1.一种图像聚类方法，其特征在于，所述图像聚类方法中包括：从图像库中提m个图像，并构造q个最邻近图；

采用封顶概念分解方法得到特征矩阵G；

利用k‑means算法对特征矩阵G进行分析，完成图像聚类；

封顶概念分解方法中包括：d*n

S10获取待分解的非负矩阵X＝[x1,x2,...,xn]∈R ，其中，d为特征值的维度数，n为非负矩阵中数据点的个数；

S20根据所述非负矩阵构建目标函数J(F,G)：T

s.t.F≥0,G≥0,GG＝I其中，W表示权矩阵，xj表示第j个数据点，θ＞0表示用于处理极端异常值的阈值；

S30根据所述目标函数J(F,G)，使用迭代加权的方法，输出权矩阵W和特征矩阵G，完成对非负矩阵X的概念分解；

在步骤S3中包括：

S31根据导数相同原理，将目标函数J(F,G)进行变形得到变形的目标函数Y(F,G)：其中 xj表示第j个数据点，dj表示对角矩阵D中的第j个对角元素，W表示权矩阵，θ表示用于处理极端异常值的阈值；

S32根据所述变形的目标函数Y(F,G)，使用迭代加权的方法，输出权矩阵W和特征矩阵G，完成对非负矩阵X的概念分解；

在步骤S32中具体包括：S321运用矩阵的迹将变形的目标函数Y(F,G)进行变换得到新的目标函数Z(F,G)：T

s.t.F≥0,G≥0,GG＝I其中，xj表示第j个数据点，W表示权矩阵，D为对角矩阵，其第j个对角元素Djj；

S322当对角矩阵D固定时，新的目标函数Z(F,G)为：T

s.t.F≥0,G≥0,GG＝IS323根据步骤S322中的目标函数Z(F,G)得到权矩阵W和特征矩阵G，其中：其中D为对角矩阵；

S324当矩阵F和特征矩阵G不变时，对角矩阵D的迭代范数为：其中W表示权矩阵，Djj表示对角矩阵D的第j个对角元素，xj表示第j个数据点,θ为处理极端奇异值的阈值；

S325根据步骤S323和步骤S324中得到的权矩阵W、特征矩阵G及对角矩阵D进行循环迭代预设次数，输出权矩阵W和特征矩阵G，完成对非负矩阵X的概念分解。