El aprendizaje automático y el procesamiento de imágenes son campos estrechamente relacionados que han experimentado un importante desarrollo y aplicación en los últimos años. Los algoritmos de aprendizaje automático se utilizan para desarrollar técnicas sofisticadas para analizar e interpretar imágenes, como la detección de objetos, la clasificación de imágenes y la segmentación de imágenes. Un aspecto importante del procesamiento de imágenes es la capacidad de comparar y medir la similitud entre diferentes imágenes al proporcionar una forma de cuantificar la similitud entre imágenes utilizando diversas características como el contraste, la luminancia y la estructura. En general, la flexibilidad de las medidas de similitud permite ajustar el proceso de comparación para lograr los resultados deseados. Mientras que las medidas de similitud existentes no son lo suficientemente flexibles para abordar aspectos prácticos diversos y completos. Con este fin, utilizamos las normas triangulares (t-normas) para construir una clase inclusiva de medidas de similitud en este artículo. Como es bien sabido, cada t-norma posee atributos distintivos que permiten interpretaciones novedosas de las similitudes de imágenes. La clase propuesta de medidas de similitud estructural basadas en t-normas ofrece numerosas opciones para que los tomadores de decisiones consideren diversos problemas e interpreten los resultados de manera más amplia de acuerdo con sus objetivos. Para más detalles, en la sección de Experimentos, el método propuesto se aplica a imágenes en escala de grises y binarizadas y a un experimento específico relacionado con la meteorología. Finalmente, los diversos estudios de casos presentados confirman la eficiencia y las características clave de la similitud estructural basada en t-normas.