Ces dernières années, les progrès importants réalisés dans le domaine du regroupement d’images ont été principalement stimulés par les avancées récentes en apprentissage profond. Toutefois, en raison de la complexité architecturale des réseaux de neurones profonds, aucune théorie mathématique n’explique actuellement le succès des techniques de regroupement profond. Dans ce travail, nous introduisons Projected-Scattering Spectral Clustering (PSSC), un algorithme de regroupement d’images d’avant-garde, stable et rapide, dont la formulation est également mathématiquement interprétable. PSSC met en œuvre une nouvelle méthode exploitant la structure géométrique de la transformation en diffraction (scattering transform) appliquée aux petites images. Cette approche s’inspire d’une observation clé : dans le domaine de la transformation en diffraction, les sous-espaces formés par les vecteurs propres associés aux plus grandes valeurs propres des matrices de données de chaque classe sont presque communs à différentes classes. En conséquence, la projection orthogonale sur le complément orthogonal de ces sous-espaces partagés permet de réduire significativement la variabilité intra-classe, ce qui améliore considérablement les performances du regroupement. Nous désignons cette méthode par Projection onto Orthogonal Complement (POC). Nos expériences montrent que PSSC obtient les meilleurs résultats parmi tous les algorithmes de regroupement peu profonds. En outre, il atteint des performances de regroupement comparables à celles des techniques d’avant-garde récentes, tout en réduisant le temps d’exécution de plus d’un ordre de grandeur. Dans l’esprit de la recherche reproductible, nous mettons à disposition, en parallèle avec cet article, un dépôt de code de haute qualité.