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。

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)

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。

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。

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。