تا کنون برای بهبود دقت روش‌های خوشه‌بندی پیشنهادات متعددی ارایه شده است که از آن جمله می‌توان به استفاده از روش‌های ‏نیمه نظارت شده، ترکیب خوشه‌بندی‌ها و خوشه‌بندی دوگانه اشاره نمود. ‏یکی از مهمترین رویکردها در این زمینه استفاده از اطلاعات مکانی تصویر می‌باشد. در این تحقیق چهار روش خوشه‌بندی که از اطلاعات مکانی سطح تصویر استفاده می-کنند با یکدیگر مقایسه گردید. این چهار روش شامل اعمال فیلتر اکثریت، استفاده از داده‌های بافت، خوشه‌بندی مبتنی بر شیء، و استفاده از میدان‌های تصادفی مارکوف می‌باشند که در کنار روش خوشه‌بندی k-means ساده روی چهار نمونه تصویر آزمایش شدند. استفاده از داده‌های بافت برای تصاویر واقعی تا 10.8 درصد و روش میدان‌های تصادفی مارکوف برای تصاویر شبیه‌سازی شده با 22.8 درصد بیشترین افزایش دقت را نسبت به خوشه‌بندی k-means نشان داده‌اند. نتایج این پژوهش نشان می‌دهند که استفاده از خوشه‌بندی k-means در شکل ساده‌اش به هیچ وجه همه توانایی اطلاعاتی تصویر را به کار نمی‌گیرد و نتایج و انتظارات کاربر را برآورده نخواهد کرد و استفاده از اطلاعات همسایگی یکی از بهترین راهکارهای افزایش دقت می‌باشد.