一个简单的解决方案:

将图像编码为jpeg格式，并寻找文件大小的实质性变化。

我曾经用视频缩略图实现过类似的东西，并且取得了很大的成功和可伸缩性。

我认为你可以简单地计算两幅图像亮度之间的欧几里得距离(即平方根(像素对像素的差异平方和))，如果这低于某个经验阈值，就认为它们相等。你最好包装一个C函数。

推土机的距离可能正是你所需要的。 不过，要实时实现它可能有点重。

如何计算这两幅图像的曼哈顿距离呢?得到n*n个值。然后你可以做一些事情，比如行平均，把值减少到n个，然后再用一个函数得到一个值。

你见过寻找相似图像的算法问题吗?请查看相关建议。

我建议对你的框架进行小波变换(我已经写了一个使用Haar变换的C扩展);然后，比较两张图片之间最大(比例)小波因子的索引，你应该得到一个数值相似近似。

可以尝试的小事:

将两个图像重新采样为小的缩略图(例如64 x 64)，并将缩略图与某个阈值逐像素进行比较。如果原始图像几乎相同，重新采样的缩略图将非常相似，甚至完全相同。这种方法可以处理特别是在低光场景中可能出现的噪音。如果你调成灰度，效果可能会更好。

两种流行且相对简单的方法是:(a)已经提出的欧几里得距离，或(b)标准化互相关。与简单的互相关相比，归一化互相关对光照变化的影响明显更强。维基百科给出了一个标准化互相关的公式。更复杂的方法也存在，但它们需要更多的工作。

使用numpy-like语法，

dist_euclidean = sqrt(sum((i1 - i2)^2)) / i1.size

dist_manhattan = sum(abs(i1 - i2)) / i1.size

dist_ncc = sum( (i1 - mean(i1)) * (i2 - mean(i2)) ) / (
  (i1.size - 1) * stdev(i1) * stdev(i2) )

假设i1和i2为二维灰度图像阵列。

给出的大多数答案都不涉及照明水平。

在进行比较之前，我首先将图像归一化到标准的光照水平。

您可以使用PIL中的函数来比较两个图像。

import Image
import ImageChops

im1 = Image.open("splash.png")
im2 = Image.open("splash2.png")

diff = ImageChops.difference(im2, im1)

diff对象是一幅图像，其中每个像素都是第二幅图像中该像素的颜色值与第一张图像相减的结果。使用差异图像你可以做几件事。最简单的是diff.getbbox()函数。它会告诉你包含两幅图像之间所有变化的最小矩形。

您也可以使用来自PIL的函数实现这里提到的其他东西的近似。

一般的想法

选项1:以数组的形式加载两个图像(scipy.misc.imread)，并计算逐元素(逐像素)的差值。计算差值的范数。

选项2:加载两个图像。计算每个特征向量(如直方图)。计算特征向量而不是图像之间的距离。

然而，首先要做一些决定。

问题

你应该先回答这些问题:

Are images of the same shape and dimension? If not, you may need to resize or crop them. PIL library will help to do it in Python. If they are taken with the same settings and the same device, they are probably the same. Are images well-aligned? If not, you may want to run cross-correlation first, to find the best alignment first. SciPy has functions to do it. If the camera and the scene are still, the images are likely to be well-aligned. Is exposure of the images always the same? (Is lightness/contrast the same?) If not, you may want to normalize images. But be careful, in some situations this may do more wrong than good. For example, a single bright pixel on a dark background will make the normalized image very different. Is color information important? If you want to notice color changes, you will have a vector of color values per point, rather than a scalar value as in gray-scale image. You need more attention when writing such code. Are there distinct edges in the image? Are they likely to move? If yes, you can apply edge detection algorithm first (e.g. calculate gradient with Sobel or Prewitt transform, apply some threshold), then compare edges on the first image to edges on the second. Is there noise in the image? All sensors pollute the image with some amount of noise. Low-cost sensors have more noise. You may wish to apply some noise reduction before you compare images. Blur is the most simple (but not the best) approach here. What kind of changes do you want to notice? This may affect the choice of norm to use for the difference between images. Consider using Manhattan norm (the sum of the absolute values) or zero norm (the number of elements not equal to zero) to measure how much the image has changed. The former will tell you how much the image is off, the latter will tell only how many pixels differ.

例子

我假设你的照片对齐得很好，同样的大小和形状，可能曝光不同。为了简单起见，我将它们转换为灰度，即使它们是彩色(RGB)图像。

您将需要这些导入:

import sys

from scipy.misc import imread
from scipy.linalg import norm
from scipy import sum, average

主要功能，读取两幅图像，转换为灰度，比较并打印结果:

def main():
    file1, file2 = sys.argv[1:1+2]
    # read images as 2D arrays (convert to grayscale for simplicity)
    img1 = to_grayscale(imread(file1).astype(float))
    img2 = to_grayscale(imread(file2).astype(float))
    # compare
    n_m, n_0 = compare_images(img1, img2)
    print "Manhattan norm:", n_m, "/ per pixel:", n_m/img1.size
    print "Zero norm:", n_0, "/ per pixel:", n_0*1.0/img1.size

如何比较。img1和img2是这里的2D SciPy数组:

def compare_images(img1, img2):
    # normalize to compensate for exposure difference, this may be unnecessary
    # consider disabling it
    img1 = normalize(img1)
    img2 = normalize(img2)
    # calculate the difference and its norms
    diff = img1 - img2  # elementwise for scipy arrays
    m_norm = sum(abs(diff))  # Manhattan norm
    z_norm = norm(diff.ravel(), 0)  # Zero norm
    return (m_norm, z_norm)

如果文件是彩色图像，imread返回一个3D数组，平均RGB通道(最后一个数组轴)获得强度。对于灰度图像(例如.pgm)不需要这样做:

def to_grayscale(arr):
    "If arr is a color image (3D array), convert it to grayscale (2D array)."
    if len(arr.shape) == 3:
        return average(arr, -1)  # average over the last axis (color channels)
    else:
        return arr

归一化是微不足道的，您可以选择归一化为[0,1]而不是[0,255]。arr在这里是一个SciPy数组，所以所有的操作都是与元素相关的:

def normalize(arr):
    rng = arr.max()-arr.min()
    amin = arr.min()
    return (arr-amin)*255/rng

运行main函数:

if __name__ == "__main__":
    main()

现在，您可以将所有这些放在一个脚本中，并针对两个图像运行。如果我们比较image和它本身，没有区别:

$ python compare.py one.jpg one.jpg
Manhattan norm: 0.0 / per pixel: 0.0
Zero norm: 0 / per pixel: 0.0

如果我们将图像模糊并与原始图像进行比较，会有一些差异:

$ python compare.py one.jpg one-blurred.jpg 
Manhattan norm: 92605183.67 / per pixel: 13.4210411116
Zero norm: 6900000 / per pixel: 1.0

P.S.完整的compare.py脚本。

更新:相关技术

因为这个问题是关于视频序列的，其中帧可能几乎相同，并且你在寻找一些不寻常的东西，我想提到一些可能相关的替代方法:

背景减法和分割(用于检测前景对象) 稀疏光流(用于检测运动) 比较直方图或其他统计数据，而不是图像

我强烈建议你看一看“学习OpenCV”的书，第9章(图像部分和分割)和第10章(跟踪和运动)。前者介绍了背景减法，后者介绍了光流法。所有方法都在OpenCV库中实现。如果你使用Python，我建议使用OpenCV≥2.3，以及它的cv2 Python模块。

背景减法最简单的版本:

学习背景中每个像素的平均值μ和标准差σ 将当前像素值与(μ-2σ，μ+2σ)或(μ-σ，μ+σ)范围进行比较

更高级的版本会考虑每个像素的时间序列，并处理非静态场景(如移动的树或草)。

光流的思想是取两个或两个以上的帧，并将速度向量分配给每个像素(密集光流)或其中的一些像素(稀疏光流)。要估计稀疏光流，可以使用Lucas-Kanade方法(它也在OpenCV中实现)。显然，如果有很多流动(速度场的高平均值超过最大值)，那么帧中就有东西在移动，随后的图像就会更不同。

比较直方图可以帮助检测连续帧之间的突然变化。Courbon等人在2010年使用了这种方法:

连续帧的相似度。测量两个连续帧之间的距离。如果它太高，这意味着第二帧被损坏，因此图像被消除。两帧直方图上的Kullback-Leibler距离，或相互熵: 其中p和q是帧的直方图。阈值固定在0.2。

我特别要解决的问题是如何计算它们是否“足够不同”。我假设你能弄清楚如何一个一个地减去像素。

首先，我将取一堆没有任何变化的图像，并找出任何像素变化的最大量，仅仅是因为捕获的变化、成像系统中的噪声、JPEG压缩工件和照明的每时每刻的变化。也许你会发现，即使没有任何移动，1或2位的差异也是可以预期的。

对于“真实”测试，你需要一个这样的标准:

如果最多P个像素的差异不超过E，则相同。

所以，如果E = 0.02, P = 1000，这可能意味着(大约)如果任何单个像素改变超过5个单位(假设8位图像)，或者如果超过1000个像素有任何错误，这将是“不同的”。

这主要是一种很好的“分类”技术，用于快速识别足够接近而不需要进一步检查的图像。“失败”的图像可能更多的是一种更复杂/昂贵的技术，例如，如果相机抖动，或者对光线变化更健壮，就不会产生假阳性。

I run an open source project, OpenImageIO, that contains a utility called "idiff" that compares differences with thresholds like this (even more elaborate, actually). Even if you don't want to use this software, you may want to look at the source to see how we did it. It's used commercially quite a bit and this thresholding technique was developed so that we could have a test suite for rendering and image processing software, with "reference images" that might have small differences from platform-to-platform or as we made minor tweaks to tha algorithms, so we wanted a "match within tolerance" operation.

I have been having a lot of luck with jpg images taken with the same camera on a tripod by (1) simplifying greatly (like going from 3000 pixels wide to 100 pixels wide or even fewer) (2) flattening each jpg array into a single vector (3) pairwise correlating sequential images with a simple correlate algorithm to get correlation coefficient (4) squaring correlation coefficient to get r-square (i.e fraction of variability in one image explained by variation in the next) (5) generally in my application if r-square < 0.9, I say the two images are different and something happened in between.

这是强大的和快速的在我的实现(Mathematica 7)

这是值得玩转的部分，你感兴趣的图像，并通过裁剪所有的图像到那个小区域，否则一个远离相机但重要的变化将被错过。

我不知道如何使用Python，但我确信它也有相关性，不是吗?

你可以计算这两个图像的直方图，然后计算Bhattacharyya系数，这是一个非常快速的算法，我已经用它来检测板球视频中的镜头变化(在C中使用openCV)

看看Haar小波是如何由isk-daemon实现的。你可以使用它的imgdb c++代码来实时计算图像之间的差异:

disk -daemon是一个开源的数据库服务器，能够将基于内容的(可视的)图像搜索添加到任何与图像相关的网站或软件。 这项技术允许任何与图像相关的网站或软件的用户在小部件上绘制他们想要查找的图像，并让网站回复他们最相似的图像或简单地在每个图像详细页面请求更多相似的照片。

我也遇到了同样的问题，写了一个简单的python模块，使用pillow的ImageChops来比较两个相同大小的图像，创建一个黑白差异图像，并总结直方图值。

你可以直接得到这个分数，也可以得到一个百分比值，与完整的黑白差异进行比较。

它还包含一个简单的is_equal函数，可以在图像传递为相等的情况下(并包括)提供一个模糊阈值。

这种方法不是很详细，但可能对其他正在与相同问题斗争的人有用。

https://pypi.python.org/pypi/imgcompare/

import os
from PIL import Image
from PIL import ImageFile
import imagehash
  
#just use to the size diferent picture
def compare_image(img_file1, img_file2):
    if img_file1 == img_file2:
        return True
    fp1 = open(img_file1, 'rb')
    fp2 = open(img_file2, 'rb')

    img1 = Image.open(fp1)
    img2 = Image.open(fp2)

    ImageFile.LOAD_TRUNCATED_IMAGES = True
    b = img1 == img2

    fp1.close()
    fp2.close()

    return b





#through picturu hash to compare
def get_hash_dict(dir):
    hash_dict = {}
    image_quantity = 0
    for _, _, files in os.walk(dir):
        for i, fileName in enumerate(files):
            with open(dir + fileName, 'rb') as fp:
                hash_dict[dir + fileName] = imagehash.average_hash(Image.open(fp))
                image_quantity += 1

    return hash_dict, image_quantity

def compare_image_with_hash(image_file_name_1, image_file_name_2, max_dif=0):
    """
    max_dif: The maximum hash difference is allowed, the smaller and more accurate, the minimum is 0.
    recommend to use
    """
    ImageFile.LOAD_TRUNCATED_IMAGES = True
    hash_1 = None
    hash_2 = None
    with open(image_file_name_1, 'rb') as fp:
        hash_1 = imagehash.average_hash(Image.open(fp))
    with open(image_file_name_2, 'rb') as fp:
        hash_2 = imagehash.average_hash(Image.open(fp))
    dif = hash_1 - hash_2
    if dif < 0:
        dif = -dif
    if dif <= max_dif:
        return True
    else:
        return False


def compare_image_dir_with_hash(dir_1, dir_2, max_dif=0):
    """
    max_dif: The maximum hash difference is allowed, the smaller and more accurate, the minimum is 0.

    """
    ImageFile.LOAD_TRUNCATED_IMAGES = True
    hash_dict_1, image_quantity_1 = get_hash_dict(dir_1)
    hash_dict_2, image_quantity_2 = get_hash_dict(dir_2)

    if image_quantity_1 > image_quantity_2:
        tmp = image_quantity_1
        image_quantity_1 = image_quantity_2
        image_quantity_2 = tmp

        tmp = hash_dict_1
        hash_dict_1 = hash_dict_2
        hash_dict_2 = tmp

    result_dict = {}

    for k in hash_dict_1.keys():
        result_dict[k] = None

    for dif_i in range(0, max_dif + 1):
        have_none = False

        for k_1 in result_dict.keys():
            if result_dict.get(k_1) is None:
                have_none = True

        if not have_none:
            return result_dict

        for k_1, v_1 in hash_dict_1.items():
            for k_2, v_2 in hash_dict_2.items():
                sub = (v_1 - v_2)
                if sub < 0:
                    sub = -sub
                if sub == dif_i and result_dict.get(k_1) is None:
                    result_dict[k_1] = k_2
                    break
    return result_dict


def main():
    print(compare_image('image1\\815.jpg', 'image2\\5.jpg'))
    print(compare_image_with_hash('image1\\815.jpg', 'image2\\5.jpg', 7))
    r = compare_image_dir_with_hash('image1\\', 'image2\\', 10)
    for k in r.keys():
        print(k, r.get(k))


if __name__ == '__main__':
    main()

输出: 假 真正的 image2 jpg image1 5. \ \ 815. jpg image2 jpg image1 6. \ \ 819. jpg image2 jpg image1 7. \ \ 900. jpg image2 jpg image1 8. \ \ 998. jpg image2 jpg image1 9. \ \ 1012. jpg 示例图片: 815. jpg 5. jpg

一种更有原则的方法是使用全局描述符来比较图像，比如GIST或CENTRIST。这里描述的哈希函数也提供了类似的解决方案。

另一个衡量两张图片相似度的好方法是:

import sys
from skimage.measure import compare_ssim
from skimage.transform import resize
from scipy.ndimage import imread

# get two images - resize both to 1024 x 1024
img_a = resize(imread(sys.argv[1]), (2**10, 2**10))
img_b = resize(imread(sys.argv[2]), (2**10, 2**10))

# score: {-1:1} measure of the structural similarity between the images
score, diff = compare_ssim(img_a, img_b, full=True)
print(score)

如果其他人对更强大的比较图像相似性的方法感兴趣，我将使用Tensorflow测量和可视化相似图像的教程和web应用程序放在一起。

我在工作中遇到了类似的问题，我正在重写我们的图像转换端点，我想检查新版本是否与旧版本产生相同或几乎相同的输出。所以我写了这个:

https://github.com/nicolashahn/diffimg

它对相同大小的图像进行操作，并在每个像素级别上测量每个通道的值的差异:R, G, B(， a)，取这些通道的平均差值，然后对所有像素的差值进行平均，并返回一个比率。

例如，有一张10x10的白色像素的图像，而同一张图像只有一个像素变成了红色，该像素处的差异是1/3或0.33……(RGB 0,0,0 vs 255,0,0)并且在所有其他像素为0。总共100像素，0.33…/100 =一个~0.33%的图像差异。

我相信这将非常适合OP的项目(我意识到这是一个非常老的帖子，但张贴为未来的StackOverflowers谁也想用python比较图像)。

如果现在回复太晚，我很抱歉，但因为我一直在做类似的事情，我想我可以在某种程度上做出贡献。

也许在OpenCV中你可以使用模板匹配。假设你用的是摄像头

简化图像(可能是阈值?) 应用模板匹配和检查max_val与minMaxLoc

提示:max_val(或min_val取决于所使用的方法)将为您提供数字，较大的数字。为了获得百分比上的差异，使用与相同图像匹配的模板—结果将是100%。

举例的伪代码:

previous_screenshot = ...
current_screenshot = ...

# simplify both images somehow

# get the 100% corresponding value
res = matchTemplate(previous_screenshot, previous_screenshot, TM_CCOEFF)
_, hundred_p_val, _, _ = minMaxLoc(res)

# hundred_p_val is now the 100%

res = matchTemplate(previous_screenshot, current_screenshot, TM_CCOEFF)
_, max_val, _, _ = minMaxLoc(res)

difference_percentage = max_val / hundred_p_val

# the tolerance is now up to you

希望能有所帮助。

有很多指标可以用来评估两张图片是否像/有多像。

这里我就不讲代码了，因为我认为这应该是一个科学问题，而不是技术问题。

一般来说，问题与人类对图像的感知有关，因此每种算法都有其对人类视觉系统特征的支持。

经典方法有:

可见差异预测器:一种评估图像保真度的算法(https://www.spiedigitallibrary.org/conference-proceedings-of-spie/1666/0000/Visible-differences-predictor--an-algorithm-for-the-assessment-of/10.1117/12.135952.short?SSO=1)

图像质量评估:从错误可见性到结构相似性(http://www.cns.nyu.edu/pub/lcv/wang03-reprint.pdf)

FSIM:一种用于图像质量评估的特征相似度指数(https://www4.comp.polyu.edu.hk/~cslzhang/IQA/TIP_IQA_FSIM.pdf)

其中，SSIM (Image Quality Assessment: From Error Visibility to Structural Similarity)是最容易计算的，其开销也较小，另一篇论文《基于梯度相似度的图像质量评估》(https://www.semanticscholar.org/paper/Image-Quality-Assessment-Based-on-Gradient-Liu-Lin/2b819bef80c02d5d4cb56f27b202535e119df988)也有报道。

还有很多其他的方法。如果你对艺术感兴趣或真正关心，可以在谷歌Scholar上搜索“视觉差异”、“图像质量评估”等。

通过计算均方误差，numpy有一个简单而快速的解决方案:

before = np.array(get_picture())
while True:
    now = np.array(get_picture())
    MSE = np.mean((now - before)**2)

    if  MSE > threshold:
        break

    before = now

下面是我写的一个函数，它以2个图像(文件路径)作为参数，并返回两个图像“像素”组件之间的平均差值。这对我确定视觉上“相等”的图像(当它们不==相等时)非常有效。

(我发现8个是判断图像本质上是否相同的一个很好的限制。)

(如果不添加预处理，图像必须具有相同的尺寸。)

from PIL import Image

def imagesDifference( imageA, imageB ):
    A = list(Image.open(imageA, r'r').convert(r'RGB').getdata())
    B = list(Image.open(imageB, r'r').convert(r'RGB').getdata())
    if (len(A) != len(B)): return -1
    diff = []
    for i in range(0, len(A)):
        diff += [abs(A[i][0] - B[i][0]), abs(A[i][1] - B[i][1]), abs(A[i][2] - B[i][2])]
    return (sum(diff) / len(diff))

使用SSIM测量两幅图像之间的结构相似指数度量。