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)

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.

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)。

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))

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。