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。

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。

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/

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?

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。

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。