如何使用Python与OpenCV比较两张图像并判断是否相似？

根据不同的业务场景适配不同精度、不同性能的实现方法，没有通用的“最优解”，以下是工程中常用的三类实现路径，可直接复用：

1. 像素级差值计算（适用：对齐无变形的同机位图像对比） #

这类方法逻辑最简单，计算速度最快，适合固定机位截图、UI变更检测这类无视角差、无缩放平移的场景。

• 实现步骤：统一两张图的尺寸、转换为灰度图降低计算量、逐像素计算差值、将差值归一化为0-1区间的相似度得分
• 核心代码：

import cv2
import numpy as np

def calc_pixel_similarity(img1_path, img2_path):
    # 读取两张图，强制调整为相同尺寸消除尺寸差干扰
    img1 = cv2.imread(img1_path)
    img2 = cv2.imread(img2_path)
    img2 = cv2.resize(img2, (img1.shape[1], img1.shape[0]))
    # 转灰度图降低计算维度
    gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
    # 逐像素计算绝对差值
    diff = cv2.absdiff(gray1, gray2)
    # 归一化得到相似度得分，得分越高越相似（范围0-1）
    similarity_score = 1 - (np.sum(diff) / (diff.shape[0] * diff.shape[1] * 255))
    return round(similarity_score, 4)

• 局限性：只要图像存在轻微平移、缩放、亮度变化，相似度得分就会大幅下跌，对形变鲁棒性极差。

2. 全局直方图匹配（适用：对亮度变化敏感、无严格位置要求的粗粒度对比） #

这类方法不关注像素位置，只统计全局的色彩分布规律，对光照变化、小范围平移的鲁棒性比纯像素法好很多。

• 实现步骤：将图像转换为HSV色彩空间、计算双维度颜色直方图、用巴氏距离衡量直方图的匹配程度
• 核心代码：

def calc_hist_similarity(img1_path, img2_path):
    img1 = cv2.imread(img1_path)
    img2 = cv2.imread(img2_path)
    img2 = cv2.resize(img2, (img1.shape[1], img1.shape[0]))
    # 转HSV空间，保留色彩与亮度信息，避免RGB空间的光照偏移干扰
    hsv1 = cv2.cvtColor(img1, cv2.COLOR_BGR2HSV)
    hsv2 = cv2.cvtColor(img2, cv2.COLOR_BGR2HSV)
    # 计算H（色相）、S（饱和度）通道的联合直方图
    hist1 = cv2.calcHist([hsv1], [0,1], None, [50,60], [0,180,0,256])
    hist2 = cv2.calcHist([hsv2], [0,1], None, [50,60], [0,180,0,256])
    # 直方图归一化到0-1区间
    cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX)
    cv2.normalize(hist2, hist2, 0, 1, cv2.NORM_MINMAX)
    # 用巴氏距离计算匹配度，转换为0-1区间的得分
    match_dist = cv2.compareHist(hist1, hist2, cv2.HISTCMP_BHATTACHARYYA)
    return round(1 - match_dist, 4)

• 局限性：仅关注全局色彩分布，完全不关注内容结构，两张毫无关联但色彩占比接近的图像，会被误判为高相似度。

3. 局部特征点匹配（适用：存在缩放、旋转、视角变化的通用图像对比） #

这类方法是工程场景下最通用的鲁棒方案，对视角差、缩放、旋转、局部遮挡的抗干扰能力远高于前两类方法。

• 实现步骤：用特征检测器提取图像的局部特征点与描述子、对两张图的特征点做暴力匹配、筛选优质匹配对的占比作为相似度得分
• 核心代码：

def calc_feature_similarity(img1_path, img2_path):
    # 初始化ORB特征检测器，平衡检测速度与精度
    orb = cv2.ORB_create(nfeatures=1000)
    # 读取灰度图减少计算量
    img1 = cv2.imread(img1_path, 0)
    img2 = cv2.imread(img2_path, 0)
    # 提取特征点与特征描述子
    kp1, des1 = orb.detectAndCompute(img1, None)
    kp2, des2 = orb.detectAndCompute(img2, None)
    # 初始化暴力匹配器，开启交叉校验过滤错误匹配
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    matches = bf.match(des1, des2)
    # 按匹配距离排序，优先保留距离更近的优质匹配对
    matches = sorted(matches, key=lambda x: x.distance)
    # 计算前30%优质匹配对占总特征点的比例，作为相似度得分
    good_ratio = len(matches[:int(len(matches)*0.3)]) / max(len(kp1), len(kp2))
    return round(good_ratio, 4)

• 优化提示：如果需要更高的检测精度，可以将ORB替换为SIFT特征检测器，注意高版本OpenCV中SIFT模块需要安装opencv-contrib-python包才能正常调用，它对仿射形变的鲁棒性更强；如果两张图存在轻微的平移偏差，可以先用cv2.findTransformECC做图像对齐，再计算相似度，能大幅降低误判率。

工程落地注意事项 #

• 不要直接套用网上的通用判定阈值，必须拿自身业务的样本库提前测试，比如像素法得分0.9以上判定为相似、特征法得分0.4以上判定为相似，避免不同算法的得分尺度差异导致误判
• 优先选计算量最低的匹配方案：固定机位的监控截图、静态页面对比，用纯像素法即可，没必要上特征匹配拖慢运行速度
• 对比前统一做图像预处理：包括去噪、统一亮度、裁剪无效边框，减少无关信息对相似度计算的干扰

内容的提问来源于stack exchange，提问作者RAFAEL ALEJANDRO OCHOA SANDOVA