امروزه  مشاهدات اندازه‌گیری شده در بسیاری از حوزه‌های علمی، مثل علوم زیستی اغلب بُعد بالا هستند، به این معنی که تعداد متغیرها از تعداد نمونه بیشتر است. ‌یکی از مشکلاتی که در خوشه‌بندی مدل‌مبنای اینگونه داده‌ها رخ می‌دهد برآورد تعداد زیادی پارامتر است. برای رفع چنین مشکلی، ابتدا باید بُعد داده‌ها را قبل از خوشه‌بندی کاهش داد که این امر  می‌تواند از طریق روش‌های کاهش بُعد انجام شود. یک رویکرد اخیر  در این زمینه‌ که مورد توجه فراوان قرار گرفته روش تصویرهای ‌تصادفی است. در مقاله حاضر این روش از هر دو منظر نظری و کاربردی  مورد بررسی قرار گرفته و برتری آن در مقایسه با برخی رویکردهای مرسوم کاهش بُعد مانند تحلیل مولفه‌های اصلی و روش انتخاب متغیر  در تحلیل سه مجموعه داده‌ واقعی نشان داده شده است.