When we compare two images, we are faced with the following basic question: when are two images the same or similar, and how can this similarity be measured? Of course one could trivially define two images I1, I2 as being identical when all pixel values are the same (i.e., the difference I1 − I2 is zero). Although this kind of definition may be useful in specific applications, such as for detecting changes in successive images under constant lighting and camera conditions, simple pixel differencing is usually too inflexible to be of much practical use. Noise, quantization errors, small changes in lighting, and minute shifts or rotations can all create large numerical pixel differences for pairs of images that would still be perceived as perfectly identical by a human viewer.Obviously, human perception incorporates a much wider concept of similarity and uses cues such as structure and content to recognize similarity between images, even when a direct comparison between individual pixels would not indicate any match. The problem of comparing images at a structural or semantic level is a difficult problem and an interesting research field, for example, in the context of image-based searches on the Internet or database retrieval

وقتی دو تصویر را مقایسه می کنیم ، با این سوال اساسی زیر روبرو می شویم: چه زمانی دو تصویر یکسان یا مشابه هستند و چگونه می توان این شباهت را اندازه گرفت؟ البته می توان دو تصویر I1 ، I2 را به صورت بدیهی مشابه تعریف کرد وقتی همه مقادیر پیکسل یکسان باشند (به عنوان مثال ، اختلاف I1 – I2 صفر است). اگرچه این نوع تعریف ممکن است در کاربردهای خاص ، مانند تشخیص تغییرات در تصاویر پی در پی تحت نور و شرایط دوربین ثابت ، مفید باشد ، اما تفاوت در پیکسل های ساده معمولاً بسیار انعطاف پذیر نیست و از کاربردهای عملی زیادی برخوردار نیست. نویز ، خطاهای کمیت سازی ، تغییرات کوچک در روشنایی و تغییر در دقیقه و یا چرخش ها همه می توانند اختلافات پیکسلی عددی زیادی را برای جفت تصاویر ایجاد کنند که هنوز هم توسط یک بیننده انسانی کاملاً یکسان تلقی می شود.بدیهی است که ادراک انسان مفهوم بسیار گسترده تری از شباهت را در خود گنجانده و از نشانه هایی مانند ساختار و محتوا برای تشخیص شباهت بین تصاویر استفاده می کند ، حتی اگر مقایسه مستقیم بین پیکسل های منفرد (مستقل) هیچ تطابقی را نشان ندهد. مشکل مقایسه تصاویر در سطح ساختاری یا معنایی یک مسئله دشوار و یک زمینه تحقیقاتی جالب است ، به عنوان مثال ، در زمینه جستجوهای مبتنی بر محتوا تصویر در اینترنت یا بازیابی پایگاه داده