Решение этой задачи существует.
Только слова "полную идентичность" надо выкинуть из условия. Они тут не имеют смысла и делают задачу нерешаемой. Когда уменьшали изображения, то сначала работал какой-то алгоритм интерполяции, а таких алгоритмов с десяток, может больше, каждый даст немножко другую картинку на выходе. Потом работал алгоритм сжатия с неизвестными параметрами. Т.е. варьируя параметры, можно из одного оригинала сделать тысячи (и даже миллионы) чуточку разных миниатюр. Они между собой не полностью идентичны (хотя многие на глаз не отличимы). Вам потребуется куча удачи (это не считая кучи сил и кучи времени), чтобы получилось подобрать все параметры. Поэтому забываем про "полную идентичность", будем строгими математическими методами искать самые похожие картинки. Если "похожесть" не превысила какой-то порог (условно, 97.1% или 99.5%), то говорим, что похожих не нашли вовсе.
Сравнивать будем катинки одного разрешения, поэтому либо уменьшаем большие, либо увеличиваем маленькие. И тут совсем не очевидно, что эффективнее сравнивать маленькие (т.к. теряем часть информации в обмен на скорость сравнения и более простой алгоритм), это достойно отдельного исследования, но для простоты всё же будем уменьшать оригиналы и сравнивать только миниатюры.
Итак, само сравнение (конечно, в цикле по всем картинкам). Попиксельно вычитаем одну картинку из другой. В случае "полной идентичности" разность должна выглядеть как полностью чёрный фон. Такого у нас не будет. Но нам надо искать "самую чёрную" разность картинок (на самом деле "модуль разности", я лишь для простоты объяснения говорю "разность"). Чем меньше светлых пикселей в разности, тем сильнее похожи картинки. В математике этим занимается раздел "методы оптимизации" (загуглить, взять в библиотеке учебник и т.д.). Критерий "черноты" надо ещё правильно выбрать. Но это уже дело техники. Задача не тривиальная, но решаемая.