使用Python量化两张黑白图像差异百分比的实现方法

选型思路 #

直方图方法确实不适用于黑白为主的图像，这类方法只统计像素值的分布比例，完全丢失了空间位置信息，很容易出现「两张布局完全不同但黑白占比一致的图被判定为相似」的误判。
针对这类场景优先采用逐像素差异统计作为核心方案，直接输出可直观理解的差异百分比，必要时可以搭配结构相似性指标作为补充，兼顾人眼感知的差异程度。

实现步骤 #

• 预处理：将两张图统一转为单通道灰度图、对齐分辨率，避免通道数、尺寸不一致导致的计算误差
• 逐像素对比：对两张图的像素值做差，统计超过差异阈值的像素占总像素的比例，就是需要的差异百分比
• 可选补充：计算SSIM结构相似性得分，得分区间为0-1，越接近1代表两张图视觉上越相似，适合需要感知层面差异判断的场景

可直接运行的代码示例 #

import cv2
import numpy as np
from skimage.metrics import structural_similarity as ssim

def cal_image_diff_percent(origin_img_path: str, diff_img_path: str, diff_threshold: int = 20) -> tuple[float, float]:
    """
    计算两张图像的差异百分比和结构相似性得分
    :param origin_img_path: 原图路径
    :param diff_img_path: 待对比的差异图路径
    :param diff_threshold: 像素差异阈值，超过这个值才判定为有效差异，可过滤压缩噪点
    :return: 差异百分比（保留2位小数）、SSIM得分（保留4位小数）
    """
    # 读取为单通道灰度图，适配黑白为主的图像场景
    img_origin = cv2.imread(origin_img_path, cv2.IMREAD_GRAYSCALE)
    img_diff = cv2.imread(diff_img_path, cv2.IMREAD_GRAYSCALE)

    # 统一两张图的分辨率
    if img_origin.shape != img_diff.shape:
        img_diff = cv2.resize(img_diff, (img_origin.shape[1], img_origin.shape[0]))

    # 统计差异像素数量
    pixel_diff = cv2.absdiff(img_origin, img_diff)
    diff_pixel_count = np.count_nonzero(pixel_diff > diff_threshold)
    total_pixel_count = img_origin.shape[0] * img_origin.shape[1]
    diff_percent = round((diff_pixel_count / total_pixel_count) * 100, 2)

    # 计算结构相似性得分
    ssim_score = round(ssim(img_origin, img_diff), 4)

    return diff_percent, ssim_score

if __name__ == "__main__":
    # 替换为你的本地图像路径即可运行
    diff_pct, ssim_score = cal_image_diff_percent("origin.png", "modified.png")
    print(f"两张图的像素差异占比为：{diff_pct}%")
    print(f"两张图的结构相似性得分为：{ssim_score}")

调优建议 #

• 如果你的图像没有压缩、拍摄噪点，可以把diff_threshold参数设为0，只要像素值不一样就判定为差异，结果会更精准
• 如果不需要感知层面的相似性判断，可以删掉SSIM相关的代码，依赖更少，运行速度更快

内容的提问来源于stack exchange，提问作者B-L