CN113888536A - 一种基于计算机视觉的印刷品重影检测方法及系统 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于计算机视觉的印刷品重影检测方法及系统。该方法将印刷图像分割为多个色调区域图像，针对每个色典区域图像进行分析。根据灰度级将每个色调区域图像分割为多个灰度连通域群。根据灰度连通域群之间的方向一致性和距离一致性筛选出纹理分析连通域群组合。通过获得纹理分析连通域群组合中纹理分析连通域之间的纹理相似度，获得本影连通域群和重影连通域群。进一步通过本影连通域群和重影连通域群的重影距离判断是否存在重影。本发明实施例通过对图像像素本身关系进行分析，实现了对重影的精确检测，提高了检测过程的适用范围。

Description

一种基于计算机视觉的印刷品重影检测方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于计算机视觉的印刷品重影检测方法及系统。

背景技术

在印刷过程中，会因为印刷设备或者材料的影响导致印刷产品上出现重影。重影又称双印或双影，是指紧靠在图像网点旁边，出现了淡淡的同一颜色浅影。与重影对应的印刷本体信息称为本影。

重影会影响图像的阶掉和色彩还原，并且使图像的清晰度降低，严重影响了印刷品质。因此需要对重影进行有效检测，保证印刷质量。

在现有技术中，针对重影检测的方法包括差值图像法，互相关匹配法等，都需要标准图像作为模板，且受噪声和图像匹配精度的影响较大，检测效率不高。当印刷原稿或者某些文件不存在标准图像时，重影检测就受到了局限性。且没有冲图像层面对重影分析，无法对重影进行精准的识别。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于计算机视觉的印刷品重影检测方法及系统，所采用的技术方案具体如下：

本发明提出了一种基于计算机视觉的印刷品重影检测方法，所述方法包括：

获得印刷图像；根据像素点的像素值将所述印刷图像分割为多个色调区域图像；

将所述色调区域图像分割为多个灰度级区域；以属于同一灰度级的所述灰度级区域作为灰度连通域群；所述灰度连通域群中的每个灰度连通域之间的色调和灰度级均相同；

根据所述灰度连通域的位置将所述灰度连通域群中每个所述灰度连通域进行标号，获取所述灰度连通域之间的最短路径曲线；以所述灰度连通域群之间的所述最短路径曲线的相似度作为方向一致性；根据不同所述灰度连通域群中对应标号的所述灰度连通域之间的距离差异获得距离一致性；根据所述方向一致性和所述距离一致性的大小筛选出在预设一致性范围内的所述灰度连通域群的组合作为纹理分析连通域群组合；

获得所述纹理分析连通域群组合中每个纹理分析连通域的纹理信息；获得所述纹理分析连通域群组合中两个纹理分析连通域群对应标号的所述纹理分析连通域之间所述纹理信息的纹理相似度；以最大所述纹理相似度对应的所述纹理分析连通域群组合中灰度级大的所述纹理分析连通域群作为本影连通域群，灰度级小的作为重影连通域群；

根据所述本影连通域群和所述重影连通域群中对应标号的所述灰度连通域的距离获得重影距离；根据所述重影距离判断是否存在重影。

进一步地，所述获得印刷图像包括：

采集印刷产品图像；将所述印刷产品图像中送入预先训练好的语义分割网络中去除图像背景信息，获得所述印刷图像。

进一步地，所述根据像素点的像素值将所述印刷图像分割为多个色调区域图像包括：

根据像素值将所述印刷图像转换至HSV颜色空间中；获取HSV颜色空间中的色调信息；通过多阈值分割法获取多个所述色调信息的分割阈值；根据所述分割阈值分割出多个所述色调区域图像。

进一步地，所述根据所述灰度连通域的位置将所述灰度连通域群中每个所述灰度连通域进行标号包括：

获取每个所述灰度连通域的中心点的横纵坐标；根据所述横纵坐标的坐标和对所述灰度连通域进行升序排列；当所述坐标和相等时，选择横坐标大的所述灰度连通域的所述标号作为小标号；获得所述灰度连通域群中每个所述灰度连通域的标号。

进一步地，所述获取所述灰度连通域之间的最短路径曲线后还包括：

获得所述最短路径曲线对应的标号序列；获得所述标号序列中相邻所述标号之间的距离序列；

获得不同所述连通域群的所述标号序列的第一余弦相似度；获得不同所述连通域群的所述距离序列的第二余弦相似度；将所述第一余弦相似度和所述第二余弦相似度均小于预设第一相似度范围的所述连通域群去除。

进一步地，所述获得所述纹理分析连通域群中每个纹理分析连通域的纹理信息包括：

以所述纹理分析连通域的灰度共生矩阵作为所述纹理信息；所述灰度共生矩阵包括多个方向的共生矩阵。

进一步地，所述获得不同所述纹理分析连通域群中对应标号的所述纹理分析连通域之间所述纹理信息的纹理相似度包括：

所述纹理相似度为元素相似度和元素关系相似度的乘积；

以相同方向的所述共生矩阵的元素比值的均值作为对应方向的初始元素相似度；以所有方向的所述共生矩阵的所述初始元素相似度的均值作为所述元素相似度；

获得所述灰度共生矩阵的格拉姆矩阵；根据两个所述纹理分析连通域的所述格拉姆矩阵之间的元素比例的方差值获得元素关系相似度。

进一步地，所述根据两个所述纹理分析连通域的所述格拉姆矩阵之间的元素比例的方差值获得元素关系相似度包括：

根据元素关系相似度公式获得所述元素关系相似度；所述元素关系相似度公式包括：

其中，

为所述元素关系相似度，

为所述方差值。

本发明还提出了一种基于计算机视觉的印刷品重影检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于计算机视觉的印刷品重影检测方法的步骤。

本发明具有如下有益效果：

1.本发明实施例对于印刷图像从图像层面进行分析，将印刷图像分割为多个色调区域图像，针对每种颜色进行分析，提高检测精度和准确率。针对色调区域图像中不同灰度级的灰度连通域之间的方向一致性和距离一致性判断是否有可能出现重影。进一步根据纹理信息的相似性确定重影连通域的位置并获得重影距离，根据重影距离的大小判断是否存在重影缺陷。通过连通域之间位置一致性和纹理信息的一致性共同判断重影缺陷，保证了重影检测的准确性。

2.本发明实施例对于不同色调单独分析，使得可以确定出现重影的色调信息，从而辅助工作人员对缺陷进行针对性的修复。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于计算机视觉的印刷品重影检测方法流程图；

图2为本发明一个实施例所提供的一个最短路径示意图；

图3为本发明一个实施例所提供的一个灰度连通域一致性分析示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于计算机视觉的印刷品重影检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于计算机视觉的印刷品重影检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的印刷品重影检测方法流程图，该方法包括：

步骤S1：获得印刷图像；根据像素点的像素值将印刷图像分割为多个色调区域图像。

为了对印刷图像进行缺陷检测，可将相机部署至印刷机产出印刷产品的位置上方，使得相机可以拍摄出清楚完整的印刷产品图像。需要说明的是，相机拍摄的印刷产品图像中存在大量背景的影响，例如纸张或者其他载体的本身颜色，需要将背景信息进行去除，保证后续重影分析的顺利进行，具体包括：

将印刷产品图像中送入预先训练好的语义分割网络中去除图像背景信息，获得印刷图像。在本发明实施例中，语义分割网络采用本领域技术人员常用的深度卷积神经网络结构，具体训练过程包括：

（1）以大量印刷产品图像作为训练数据。将印刷像素标注为1，其他像素标注为0，获得标签数据。

（2）语义分割网络采用编码-解码结构，将训练数据和标签数据归一化后输入至网络中。语义分割编码器用于提取输入数据的特征，获得特征图。语义分割编码器将特征图进行采样变换，输出语义分割结果。根据语义分割结果生成掩膜，将掩膜与印刷图像相乘，去除背景信息。

（3）采用交叉熵损失函数对网络进行训练。

获取的印刷图像中为RGB图像，即像素值包括R、G、B三个通道值的分量，为了更精准的分析重影区域的颜色类别，需要将印刷图像中不同色调的区域进行分割，以使后续分析可以针对每个色调，具体包括：

根据像素值将印刷图像转换至HSV颜色空间中。获取HSV颜色空间中的色调信息。通过多阈值分割法获取多个色调信息的分割阈值。根据分割阈值分割出多个色调区域图像。

需要说明的是，HSV颜色空间的转换方法为本领域技术人员常用的技术手段，在此不做赘述。多阈值分割方法也为熟知的技术手段，在此简述本发明实施例中多阈值分割方法的过程：

（1）提取HSV颜色空间中色调通道的信息，获得色调通道图像。获取色调通道图像中的色调的最大最小值和每一色调的像素点个数。

（2）根据色调的最大最小值和每一色调的像素点个数计算色调通道图像的段内离差平方和矩阵。段内离差平方和反映了段内像素点与色调通道图图像内方差的偏离程度。

（3）获得所有可能的分割段数的直径矩阵和分割点，每种分割方法都对应一个段内离差平方和。以段内离差平方和最小的分割段数作为最优分割段数。通过递归方法获得最优分割段数的最小类间方差总进一步获得最优分割点。

（4）以最优分割段数和最优分割点作为分割阈值信息，将印刷图像分割为多个色调区域图像。

步骤S2：将色调区域图像分割为多个灰度级区域；以属于同一灰度级的灰度级区域作为灰度连通域群；灰度连通域群中的每个灰度连通域之间的色调和灰度级均相同。

因为重影与本影的色调信息应该一致，灰度值存在差异，即重影本影的颜色相同，但是深浅不同。因此对于每个色调区域图像还需要根据灰度级进行进一步分析。

将色调区域图像分割为多个灰度级区域。需要说明的是，灰度级可根据实际任务进行人为设定灰度级范围，在本发明实施例中，为了提高检测自动化，灰度级分割与色调分割使用相同的多阈值分割方法，根据图像信息自动获得灰度及分割范围，实现灰度级分割。并将不同灰度级的灰度级区域进行二值化，通过8连通域分析得到多个灰度连通域。以属于同一灰度级的灰度级区域作为灰度连通域群。

步骤S3：根据灰度连通域的位置将灰度连通域群中每个灰度连通域进行标号，获取灰度连通域之间的最短路径曲线；以灰度连通域群之间的最短路径曲线的相似度作为方向一致性；根据不同灰度连通域群中对应标号的灰度连通域之间的距离差异获得距离一致性；根据方向一致性和距离一致性的大小筛选出在预设一致性范围内的灰度连通域群的组合作为纹理分析连通域群组合。

根据先验知识可知，当一个颜色出现重影时，则印刷载体上的不同印刷区域的重影应保持与本影相似的分布规律，且不同印刷区域对应的重影的偏差距离应相似。为了分析两种相似的特征，需要先确定分析区域，具体包括：

根据灰度连通域的位置将灰度连通域群中每个灰度连通域进行标号，以便于后续对各区域分布的匹配分析。根据灰度连通域的位置获取灰度连通域之间的最短路径曲线。

优选的，标号规则具体包括：获取每个灰度连通域的中心点的横纵坐标。根据横纵坐标的坐标和对灰度连通域进行升序排列。当坐标和相等时，选择横坐标大的灰度连通域的标号作为小标号。获得灰度连通域群中每个灰度连通域的标号。请参阅图2，其示出了本发明实施例所提供的一个最短路径示意图。在图像坐标系中，每个灰度连通域的中心点都存在一个位置坐标。图2中一个圆点代表一个灰度连通域，即存在7个灰度连通域，将7个灰度连通域的坐标和进行升序排列。当坐标和相等时，如灰度连通域2和灰度连通域3的横纵坐标和均为四，但坐标为（2，2）的灰度连通域2的横坐标大于坐标为（1.3）的灰度连通域3的横坐标，因此将横纵坐标为（2，2）的灰度连通域标号为2，另一个标号为3。最终获得每个灰度连通域的标号及其最短路径曲线。

在本发明实施例中，通过迪杰斯特拉算法对灰度连通域群进行最短路径曲线分析。

需要说明的是，在图像处理过程中避免不了因为算法的缺陷导致出现误差，因此在获取每个灰度连通域群的最短路径曲线后，具体包括：

获得最短路径曲线对应的标号序列，如图2中的标号序列为[1，3，2，5，4，6，7]。获得标号序列中相邻标号之间的距离序列，如图2中的距离序列为[3，

，

，

，

，

]。

获得不同连通域群的标号序列的第一余弦相似度。获得不同连通域群的距离序列的第二余弦相似度。将第一余弦相似度和第二余弦相似度均小于预设第一相似度范围的连通域群去除。在本发明实施例中，第一相似度范围设置为0.9，认为相似度小于0.9的两个连通域群关联性较小或存在误差，没有必要进行重影分析。

请参阅图3，其示出了本发明一个实施例所提供的灰度连通域一致性分析示意图，深色的区域群为本影连通域群，浅色的区域群为重影连通域群。如果本影存在重影，则本影的最短路径曲线与重影的最短路径曲线应一致，即灰度连通域的分布应一致，如图3中的虚线所示，虚线为最短路径，深色为本影，浅色为重影，本影与重影的分布应是相同的，即最短路径曲线应该相似；进一步地，如果本影存在重影，则本影对应的灰度连通域群中的所有灰度连通域与重影对应的灰度连通域之间的距离应该相似。如图3中的实线所示，对应标号的灰度连通域之间存在相同的偏移距离。因此以灰度连通域群之间的最短路径曲线的相似度作为方向一致性，根据不同灰度连通域群中对应标号的灰度连通域之间的距离差异获得距离一致性。

在本发明实施例中，获得两个最短路径曲线每小段路径的正切值序列，根据正切值序列的熵获得方向一致性，熵越小，方向一致性越大。以欧式距离作为对应标号的灰度连通域之间的距离，获得距离差异序列，根据距离差异序列的熵获得距离一致性，熵越小，方向一致性越大。

根据方向一致性和距离一致性的大小筛选出在预设一致性范围内的灰度连通域群作为纹理分析连通域群组合。在本发明实施例中，一致性范围设置为方向一致性和距离一致性大小的前五名，即方向一致性和距离一致性的大小均排名前五的灰度连通域群的组合作为纹理分析连通域组合，针对这五组纹理分析连通域组合进行纹理分析。

需要说明的是，纹理分析连通域组合之间可能存在相同的纹理分析连通域，如第一组纹理分析连通域组合为灰度级1和灰度级2的组合，第二组纹理分析连通域组合为灰度级1和灰度级3的组合，需要对纹理分析连通域组合进行纹理分析，以筛选出正确的本影重影组合。

步骤S4：获得纹理分析连通域群组合中每个纹理分析连通域的纹理信息；获得纹理分析连通域群组合中两个纹理分析连通域群对应标号的纹理分析连通域之间纹理信息的纹理相似度；以最大纹理相似度对应的纹理分析连通域群组合中灰度级大的纹理分析连通域群作为本影连通域群，灰度级小的作为重影连通域群。

纹理分析连通域群组合表示两个灰度连通域群之间位置存在关联，但是如果印刷信息中存在色彩渐变的因素，则仍会认为是纹理分析连通域群组合，因此需要对纹理分析连通域的纹理信息进行分析，确定出准确的重影区域。

重影和本影可视为不同灰度级的相同纹理模式区域的平移，因此可获得纹理分析连通域群组合中两个纹理分析连通域群对应标号的纹理分析连通域之间纹理信息的纹理相似度。以最大纹理相似度对应的纹理分析连通域群组合中灰度级大的纹理分析连通域群作为本影连通域群，灰度级小的作为重影连通域群。

优选的，以纹理分析连通域的灰度共生矩阵作为纹理信息。灰度共生矩阵包括四个方向的共生矩阵。灰度共生矩阵的获取方法为本领域技术人员熟知的现有技术，在此不做赘述，仅简要概述本发明实施例中的获取方法：

将纹理分析连通域的灰度进行量化，需要说明的是，纹理分析连通域组合中的所有纹理分析连通域的灰度量化方法相同。量化等级为小于

的最大整数值，其中，

为纹理分析连通域组合中的所有纹理分析连通域中最大的灰度值，

为纹理分析连通域组合中的所有纹理分析连通域中最小的灰度值。根据像素点的8邻域范围进行分析获得灰度共生矩阵，灰度共生矩阵中包括多个方向的共生矩阵，矩阵中每个元素表示像素对的出现次数。在本发明实施例中，灰度共生矩阵中包括上下左右四个方向的共生矩阵。

灰度共生矩阵可以有效的反映纹理分析连通域中的纹理信息，因此可根据对应标号的纹理分析连通域的灰度共生矩阵之间的相似度作为纹理相似度，具体的，纹理相似度的获取方法包括：

纹理相似度为灰度共生矩阵之间的元素相似度和元素关系相似度的乘积。

元素相似度是通过灰度共生矩阵中的数量统计信息计算得到的相似度，具体包括：以相同方向的共生矩阵的元素比值的均值作为对应方向的初始元素相似度。需要说明的是，元素比值中数值较大的元素作为分母。以四个方向的初始元素相似度的均值作为元素相似度。元素相似度反映了两个灰度共生矩阵的元素之间的相似情况，因为是根据元素比值获得的，因此元素相似度越接近1，则说明两个灰度共生矩阵中元素越接近。

元素关系相似度是通过计算纹理信息分布情况一致性得到的相似度，具体包括：

获得灰度共生矩阵的格拉姆矩阵。格拉姆矩阵表示的是灰度共生矩阵与其的转置矩阵之间的相关性。格拉姆矩阵中每个元素都是一个内积的结果，对于重影及本影而言，其对应的格拉姆矩阵中的数值应接近线性关系，因此可通过计算两个格拉姆矩阵的元素比值的方差值确定两个灰度共生矩阵之间的元素关系是否相同，方差值越小，则说明两个灰度共生矩阵的元素关系 的相似性越大。具体的，元素关系相似度的获取方法包括：

根据元素关系相似度公式获得元素关系相似度；元素关系相似度公式包括：

其中，

为元素关系相似度，

为方差值。方差值越大，则元素关系相似度越小，当方差为1时，说明两个灰度共生矩阵之间的不存在元素关系相似，即元素关系相似度为0。

在本发明实施例中，步骤S3筛选出了五组纹理分析连通域群组合用于分析纹理相似度，因此可获得五组纹理相似度数据，因为纹理分析连通域群组合中的两个纹理分析连通域群的分布情况已经属于本影和重影的分布，因此最大的纹理相似度对应的纹理分析连通域群组合为本影和重影的组合，以最大纹理相似度对应的纹理分析连通域群组合中灰度级大的纹理分析连通域群作为本影连通域群，灰度级小的作为重影连通域群。本影连通域群和重影连通域群之间的连通域分布特征一致，且纹理相似。

步骤S5：根据本影连通域群和重影连通域群中对应标号的灰度连通域的距离获得重影距离；根据重影距离判断是否存在重影。

通过每个色调区域图像的分析，可获得每个颜色对应的重影距离，根据重影距离判断对应的颜色是否出现重影。

因为本发明实施例是在图像像素层面进行分析，因此需要判断重影距离是否在人眼可视范围内，因为不同图像处理系统的精度不同，因此判断范围需要根据具体任务进行设置，在此不做限定。若根据重影距离判断出现了重影，则将重影区域占图像的比例作为重影缺陷的严重程度。

综上所述，本发明实施例将印刷图像分割为多个色调区域图像，针对每个色典区域图像进行分析。根据灰度级将每个色调区域图像分割为多个灰度连通域群。根据灰度连通域群之间的方向一致性和距离一致性筛选出纹理分析连通域群组合。通过获得纹理分析连通域群组合中纹理分析连通域之间的纹理相似度，获得本影连通域群和重影连通域群。进一步通过本影连通域群和重影连通域群的重影距离判断是否存在重影。本发明实施例通过对图像像素本身关系进行分析，实现了对重影的精确检测，提高了检测过程的适用范围。

本发明还提出了一种基于计算机视觉的印刷品重影检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于计算机视觉的印刷品重影检测方法的步骤。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于计算机视觉的印刷品重影检测方法，其特征在于，所述方法包括：

获得印刷图像；根据像素点的像素值将所述印刷图像分割为多个色调区域图像；

将所述色调区域图像分割为多个灰度级区域；以属于同一灰度级的所述灰度级区域作为灰度连通域群；所述灰度连通域群中的每个灰度连通域之间的色调和灰度级均相同；

根据所述灰度连通域的位置将所述灰度连通域群中每个所述灰度连通域进行标号，获取所述灰度连通域之间的最短路径曲线；以所述灰度连通域群之间的所述最短路径曲线的相似度作为方向一致性；根据不同所述灰度连通域群中对应标号的所述灰度连通域之间的距离差异获得距离一致性；根据所述方向一致性和所述距离一致性的大小筛选出在预设一致性范围内的所述灰度连通域群的组合作为纹理分析连通域群组合；

获得所述纹理分析连通域群组合中每个纹理分析连通域的纹理信息；获得所述纹理分析连通域群组合中两个纹理分析连通域群对应标号的所述纹理分析连通域之间所述纹理信息的纹理相似度；以最大所述纹理相似度对应的所述纹理分析连通域群组合中灰度级大的所述纹理分析连通域群作为本影连通域群，灰度级小的作为重影连通域群；

根据所述本影连通域群和所述重影连通域群中对应标号的所述灰度连通域的距离获得重影距离；根据所述重影距离判断是否存在重影。

2.根据权利要求1所述的一种基于计算机视觉的印刷品重影检测方法，其特征在于，所述获得印刷图像包括：

采集印刷产品图像；将所述印刷产品图像中送入预先训练好的语义分割网络中去除图像背景信息，获得所述印刷图像。

3.根据权利要求1所述的一种基于计算机视觉的印刷品重影检测方法，其特征在于，所述根据像素点的像素值将所述印刷图像分割为多个色调区域图像包括：

根据像素值将所述印刷图像转换至HSV颜色空间中；获取HSV颜色空间中的色调信息；通过多阈值分割法获取多个所述色调信息的分割阈值；根据所述分割阈值分割出多个所述色调区域图像。

4.根据权利要求1所述的一种基于计算机视觉的印刷品重影检测方法，其特征在于，所述根据所述灰度连通域的位置将所述灰度连通域群中每个所述灰度连通域进行标号包括：

获取每个所述灰度连通域的中心点的横纵坐标；根据所述横纵坐标的坐标和对所述灰度连通域进行升序排列；当所述坐标和相等时，选择横坐标大的所述灰度连通域的所述标号作为小标号；获得所述灰度连通域群中每个所述灰度连通域的标号。

5.根据权利要求1所述的一种基于计算机视觉的印刷品重影检测方法，其特征在于，所述获取所述灰度连通域之间的最短路径曲线后还包括：

获得所述最短路径曲线对应的标号序列；获得所述标号序列中相邻所述标号之间的距离序列；

获得不同所述连通域群的所述标号序列的第一余弦相似度；获得不同所述连通域群的所述距离序列的第二余弦相似度；将所述第一余弦相似度和所述第二余弦相似度均小于预设第一相似度范围的所述连通域群去除。

6.根据权利要求1所述的一种基于计算机视觉的印刷品重影检测方法，其特征在于，所述获得所述纹理分析连通域群中每个纹理分析连通域的纹理信息包括：

以所述纹理分析连通域的灰度共生矩阵作为所述纹理信息；所述灰度共生矩阵包括多个方向的共生矩阵。

7.根据权利要求6所述的一种基于计算机视觉的印刷品重影检测方法，其特征在于，所述获得不同所述纹理分析连通域群中对应标号的所述纹理分析连通域之间所述纹理信息的纹理相似度包括：

所述纹理相似度为元素相似度和元素关系相似度的乘积；

以相同方向的所述共生矩阵的元素比值的均值作为对应方向的初始元素相似度；以所有方向的所述共生矩阵的所述初始元素相似度的均值作为所述元素相似度；

获得所述灰度共生矩阵的格拉姆矩阵；根据两个所述纹理分析连通域的所述格拉姆矩阵之间的元素比例的方差值获得元素关系相似度。

8.根据权利要求7所述的一种基于计算机视觉的印刷品重影检测方法，其特征在于，所述根据两个所述纹理分析连通域的所述格拉姆矩阵之间的元素比例的方差值获得元素关系相似度包括：

根据元素关系相似度公式获得所述元素关系相似度；所述元素关系相似度公式包括：

其中，

为所述元素关系相似度，

为所述方差值。

9.一种基于计算机视觉的印刷品重影检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~8任意一项所述方法的步骤。

Images