删除。