大概的概念

选项 1：将两个图像加载为数组 ( scipy.misc.imread) 并计算逐个元素（逐个像素）的差异。计算差异的范数。

选项 2：加载两个图像。为它们中的每一个计算一些特征向量（如直方图）。计算特征向量而不是图像之间的距离。

但是，首先要做出一些决定。

问题

你应该首先回答这些问题：

• 图像的形状和尺寸是否相同？

如果没有，您可能需要调整它们的大小或裁剪它们。PIL 库将有助于在 Python 中完成它。

如果它们采用相同的设置和相同的设备，它们可能是相同的。

• 图像是否对齐？

如果没有，您可能需要先运行互相关，以首先找到最佳对齐方式。SciPy 具有执行此操作的功能。

如果相机和场景静止，图像很可能对齐良好。

• 图像的曝光总是一样的吗？（亮度/对比度是否相同？）

如果没有，您可能需要标准化图像。

但要小心，在某些情况下，这可能弊大于利。例如，深色背景上的单个明亮像素会使归一化图像非常不同。

• 颜色信息重要吗？

如果您想注意颜色变化，您将拥有每个点的颜色值向量，而不是灰度图像中的标量值。编写此类代码时需要多加注意。

• 图像中是否有明显的边缘？他们有可能搬家吗？

如果是，您可以先应用边缘检测算法（例如，使用 Sobel 或 Prewitt
变换计算梯度，应用一些阈值），然后将第一张图像的边缘与第二张图像的边缘进行比较。

• 图像中有噪点吗？

所有传感器都会用一定量的噪声污染图像。低成本传感器的噪音更大。在比较图像之前，您可能希望应用一些降噪。模糊是这里最简单（但不是最好）的方法。

• 你想注意到什么样的变化？

这可能会影响用于图像之间差异的规范的选择。

考虑使用曼哈顿范数（绝对值的总和）或零范数（不等于零的元素数量）来衡量图像发生了多少变化。前者会告诉你图像偏离了多少，后者只会告诉你有多少像素不同。

例子

我假设您的图像对齐良好，大小和形状相同，可能曝光不同。为简单起见，即使它们是彩色 (RGB) 图像，我也会将它们转换为灰度。

您将需要这些导入：

import sys

from scipy.misc import imread
from scipy.linalg import norm
from scipy import sum, average

主要功能，读取两张图像，转换为灰度，比较并打印结果：

def main():
    file1, file2 = sys.argv[1:1+2]
    # read images as 2D arrays (convert to grayscale for simplicity)
    img1 = to_grayscale(imread(file1).astype(float))
    img2 = to_grayscale(imread(file2).astype(float))
    # compare
    n_m, n_0 = compare_images(img1, img2)
    print "Manhattan norm:", n_m, "/ per pixel:", n_m/img1.size
    print "Zero norm:", n_0, "/ per pixel:", n_0*1.0/img1.size

如何比较。img1这里img2是 2D SciPy 数组：

def compare_images(img1, img2):
    # normalize to compensate for exposure difference, this may be unnecessary
    # consider disabling it
    img1 = normalize(img1)
    img2 = normalize(img2)
    # calculate the difference and its norms
    diff = img1 - img2  # elementwise for scipy arrays
    m_norm = sum(abs(diff))  # Manhattan norm
    z_norm = norm(diff.ravel(), 0)  # Zero norm
    return (m_norm, z_norm)

如果文件是彩色图像，则imread返回一个 3D 数组，平均 RGB 通道（最后一个数组轴）以获得强度。无需为灰度图像执行此操作（例如.pgm）：

def to_grayscale(arr):
    "If arr is a color image (3D array), convert it to grayscale (2D array)."
    if len(arr.shape) == 3:
        return average(arr, -1)  # average over the last axis (color channels)
    else:
        return arr

归一化很简单，您可以选择归一化为 [0,1] 而不是 [0,255]。arr这里是一个 SciPy 数组，所以所有操作都是元素方面的：

def normalize(arr):
    rng = arr.max()-arr.min()
    amin = arr.min()
    return (arr-amin)*255/rng

运行main函数：

if __name__ == "__main__":
    main()

现在您可以将这一切都放在一个脚本中并针对两个图像运行。如果我们将图像与自身进行比较，则没有区别：

$ python compare.py one.jpg one.jpg
Manhattan norm: 0.0 / per pixel: 0.0
Zero norm: 0 / per pixel: 0.0

如果我们将图像模糊并与原始图像进行比较，则存在一些差异：

$ python compare.py one.jpg one-blurred.jpg 
Manhattan norm: 92605183.67 / per pixel: 13.4210411116
Zero norm: 6900000 / per pixel: 1.0

PS 整个compare.py脚本。

更新：相关技术

由于问题是关于视频序列，其中帧可能几乎相同，并且您寻找不寻常的东西，我想提一些可能相关的替代方法：

• 背景减法和分割（检测前景物体）
• 稀疏光流（检测运动）
• 比较直方图或其他一些统计数据而不是图像

我强烈建议看一下《学习 OpenCV》一书，第 9 章（图像部分和分割）和第 10
章（跟踪和运动）。前者教导使用背景减法方法，后者提供一些关于光流方法的信息。所有方法都在 OpenCV 库中实现。如果你使用 Python，我建议使用
OpenCV ≥ 2.3，以及它的cv2Python 模块。

背景减法最简单的版本：

• 学习背景每个像素的平均值渭和标准差蟽
• 将当前像素值与 (渭-2蟽,渭+2蟽) 或 (渭-蟽,渭+蟽) 的范围进行比较

更高级的版本会考虑每个像素的时间序列并处理非静态场景（如移动的树木或草）。

光流的想法是取两个或更多帧，并将速度矢量分配给每个像素（密集光流）或其中的一些（稀疏光流）。要估计稀疏光流，您可以使用Lucas-Kanade
方法（它也在 OpenCV
中实现）。显然，如果有很多流（速度场的最大值高于平均值），那么帧中的某些东西正在移动，随后的图像会更加不同。

比较直方图可能有助于检测连续帧之间的突然变化。Courbon et al,
2010中使用了这种方法：

连续帧的相似性。 测量两个连续帧之间的距离。如果它太高，则意味着第二帧被破坏，因此图像被消除。两帧直方图上的Kullback-eibler
距离或互熵：

其中 p 和 q 是使用帧的直方图。阈值固定为 0.2。