对比深度嵌入图像聚类算法，深度无监督图像聚类算法，子空间图像聚类算法的准确率，图像聚类程度以及效率

针对这个问题，我可以给出一些通用的比较结果。

深度嵌入图像聚类算法（Deep Embedding Clustering，DEC）和深度无监督图像聚类算法（Deep Unsupervised Clustering，DUC）都是基于深度学习的图像聚类算法。DEC是通过将图像嵌入到一个低维空间进行聚类，而DUC使用自编码器进行无监督学习，然后将编码的特征向量用于聚类。子空间图像聚类算法（Subspace Clustering，SC）则是一种基于子空间模型的图像聚类算法，它利用多个子空间分别对图像进行建模，然后将相似的子空间进行聚类。

这些算法的实验比较结果通常是基于数据集和评估指标来进行比较的。以下是一些可能的比较结果：

1. 数据集：使用的数据集可能会对比较结果产生很大影响。例如，对于某些数据集，DEC可能表现更好，而对于其他数据集，DUC或SC可能更好。

2. 准确率：DEC和DUC通常具有较高的聚类准确率，而SC可能在某些数据集上表现更好。但是，这也取决于聚类的评估指标，如ARI（调整兰德指数）或NMI（标准化互信息）等。

3. 图像聚类程度：DEC和DUC通常能够产生更紧密的聚类，而SC可能会产生更松散的聚类。这是因为DEC和DUC使用了深度学习的特征提取技术，能够更好地捕捉图像的语义信息。

4. 效率：DEC和DUC通常需要更长的训练时间和更多的计算资源，而SC则可能更快。这是因为SC使用了较简单的线性代数操作。

需要注意的是，这些比较结果是通用的，具体的比较结果还需要根据实验情况进行评估。