Los algoritmos NC convencionales no consideran ninguna información espacial en la imagen. En este estudio se presentaron tres algoritmos, Noise Local Information -means (NLICM) y Adaptive Noise Local Information -Means (ADNLICM), que utilizan NC como clasificador base, y Noise Clustering with constraints (NC_S), que incorpora información espacial en la función objetivo del clasificador NC. Estos algoritmos mejoran el rendimiento de la clasificación al minimizar el efecto del ruido y los valores atípicos. Los algoritmos se probaron en dos áreas de estudio, Haridwar (Uttarakhand) y Banasthali (Rajasthan) en India. Los tres algoritmos se examinaron utilizando diferentes parámetros (medidas de distancia, factor de difuminación y). Un análisis determinó que el algoritmo ADNLICM con medidas de distancia de Bray-Curtis, factor de difuminación m = 1.1, y = 10, superó al otro algoritmo y logró una precisión general del 91.53%. El algoritmo optimizado devolvió la menor varianza y RMSE para ambas áreas de estudio, demostrando que el algoritmo optimizado funciona para diferentes imágenes satelitales. La técnica optimizada se puede utilizar para categorizar imágenes con píxeles ruidosos y heterogeneidad para varias aplicaciones, como mapeo, detección de cambios, estimación de áreas, reconocimiento de características y clasificación.