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。

给出的大多数答案都不涉及照明水平。

在进行比较之前，我首先将图像归一化到标准的光照水平。

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

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。

我在工作中遇到了类似的问题，我正在重写我们的图像转换端点，我想检查新版本是否与旧版本产生相同或几乎相同的输出。所以我写了这个:

https://github.com/nicolashahn/diffimg

它对相同大小的图像进行操作，并在每个像素级别上测量每个通道的值的差异:R, G, B(， a)，取这些通道的平均差值，然后对所有像素的差值进行平均，并返回一个比率。

例如，有一张10x10的白色像素的图像，而同一张图像只有一个像素变成了红色，该像素处的差异是1/3或0.33……(RGB 0,0,0 vs 255,0,0)并且在所有其他像素为0。总共100像素，0.33…/100 =一个~0.33%的图像差异。

我相信这将非常适合OP的项目(我意识到这是一个非常老的帖子，但张贴为未来的StackOverflowers谁也想用python比较图像)。