[编辑]
解决这个问题的初始想法可能是这样的：
总体思路是，拍摄同一3D物体不同角度的图像比拍摄2D物体在类似条件下的图像之间的相关性要小。
其中一种验证方法可能是：1. 拍摄两张足够明亮（相机闪光灯）的图片。这些图片应该从物体平面尽可能远的角度拍摄。例如，一张在相机左侧45度拍摄，另一张在相机右侧以同样的角度拍摄。
提取ROI，进行透视校正。 找到这两张图像的组合的GLCM。如果GLCM的对比度较低，则为3D图像；否则为2D图像。 请原谅语言上的错误，欢迎修改建议。
这里的主要想法是，拍摄一个三维对象不同角度的图像与拍摄一个在相似条件下的二维对象的图像之间的关联性较小。
验证可能的方法之一是： 1. 拍摄两张足够亮度的图像（使用相机闪光灯），并尽可能远离对象平面拍摄。比如，在左侧以45度拍摄一张，然后以同样的角度在右侧拍摄另一张。
提取ROI，并进行透视校正。
找到这两个图像的组合的GLCM。如果GLCM的对比度较低，则为三维图像；否则为二维图像。
请谅解语言问题，欢迎编辑建议。
如果您可以获取另一张图像，它具有不同的角度或更锐利的角度或不同的照明条件，那么您可能会得到结果。然而，使用具有不同角度的两个经过校准的相机图像可以获得立体视觉图像，从而轻松解决您的问题。
这是一个相当复杂的问题，没有即插即用的解决方案。使用光（结构化或激光）或阴影来检测0.2毫米的高度几乎肯定不会有可接受的置信度，无论你拍摄多少“照片”。（这只是我的个人直觉，在计算机视觉中，我们通过实际测试来验证是否有效）。
GLCM是描述纹理的好特征，但据我所知，它被用于验证纹理中是否存在某种模式，因此，如果纹理中存在某种重复的模式，我相信它会输出正值，而对于2D打印文本，则会输出正值。
我会让计算机学习什么是文本，什么是纹理。只需提取大量的3D和2D数据，并使用机器学习引擎学习哪个是哪个。如果特征空间足够丰富，它可能能够找到一种区分一个与另一个的方法，以一种我们人类的思维无法做到的方式。特征空间应包括边缘和颜色特征。
如果系统环境稳定且受控，这种方法将特别有效，因为训练数据将与测试数据非常相似。
对于这个问题，我会先计算颜色和边缘特征（不同边缘和颜色通道上的局部图像像素总和），然后尝试使用增强分类器。当涉及到机器学习时，增强分类器并不是最先进的技术，但它们擅长不过度拟合（意味着您可以插入任意数量的数据），并且在稳定的环境中很可能有效。