本发明涉及图片处理技术领域，尤其是一种自动寻找光照补偿参考图片的方法。
背景技术：
我国国土面积广阔，机场、高速公路、桥梁数目也在不断增加，这些公共基础设施的服务年限也在逐年增加；随着使用年限的增加，这些设施的道路自身使用功能不断下降的同时各种病害也会日益严重。因此，基础设施养护的一个巨大的需求就是及时发现和修补道路病害，保证使用的安全性和效率。进行基础设施道路养护的前提是对跑道状况进行检测和评估，这种检测主要包括道面表观检测和道路内部检测。以前，这些检测主要依靠人工和一些专用设备配合的方式，由于这些设备自动化程度低，体积较大，需要较多人力进行操作，效率较低下。
目前，已经出现了专门针对基础设施道路状况检测的智能自动化设备，这种设备通过智能定位导航技术，自主规划路径，可实现对道路的全覆盖检测。同时，这种设备搭载了多种不同类型和功能的传感装置，可以对道路表面和内部进行全方位检测。其中，采集表观信息的传感器主要由工业相机及配套光源组成，由于作业均在晚上，都需要靠光源照明，但是现有光源很难做到均匀照明，所有照片均呈现中间较亮，四周较暗，或中间较亮，两侧较暗的亮度分布规律，因此，在工业相机采集图像集上，要实现较好的拼接或损害识别效果，必须要对图像进行光照补偿。
要进行光照补偿，首先需要得到一些参考图片，这些图片要能较好的反映出光照亮度分布，因此图片应该是一段完整的、平坦的路面，无损坏，无异物，并且无人工喷涂标识。现有技术主要是通过人工找图，为了注意图片细节，需要打开每张图片进行浏览，效率低下；同时，如果图片过多，一般没法浏览所有的图片选择，因此人工挑选出的图片很可能不是最优的。目前还没有相应的能自动寻找光照补偿参考图片的方法。
技术实现要素：
针对上述不足之处，本发明提供了一种自动寻找光照补偿参考图片的方法，能自动寻找光照补偿参考图片，提高了寻找光照补偿参考图片的效率，图片精度高。
为了实现上述目的，本发明采用的技术方案如下：
一种自动寻找光照补偿参考图片的方法，包括如下步骤：
步骤一，依次读取图像集的每张图片，然后分别进行如下处理：
s1，求取每张图片像素亮度值的标准差，然后对标准差按从小到大的顺序进行排序，得到一个图片序列集l1；
s2，求取图片平均梯度，然后对图片按平均梯度按从小到大的顺序进行排序，得到一个图片序列集l2；
s3，寻找和统计图片暗色区域的角点数目，然后对图片按角点数目从小到大进行排序，得到一个图片序列集l3；
s4，寻找和统计图片亮色区域的角点数目，然后对图片按角点数目从小到大进行排序，得到一个图片序列集l4；
步骤二，根据每个图片集的图片总数n，设定一个比例p，分别取四个图片序列集l1、l2、l3、l4的前n*p张图片，得到四个子集，分别是subl1、subl2、subl3、subl4；
步骤三，求取subl1、subl2、subl3、subl4的交集，得到intsection子集；
步骤四，对intsection子集的图片每个位置的像素的亮度值都进行叠加，然后除以intsection子集图片总数，得到一张图片，该张图片每个像素的亮度都是intsection子集所有图片对应像素亮度的平均值，该图片即为光照补偿参考图片。
进一步的，求取图片平均梯度的方法为：求取每张图片每一行相邻像素的差，然后求取每张图片每一列相邻像素的差，将所有这些差值的绝对值相加求和，然后再除以整张图片的像素数，即得图片的平均梯度。
进一步的，寻找和统计暗色区域的角点数目的方法包括如下步骤:
(1)对图像进行均值滤波，去除噪点；
(2)对图像进行腐蚀操作，让深色区域扩大；
(3)对均值滤波和腐蚀后的图像寻找角点，并统计角点个数。
进一步的，寻找和统计亮色区域的角点数目的方法包括如下步骤：
(1)对图像进行均值滤波，去除噪点；
(2)对图像进行膨胀操作，让亮色区域扩大；
(3)对均值滤波和膨胀后的图像寻找角点，并统计角点个数。
与现有技术相比，本发明具有以下有益效果：
本发明融合多种判定手段，并且每种判定手段都是根据评价值排序后取最优，不需预先设定阈值，实用性广泛。相比于现有人工方法，本发明提高了寻找光照补偿参考图片的效率，同时能剔除含板缝或裂缝、包含喷漆、包含石子或地面指示灯等不能用作参考的图片，高效快速的找到符合要求的光照补偿参考图片，图片精度高。
附图说明
图1为本发明的流程示意图。
图2为不能用作参考的示例图片。
图3为均值滤波去除噪点前后的对比图一。
图4为腐蚀操作后的示例图。
图5为均值滤波和腐蚀后的示例图。
图6为均值滤波去除噪点前后的对比图二。
图7为膨胀操作后的示例图。
图8为均值滤波和膨胀后的示例图。
图9为本发明寻找的光照补偿参考图片的示例图。
图10膨胀操作的原理图。
图11腐蚀操作的原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
一种自动寻找光照补偿参考图片的方法，包括如下步骤：
步骤一，依次读取图像集的每张图片，其中，图像集的所有图片都是灰度图，如果不是要先转为灰度图，然后分别进行如下处理，：
s1，求取每张图片像素亮度值的标准差，然后对标准差按从小到大的顺序进行排序，得到一个图片序列集l1，因为如果一张图片上的像素明暗变化较大，那么图片的方差也会较大；
s2，求取图片平均梯度，然后对图片按平均梯度按从小到大的顺序进行排序，得到一个图片序列集l2；
s3，寻找和统计图片暗色区域的角点数目，然后对图片按角点数目从小到大进行排序，得到一个图片序列集l3，因为如果一个图片上包含较多图案或物体，那么它的角点应该会相对较多，其中，如果图像上某一个像素点在任意方向的微小变动都会引起灰度很大变化，就称这个点为角点；
s4，寻找和统计图片亮色区域的角点数目，然后对图片按角点数目从小到大进行排序，得到一个图片序列集l4；
步骤二，根据每个图片集的图片总数n，设定一个比例p，分别取四个图片序列集l1、l2、l3、l4的前n*p张图片，得到四个子集，分别是subl1、subl2、subl3、subl4，p的值由实际验证取值，以交集的图片不会太多也不太少为准，例如先取5％，如果交集的图片太少，就增大p值，例如10％；
步骤三，求取subl1、subl2、subl3、subl4的交集，得到intsection子集，这个交集内的图片就是本方法所寻找到的参考图片，因为这些图片用四种判断标准得到的评判值都比较小，可以认为它们是平滑的，完整的，没有病害的；
步骤四，对intsection子集的图片每个位置的像素的亮度值都进行叠加，然后除以intsection子集图片总数，得到一张图片，该张图片每个像素的亮度都是intsection子集所有图片对应像素亮度的平均值，该图片即为光照补偿参考图片，如图9所示。
其中，求取图片平均梯度的方法为：求取每张图片每一行相邻像素的差，然后求取每张图片每一列相邻像素的差，将所有这些差值的绝对值相加求和，然后再除以整张图片的像素数，即得图片的平均梯度。
寻找和统计暗色区域的角点数目的方法包括如下步骤:
(1)对图像进行均值滤波，去除噪点，如图3所示；
(2)对图像进行腐蚀操作，让深色区域扩大，变得更容易识别，例如板缝会变得更大，如图4所示；
(3)对均值滤波和腐蚀后的图像寻找角点，并统计角点个数，均值滤波和腐蚀后的图像如图5所示。
寻找和统计亮色区域的角点数目的方法包括如下步骤：
(1)对图像进行均值滤波，去除噪点，如图6所示；
(2)对图像进行膨胀操作，让亮色区域扩大，变得更容易识别，如图7所示；
(3)对均值滤波和膨胀后的图像寻找角点，并统计角点个数，均值滤波和膨胀后的图像如图8所示。
均值滤波是图像平滑处理的一种方法，平滑处理又称模糊处理，是一种用来消除图像噪点的方法。均值滤波是一种典型的线性滤波算法，其主要思路领域平均法，即用一片图像区域各个像素的均值来代替原图像中的各个像素值。具体操作方式是首先设定一个滤波内核，这个内核一般是一个n*n的方块矩阵，并且n为奇数。
被均值的那个点处于内核中心，所以n才是奇数。例如，对待处理的当前像素点(x,y)，选择一个3×3的内核矩阵
腐蚀和膨胀是数学形态学上的一种操作，使用在图像处理范畴，就是指对图像进行的一系列基于形状的操作。
膨胀和腐蚀原理的简单描述：膨胀是对像素的一个局部区域求取最大值，然后把这个最大值赋值给该区域的一个参考点。而又知道像素点的值阈值越大，体现该处越亮。进而可以知道，膨胀的操作使得图像中高亮的部分越来越大。即图片的高亮部分产生“膨胀”的效果。相反，图像的腐蚀操作就是膨胀的逆运算，即为求取局部最小值，然后赋值参考点。最终达到高亮部分越来越小。即对高亮部分有“腐蚀”作用。
按数学方面来说，膨胀或者腐蚀操作就是将图像(或图像的一部分区域，我们称之为a)与核(我们称之为b)进行卷积。
核可以是任何的形状和大小，它拥有一个单独定义出来的参考点，称其为锚点(anchorpoint)。多数情况下，核是一个小的中间带有参考点和实心正方形或者圆盘，其实，也可以把核视为模板或者掩码。
而膨胀就是求局部最大值的操作，核b与图形卷积，即计算核b覆盖的区域的像素点的最大值，并把这个最大值赋值给参考点指定的像素。这样就会使图像中的高亮区域逐渐增长，如图10所示。
膨胀的数学表达式：
腐蚀就是求局部最小值的操作，如图11所示。
腐蚀的数学表达式：
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。