以下不是一个答案，而是一个统计数据，可以帮助我们根据您正在分析的图像的特征选择合适的图像比较技术。

第一步是绘制一个“delta直方图”，如下所示：

for (x,y) in [0, width] x [0, height] begin
    delta = abs( SecondImage(x, y) - FirstImage(x, y) )
    hist[delta] += 1
end

给定这个直方图，我们将更多地了解您正在寻找的变化的“幅度”，并提出更好的建议。

（或者，发布一些示例图像。请记住，如果示例图像不能代表您感兴趣的图像差异，我们可能会提出较差的建议。）

您还可以在您的图像集上测试结构相似性 (SSIM)并在此处发布您的结果。请记住，SSIM 旨在模仿人类识别图像退化障碍的能力，因此它可以检测像素化但可能不会模糊。

如果您的图像不是摄影图像（或者是不是普通摄影主题的科学图像），那么还请发布它们的 2D 自相关示例，适当裁剪和缩放。

人脸识别是一个太大的话题，无法在一个问题中讨论。人脸识别中的多个上下文会出现模糊——它可能是数据质量问题，也可能是数据处理中的中间步骤。

在人脸识别中，我们要检测人脸的身份，因此我们必须忽略不是由身份差异引起的图像差异。在人脸识别中应该忽略的基本差异类别是：姿势、光照和面部表情。

忽略不相关差异的一般方法称为归一化，它尝试对输入图像应用各种操作和变换以获得“规范”或“预处理”图像，进而可以用于识别。

第二种方法是从与无关因素高度不变的图像中提取特征。

人脸图像的质量取决于捕获设备和捕获它的环境。当在没有主体合作的情况下（例如从安全摄像头）捕获人脸图像时，图像质量差是不可避免的后果，必须通过软件进行补救，以免妨碍识别。

在合作拍摄中，图像质量的计算机化测量是好的：可以通知操作员质量问题并且可以重新拍摄图像。

模糊也可能是恶意篡改生物特征以逃避检测（以及遮挡和伪装）的一个例子。如果图像以数字方式编码，则数字校验和和加密签名足以完全解决问题。如果模糊图像是由冒充者以物理打印形式提交的，则可以使用计算机化的面部图像质量测量方法来拒绝此类提交。

面部图像的某个部分缺乏2D 可定位特征或兴趣点可能是故意模糊的迹象。

然而，数字图像篡改的广泛类别（由图像编辑软件的熟练用户）只能通过将像素统计数据与已知相机模型进行比较的数字图像取证来处理。

你可以看看我在这里发布的类似问题的答案：图像之间的语义距离测量

我在一组图像中做了一点评估。