Брать среднее значение яркости - плохая идея, так как любое преобразование форматов может увеличить или уменьшить яркость на небольшую величину. что обязательно скажется и на среднем значении. Выбирать CRC32 еще более страшная идея, которая даст нам возможность обнаружить только абсолютно одинаковые картинки, а нам нужны и небольшие модификации.
Если нет желания почитать в гугле насчет умных и работоспособных алгоритмов сравнения картинок. можно фантазировать дальше   

К примеру, преобразовать картинку к черно-белому изображению(или работать с RGB картинками как с 3-мя разными изображениями). посчитать распределение яркости, нормировать яркость, сделав самый яркий цвет - белым, самый темный - черным.  все значения яркости округлить в соответствии с сеткой (8, 16, 32 и т.д оттенка серого, по возможностям) И заменить соответствующие точки на изображении новым значением яркости. Затем "оконтурить рамкой" получившеся изображение, так чтобы "за рамкой" остался ровный фон и работать уже с вырезкой. Нормировать ее до небольшого размера. получится эталонный слепок. - это и будем называть "кэш'ем изображения". Есть мнение, что одно и то-же изображение даже после не очень сложного редактирования будет иметь одинаковый кеш.

Вот примерный комплект идей, которыми, вероятно, пользуются многоие алгоритмы сравнения.

Во-первых,

Если проэцировать пространство в пространство размерности один, то среднее это лучшая оценка.

Во-вторых, кто сказал что для среднего надо брать точно равенства, а не отклонение на эпсилон.

В-третих, посчитать среднее можно очень быстро, для этого впринципе не нужны все пиксели картинки, можно выбрать случайно очень мало пикселей.

в 4х, среднее имеет свойство линейности.

есть и другие плюсы.

Есть системы для идентификации личности по сетчатке глаза, так там берется не все изображение сетчатки, а только некую часть. И вероятность ошибки практически нулевая. Можно "покопать" в эту сторону 

Вся задачка четко ложится в проблему различения образов (вариант задачи - обнаружение и различение сигналов). Методов несколько. Необходимо еще определить, с какой надежностью надо различать один объект от другого.  Количество критериев различения, соответственно, пропорционально, методам обработки.  Рискну посоветовать  из самых "прозрачных" по своей сути - на основе вычисления собственных векторов (и собственных чисел) корреляционной матрицы изображения или SVD-сжатия.  Подробнее - Д.Канахер, К.Моулер, С.Нэш - Численные методы и программное обеспечение. М, "Мир", 1988. 
И SVD - разложение, и вычисление собственных векторов/чисел и корреляционных матриц  есть в Matlab, можно взять оттуда.

По моему тут уже предлагали считать не один элемент, а набор признаков (элементов). 
Вот предлагаю список подходов:
1. Геометрические моменты (~7 эл)
2. Псевдо моменты Цернике (12-30 эл)
3. Считать энергию* после свертки с окном собеля (т.е дифференциальное представление) (1 эл)
4. Энергия фильтров габора (или произвольного базиса фильтров) (~40 эл)
*Под словом энергия подразумевается просто сумма нормализованная на максимальное значение среди всех изображений для данного класса.

Если выбранный набор признаков уникальным образом определяет изображение и для одинаковых изображений выдает похожий результат, то можно оптимизировать следующим образом:
для набора признаков использовать хэш код для преобразования массиво в одно число при этом подобрать коэффициенты хэширования такими, чтобы на данной выборке они удовлетворяли поставленным  условиям.

Это сообщение отредактировал(а) dereyly - 10.6.2010, 14:36