譜聚類概念 ：
譜聚類是壹種基於圖論的聚類方法，通過對樣本數據的拉普拉斯矩陣的特征向量進行聚類，從而達到對樣本數據聚類的母的。譜聚類可以理解為將高維空間的數據映射到低維，然後在低維空間用其它聚類算法（如KMeans）進行聚類。
算法步驟
1 計算相似度矩陣 W
2 計算度矩陣 D
3 計算拉普拉斯矩陣L=D-W
4 計算L的特征值，將特征值從小到大排序，取前k個特征值.將這個特征值向量轉換為矩陣
5 通過其他聚類算法對其進行聚類，如k-means
詳細公式和概念請到 大佬博客
相比較PCA降維中取前k大的特征值對應的特征向量，這裏取得是前k小的特征值對應的特征向量。但是上述的譜聚類算法並不是最優的，接下來我們壹步壹步的分解上面的步驟，總結壹下在此基礎上進行優化的譜聚類的版本。
python實現
例子壹：使用譜聚類從噪聲背景中分割目標
效果圖
例子2：分割圖像中硬幣的區域
效果圖
註意
1）當聚類的類別個數較小的時候，譜聚類的效果會很好，但是當聚類的類別個數較大的時候，則不建議使用譜聚類；
（2）譜聚類算法使用了降維的技術，所以更加適用於高維數據的聚類；
（3）譜聚類只需要數據之間的相似度矩陣，因此對於處理稀疏數據的聚類很有效。這點傳統聚類算法（比如K-Means）很難做到
（4）譜聚類算法建立在譜圖理論基礎上，與傳統的聚類算法相比，它具有能在任意形狀的樣本空間上聚類且收斂於全局最優解
（5）譜聚類對相似度圖的改變和聚類參數的選擇非常的敏感；
（6）譜聚類適用於均衡分類問題，即各簇之間點的個數相差不大，對於簇之間點個數相差懸殊的聚類問題，譜聚類則不適用；
參考
譜聚類算法介紹
sklearn官網