这是我想做的:
我定期用网络摄像头拍照。就像时间流逝一样。然而，如果没有什么真正的改变，也就是说，图片看起来几乎相同，我不想存储最新的快照。
我想有某种方法可以量化这种差异，我必须根据经验确定一个阈值。
我追求的是简单而不是完美。 我用的是python。
当前回答
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/
其他回答
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。
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。
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.
