近年来,熵编码被广泛运用在图像编码算法中。根据条件熵必不超过无条件熵这一结论,可知Context模型可以有效的减少信源的信息熵,从而减少图像编码的码长。但事实证明过大的Context模型会加大对信源符号的计数统计的难度从而导致编码效率降低,这就是Context模型的熵编码系统常常遇到的问题,即所谓的Context希释”。因此在基于Context模型的图像编码系统中一个重要的问题是如何解决高阶像数模型的统计与给定的输入图像的样本统计量不足而导致的Context稀释之问的冲突。为了解决这个问题,Context模型量化是一个很好的选择。为了使Context量化中的Context模型概率条件分布更加方便统计并且能更好的收敛于信源的实际概率分布,就需要按照一定的规则对已建立的Context模型的条件分布进行分类,分类通常使用的方法是进行聚类算法。大多数的基于分布的聚类算法包括传统K均值聚类算法都容易陷入局部最优的问题,所以选择何种聚类算法以找到全局最优解成了许多研究者研究的重要问题。在这篇文章中,介绍了基于K均值与蚁群混合聚类算法的改进的Context量化算法。K均值聚类算法用来为Context量化问题构建初始解,蚁群聚类算法则是用来进一步提高解的质量。在每一次的迭代中,对象依据信息素的浓度被分配到各个聚类中,且信息素的浓度在每一次的迭代中也会根据蚂蚁的运动不断的更新。在每一次迭代后,都会根据量化误差值最小的一些蚂蚁进行局部搜索以进一步完善所得的解。实验结果表明,在相同的聚类下本文的算法优于基于K均值聚类的Context量化算法和最大互信息化的Context量化算法。