如果您想获得关于两张图片相似性的索引，我建议您从SSIM索引的指标中获得。它更符合人眼。这里有一篇关于它的文章:结构相似指数

它也在OpenCV中实现，并且可以使用GPU进行加速:OpenCV SSIM with GPU

在双重库中使用哈希函数来检测(接近)相同的图像(免责声明:我也是作者)。这是一种简单而快速的方法来比较两个或多个图像的相似性。它使用预处理图像(灰度化、归一化和缩放)、计算图像哈希以及基于阈值对图像进行分组的多步过程来工作。

胡不变矩是比较两幅图像非常有力的工具

如果用于匹配相同的图像-代码L2距离

// Compare two images by getting the L2 error (square-root of sum of squared error).
double getSimilarity( const Mat A, const Mat B ) {
if ( A.rows > 0 && A.rows == B.rows && A.cols > 0 && A.cols == B.cols ) {
    // Calculate the L2 relative error between images.
    double errorL2 = norm( A, B, CV_L2 );
    // Convert to a reasonable scale, since L2 error is summed across all pixels of the image.
    double similarity = errorL2 / (double)( A.rows * A.cols );
    return similarity;
}
else {
    //Images have a different size
    return 100000000.0;  // Return a bad value
}

快。但对光线/视点等的变化不稳定。 源

如果你想比较图像的相似性，我建议你使用OpenCV。在OpenCV中，特征匹配和模板匹配很少。在特征匹配方面，有SURF、SIFT、FAST等检测仪。你可以用它来检测、描述和匹配图像。之后，您可以使用特定的索引来查找两个图像之间的匹配数。

如果可以确保模板(图标)与测试区域的精确对齐，那么任何旧的像素差之和都可以工作。

如果对齐只会有一点点偏差，那么你可以在找到像素差的和之前，用cv::GaussianBlur低通两个图像。

如果对齐的质量可能很差，那么我会建议使用定向梯度直方图或OpenCV方便的关键点检测/描述符算法(如SIFT或SURF)。