是的，有可能！

例如，您可以逐像素比较并应用 MSE（均方误差）。如果误差接近于零，那是同一张图片。

但是，您将只能识别那些图片完美匹配的图像。例如，您将无法考虑亮度变化、比例变化、微小变换、压缩损失（例如 JPEG）等。因此，虽然人类可能只是将它们视为相同的图像 - 它们并不是基于每个像素。根据您的应用程序需要多少严格或宽容，我们是否真的需要寻找足够智能以不受这些因素影响的高级算法。

编辑：

在您澄清之后，听起来您确实有更多匹配的特殊情况，而不是通用识别问题。

鉴于以下假设：

1. 灰度（或彩色）图像首先通过一些阈值处理转换为二进制。

2. 这些图像大多是线条（粗线或细线），关键区别在于这些边缘与其他边缘的距离。

3. 边缘可以是任意形状和轮廓——没有几何假设。

4. 考虑到边缘检测限制（在存在噪声的情况下）和阈值算法，边缘可能是不相交的

这是我建议申请的内容：

1. 边缘跟随算法 - 在适用的情况下制作连续边缘。
   参考#1。http://www.slideshare.net/kiara1011000/edge-following-algorithm-chiara-galdi

2. 应用 Housdourf 距离和类似的形状/轮廓匹配
   Ref #1。由 Normad
   Ref #2 提供的 Hadorff 距离。CV Online：Hausdorff 距离
   参考 #3。基于 Hausorff 的匹配

基本思想是，如果所有边缘或多或少位于相同的位置且长度相同，则图像是相同的。

鉴于大部分区域包含黑色并且不包含任何信息 - MSE 将是一个非常糟糕的想法。

我只是给你一些基本的方向来制定你的问题。随着您深入挖掘，您可以提出更具体的问题。我很想知道最终什么对你有用。

编辑 2：添加一个特定的解决方案

我能想到的一个简单的可能指标是：

说，Ref[i][j]是参考图像，Test[i][j]是测试图像。

pixel_similarity = 0; 
For each pixel in Ref[i][j]  
{  
  if ( Ref[i][j] == Edge_pixel )   
     (k,l) <- find_nearest_edge_pixel(Ref, Test, i, j, window_size)  
     pixel_similarity += weighted_similarity (i, j, k, l)   
}  

image_similarity_metric = error / (total_edge_pixels_in_ref);   

请注意，此算法对于大量缩放和旋转将非常有限。这是第一步。如有任何拼写错误或不明确之处，请通知我！

观察：

1. 如果您保留两个相同的图像（逐个像素） - 您会发现 (k,l) 将与 (i,j) 相同，并且加权误差应该 = 1。

2. 通过将边缘像素数除以总边缘人口，您将获得完美匹配图像的相似度 = 1.0。

3. 当边缘几乎相似，但稍微未对齐时，分数会逐渐下降。应该明智地选择该weighted_similarity函数以处理您认为合理对齐的边缘与应该丢弃的边缘。

4. 另一个极端是，如果 Ref 中的边缘像素总数为零 - 无法将其与任何其他像素进行比较（因为我们正在考虑没有与匹配相关的信息的背景像素）。

试着解决这个问题，看看你会得到什么结果。

很高兴为您提供帮助！