최근 몇 년간 이미지 클러스터링 분야에서는 딥 러닝 기술의 급속한 발전에 힘입어 획기적인 성과가 이루어졌다. 그러나 딥 신경망의 구조적 복잡성으로 인해, 딥 클러스터링 기법의 성공을 설명할 수 있는 수학적 이론은 아직 존재하지 않는다. 본 연구에서는 이미지 클러스터링을 위한 최신 기술 수준에 부합하며, 안정적이고 빠른 성능을 보이는 동시에 수학적으로 해석 가능한 알고리즘인 투영-산란 스펙트럴 클러스터링(Projected-Scattering Spectral Clustering, PSSC)을 제안한다. PSSC는 소형 이미지의 산란 변환(Scattering Transform)이 가지는 기하학적 구조를 효과적으로 활용하는 새로운 방법을 포함한다. 이 방법은 다음과 같은 관찰에서 영감을 얻었다: 산란 변환 도메인에서, 각 클래스의 데이터 행렬의 가장 큰 몇 개 고유값에 대응하는 고유벡터들이 형성하는 부분공간이 서로 다른 클래스 간에 거의 공유되고 있음을 확인할 수 있다. 따라서 이러한 공유 부분공간을 투영하여 제거하면 클래스 내 변동성(intra-class variability)이 크게 감소하여 클러스터링 성능이 크게 향상된다. 본 방법을 우리는 직교 보완에의 투영(Projection onto Orthogonal Complement, POC)이라 명명한다. 실험 결과, PSSC는 모든 얕은 클러스터링 알고리즘 중에서 가장 우수한 성능을 기록하였으며, 최근 최고 수준의 클러스터링 기법과 비교해도 유사한 성능을 달성하면서 실행 시간을 한 자릿수 이상 단축시켰다. 재현 가능한 연구의 정신에 따라 본 논문과 함께 고품질의 코드 리포지터리를 공개한다.