随着科技的快速发展,人们的生活已经走进智能信息化时代,图像数据的获取也随着各类图像获取设备的普及而变得愈加简单便捷。庞大的数据量和复杂的数据类型促使人们更加倾向于通过机器学习的方式来对海量数据进行处理,这也促进了计算机视觉技术的发展。而图像聚类又是该领域中最重要的问题之一,随着近年来图像数据集的大小、主题各不相同,如何更好地借助图像内信息来提高图像的聚类质量,已经成为了目前图像聚类算法研究的热点和难点。几十年来,诸多经典有效的图像聚类算法陆续涌现出来,其中大多数算法往往利用图像中所包含的内容信息或上下文信息来对图像数据进行聚类。图像的内容信息如颜色、形状等特征,很好地表达了图像中所包含的固有特性,为图像聚类提供了依据;而图像的上下文信息如图像间距离或相似性等,则有效地表达了图像之间的紧密相关性,进而有利于图像聚类。但是大多数现有图像聚类算法在对图像数据进行聚类时,往往仅考虑二者其一,因此在数据处理过程中必然存在着信息丢失这一问题,进而会对最终聚类结果造成影响。为解决这一问题,本文基于信息瓶颈理论提出了一种新颖的图像聚类算法:融合内容与上下文信息的IB图像聚类算法(Content-Context Information Bottleneck,简称C2IB)。该算法将数据分析视为数据的压缩过程,并且在压缩过程中最大化地同时保留了图像中所包含的内容信息和上下文信息。具体地说,对于图像中的内容信息,该算法首先提取出各个图像的SIFT特征,从而得到视觉词汇向量,接下来利用经典的视觉词袋(Bag-of-Visual-Words)图像模型来定义图像的相关变量;对于图像中的上下文信息,本文首先使用高斯核函数作为相似性度量方法,计算图像之间的相似度,进而将数据点之间的局部近邻关系转化建立为模型,构造相似度矩阵。C2IB算法综合考虑了图像数据所包含的内容信息及上下文信息,因而可以更好地挖掘出图像数据中的潜在模式,提高了聚类精度。最后本文还设计了一种新的“提取-合并”序列方法来对该算法的目标函数进行优化。在五个图像数据集上的实验结果表明,C2IB算法可以有效地融合图像的内容信息及上下文信息,并且具有良好的性能及稳定性。