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。

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

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。

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。

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。

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。