CN117221736B - 低照度亮清采集的自动调节ai相机*** - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及低照度亮清采集的自动调节AI相机***。所述***包括：模板图像获取单元，配置用于获取多张亮清度高于设定值的图像作为模板图像组；实时图像获取单元，配置用于获取目标场景的实时图像；图像恢复单元，配置用于基于实时图像进行图像恢复，得到恢复图像，并计算恢复图像的灰度值；图像质量评价单元，配置用于将信息熵作为恢复图像的质量值，同时计算恢复图像的亮清度；自适应调整单元，配置用于自适应调整相机的光圈大小和聚焦距离。本发明通过智能地自适应调整光圈大小和聚焦距离，实现了在各种光照条件下捕获高质量图像的能力，从而增强了图像质量、提高了操作效率。

Description

低照度亮清采集的自动调节AI相机***

技术领域

本发明属于图像处理技术领域，具体涉及低照度亮清采集的自动调节AI相机***。

背景技术

低照度环境下的图像采集一直是摄像领域的一个挑战。在许多应用场景中，例如夜间监控、地下探测、深海观测等，光线条件可能极为有限。在这些情况下，传统的图像采集技术可能无法提供满意的结果，图像可能显得模糊、失真或者细节丢失。

现有的解决方案通常依赖于硬件改进，例如使用更敏感的图像传感器，或者增加补光设备。另一方面，也有一些软件算法尝试通过后处理来改善低光照下的图像质量。然而，这些方法都有其局限性。硬件改进可能会增加***的复杂性和成本，而软件后处理可能无法完全恢复图像的所有细节。

此外，低光照环境下的聚焦和光圈调节也是一个复杂问题。光圈和聚焦的自动调节通常依赖于图像的对比度和清晰度，但在低光照条件下，这些特征可能难以准确检测。人工调节可能受到操作者经验和判断能力的限制，缺乏一致性和可重复性。

总的来说，低照度环境下的图像采集问题远未得到满意的解决。现有的硬件和软件方案通常相互独立，缺乏整体优化。自动调节技术可能在复杂和变化的光线条件下失效。综合的、自适应的解决方案仍然是一个未满足的需求。

发明内容

本发明的主要目的在于提供低照度亮清采集的自动调节AI相机***，本发明通过智能地自适应调整光圈大小和聚焦距离，实现了在各种光照条件下捕获高质量图像的能力，从而增强了图像质量、提高了操作效率。

为了解决上述问题，本发明的技术方案是这样实现的：

低照度亮清采集的自动调节AI相机***，所述***包括：模板图像获取单元，配置用于获取多张亮清度高于设定值的图像作为模板图像组，并记录获取每个图像时的光圈大小和聚焦距离；所述亮清度定义为图像的亮度和清晰度加权平均值；实时图像获取单元，配置用于获取目标场景的实时图像；图像恢复单元，配置用于基于实时图像进行图像恢复，得到恢复图像，并计算恢复图像的灰度值；图像质量评价单元，配置用于基于恢复图像的灰度值，计算恢复图像的信息熵，将信息熵作为恢复图像的质量值，同时计算恢复图像的亮清度；自适应调整单元，配置用于首先将计算得到的恢复图像的亮清度与模板图像组中的每个图像的亮清度进行差值计算，从而得到多个差值组成的差值集合，计算差值集合中所有差值的标准差；基于计算出的标准差和恢复图像的质量值，自适应调整相机的光圈大小和聚焦距离，以使得相机在后续获取到的目标场景实时图像的质量值超过设定的第一阈值，以及亮清度超过设定的第二阈值。

进一步的，所述图像的清晰度的计算方法包括：将图像转换为灰度图像；使用Sobel算子或Prewitt滤波器，计算灰度图像中每个像素的梯度值，生成一个梯度图像，其中每个像素表示原始的图像中相应位置的梯度大小；计算梯度图像的梯度直方图特征作为原始的图像的清晰度；所述图像的亮度为灰度图像的灰度值，灰度值越高，则原始的图像亮度越高。

进一步的，所述图像恢复单元，基于实时图像进行图像恢复，得到恢复图像的方法包括：

步骤1：对实时图像进行初始化估计，具体包括：选择均匀初始点扩散函数作为实时图像的初始模糊估计，将实时图像本身作为图像的初始清晰估计；

步骤2：进行图像清晰估计，具体包括：固定初始模糊估计，进行图像清晰估计，得到图像清晰估计中间结果；

步骤3：进行图像模糊估计，具体包括：固定初始清晰估计，进行图像模糊估计，得到图像模糊估计中间结果；

步骤4：对图像清晰估计结果和图像模糊估计结果作图像差值运算，得到最终的恢复图像。

进一步的，所述步骤2中固定初始模糊估计，进行图像清晰估计，得到图像清晰估计中间结果的方法包括：使用梯度下降法最小化下列损失函数以进行图像清晰估计：

；

其中，是初始清晰估计，/>是初始模糊估计，/>是正则化项，/>是正则化参数；为得到的图像清晰估计中间结果；/>为卷积运算。

进一步的，所述步骤3中固定初始清晰估计，进行图像模糊估计，得到图像模糊估计中间结果的方法包括：通过期望最大化法最小化下列目标函数以进行图像模糊估计：

；

其中，是L2范数的平方，/>和/>是关于/>和/>的正则化项；/>为得到的图像模糊估计中间结果。

进一步的，所述图像质量评价单元，基于恢复图像的灰度值，计算恢复图像的信息熵的方法包括：使用如下公式计算恢复图像的信息熵：

；

其中，是图像的信息熵，/>是像素值为/>的概率，/>是像素值的范围；/>为一个参数，用于调整信息熵的计算。

进一步的，所述自适应调整单元包括：标准差计算部分、光圈大小调整部分和聚焦距离调整部分；所述标准差计算部分配置用于首先将计算得到的恢复图像的亮清度与模板图像组中的每个图像的亮清度进行差值计算，从而得到多个差值组成的差值集合，计算差值集合中所有差值的标准差；所述光圈大小调整部分基于计算出的标准差和恢复图像的质量值，使用预设的光圈调整模型自适应调整相机的光圈大小；所述聚焦距离调整部分，配置用于基于计算出的标准差和恢复图像的质量值，使用预设的聚焦调整模型自适应调整相机的聚焦距离。以使得相机在后续获取到的目标场景实时图像的质量值超过设定的第一阈值，以及亮清度超过设定的第二阈值

进一步的，所述光圈调整模型使用如下公式进行表示：

；

其中，为计算出的调整后的光圈大小，光圈大小调整部分基于/>的值调整光相机的光圈大小；/>为第一阈值，/>为第二阈值，/>为相机获取实时图像时的光圈大小；/>为第一调整系数，取值范围为10~20；/>为第二调整系数，取值范围为5~9；/>代表其他图像质量度量，即标准差。

进一步的，所述聚焦调整模型使用如下公式进行表示：

；

其中，为计算出的调整后的聚焦距离，聚焦距离调整部分基于/>的值调整光相机的聚焦距离；/>为第一阈值，/>为第二阈值，/>为相机获取实时图像时的聚焦距离；为第三调整系数，取值范围为0.6~0.95；/>为第四调整系数，取值范围为1.5~3。

本发明的低照度亮清采集的自动调节AI相机***，具有以下有益效果：

增强图像质量：通过先进的清晰度和模糊估计算法，***可以自动调整和优化图像质量，确保在低光照环境下也能捕获清晰、准确的图像。这一点在许多关键应用场景中尤为重要，如夜间监控、医疗成像等。

智能自适应调节：***不仅能够根据实时图像的亮清度自动调整光圈大小，还能够自适应调整聚焦距离。这一整合的解决方案提供了一个全方位的自动控制***，减少了人工干预的需要，同时增加了响应速度和精确度。

降低硬件要求：传统的低照度图像采集可能依赖于昂贵的硬件解决方案。本发明通过先进的算法和自适应控制，能够在普通硬件上实现高质量的图像采集，从而降低了整体***成本。

灵活和通用：本发明不仅适用于特定的低光照应用场景，还能够在各种不同的光照条件下工作。这一通用性使得它可以广泛应用于不同的领域和环境，从工业检测到户外探险，都能发挥其优势。

提高操作效率：人工调节光圈和聚焦可能是一个耗时和技能密集的过程。通过自动化这些任务，操作者可以更专注于其他更关键的任务，从而提高整体操作效率和效果。

附图说明

图1为本发明实施例提供的低照度亮清采集的自动调节AI相机***的方法流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

实施例1：参考图1，低照度亮清采集的自动调节AI相机***，所述***包括：模板图像获取单元，配置用于获取多张亮清度高于设定值的图像作为模板图像组，并记录获取每个图像时的光圈大小和聚焦距离；所述亮清度定义为图像的亮度和清晰度加权平均值；实时图像获取单元，配置用于获取目标场景的实时图像；图像恢复单元，配置用于基于实时图像进行图像恢复，得到恢复图像，并计算恢复图像的灰度值；图像质量评价单元，配置用于基于恢复图像的灰度值，计算恢复图像的信息熵，将信息熵作为恢复图像的质量值，同时计算恢复图像的亮清度；自适应调整单元，配置用于首先将计算得到的恢复图像的亮清度与模板图像组中的每个图像的亮清度进行差值计算，从而得到多个差值组成的差值集合，计算差值集合中所有差值的标准差；基于计算出的标准差和恢复图像的质量值，自适应调整相机的光圈大小和聚焦距离，以使得相机在后续获取到的目标场景实时图像的质量值超过设定的第一阈值，以及亮清度超过设定的第二阈值。

具体的，***通过将亮度和清晰度结合成一个加权平均值的亮清度指标，进一步利用模板图像组进行实时图像的比较和调整，实现了对低照度情况下图像质量的有效优化。自适应调整单元也是一个创新点，它通过计算标准差和质量值来动态调整相机的光圈大小和聚焦距离，使相机在不同的环境光照下能够获得高质量的图像。这一设计可以在自动化的情景下，如无人驾驶、机器人视觉等领域提供更好的适应性和表现。

整个***通过与一组模板图像的动态比较，不断调整相机的物理参数以适应不同的照明环境。这不仅可以提高低照度环境下的图像质量，而且通过灵活的自适应机制，能够在不同的应用场景中提供稳定的性能。

与传统的相机***相比，该专利描述的***利用了先进的图像处理和分析技术，实现了对图像质量的细粒度控制。通过集成信息熵、灰度值、标准差等多个指标，它能够更准确地理解和响应不同的照明条件，从而实现了更高的图像质量和自适应性。

实施例2：所述图像的清晰度的计算方法包括：将图像转换为灰度图像；使用Sobel算子或Prewitt滤波器，计算灰度图像中每个像素的梯度值，生成一个梯度图像，其中每个像素表示原始的图像中相应位置的梯度大小；计算梯度图像的梯度直方图特征作为原始的图像的清晰度；所述图像的亮度为灰度图像的灰度值，灰度值越高，则原始的图像亮度越高。

具体的，在清晰度计算中，通过消除颜色信息，灰度图像使得算法可以专注于图像的亮度变化。这有助于检测边缘和纹理，是评估图像清晰度的基础。使用Sobel算子或Prewitt㠊波器计算梯度值：这两个滤波器都是空间卷积滤波器，用于检测图像中的边缘。

Sobel算子：主要用于边缘检测，计算每个像素点的梯度强度和方向。Sobel算子与图像卷积后可以得到水平和垂直方向的梯度。

；

其中，是原始图像，/>表示卷积运算。梯度强度和方向可以通过以下公式计算：

；

Prewitt滤波器：类似于Sobel算子，但使用不同的卷积核。与Sobel相比，Prewitt对噪声不太敏感。

梯度图像表示了原始图像中每个像素位置的梯度大小，体现了图像的边缘信息。通过对梯度图像的梯度直方图特征进行分析，可以得到图像的清晰度指标。直方图可以反映图像梯度的分布情况，从而提供了对图像清晰度的量化度量。亮度计算灰度值为图像的亮度：灰度图像中每个像素的灰度值直接反映了图像的亮度。灰度值越高，图像亮度越高。

通过结合梯度和灰度分析，该方法提供了一种可靠的方式来量化图像的清晰度和亮度。清晰度的计算考虑了边缘和纹理的复杂性，反映了图像的细节丰富程度。亮度的计算则捕捉了图像的整体光照条件。这两个因素合并成一个加权平均值，形成了前述的“亮清度”指标，为自动调节AI相机***提供了一种创新的质量度量和调整机制。

实施例3：所述图像恢复单元，基于实时图像进行图像恢复，得到恢复图像的方法包括：

步骤1：对实时图像进行初始化估计，具体包括：选择均匀初始点扩散函数作为实时图像的初始模糊估计，将实时图像本身作为图像的初始清晰估计；点扩散函数（PointSpreadFunction，PSF）描述了一个点对象在成像***中如何被扩散和展开。使用均匀的PSF意味着最初假设图像中的每个点都被均匀扩散。这个假设提供了模糊的初始估计。开始时，没有任何关于实时图像清晰度的额外信息，所以使用实时图像本身作为初始估计是合理的。

步骤2：进行图像清晰估计，具体包括：固定初始模糊估计，进行图像清晰估计，得到图像清晰估计中间结果；

步骤3：进行图像模糊估计，具体包括：固定初始清晰估计，进行图像模糊估计，得到图像模糊估计中间结果；

步骤4：对图像清晰估计结果和图像模糊估计结果作图像差值运算，得到最终的恢复图像。这种方法通过交替估计清晰度和模糊度，更灵活地适应了不同类型的模糊和噪声。这使得该***在一系列复杂和动态的环境下都能取得良好的恢复效果。

实施例4：所述步骤2中固定初始模糊估计，进行图像清晰估计，得到图像清晰估计中间结果的方法包括：使用梯度下降法最小化下列损失函数以进行图像清晰估计：

；

其中，是初始清晰估计，/>是初始模糊估计，/>是正则化项，/>是正则化参数；为得到的图像清晰估计中间结果；/>为卷积运算。

具体的，损失函数的组成：

第一部分：：这一部分的目的是通过比较初始清晰估计/>和其与初始模糊估计/>卷积后的结果来计算图像的清晰度。/>表示清晰图像/>与模糊核/>的卷积。这一卷积运算模拟了图像模糊的过程。通过最小化/>和/>之间的差异，可以找到一个清晰度较高的图像估计，使其在与模糊核卷积后与初始清晰估计尽量接近。

第二部分：：这一部分是正则化项，其目的是防止过拟合，确保估计的清晰图像具有合理的平滑性和自然外观。/>是正则化函数，包括诸如图像梯度的平方和等。/>是正则化参数，用于控制正则化项对损失函数的影响权重。较大的/>值将增强平滑效果，导致估计结果过于平滑；较小的/>值则导致过拟合。使用梯度下降法最小化损失函数可以找到使损失函数取最小值的清晰度估计/>。梯度下降是一种迭代优化算法，通过逐步沿着损失函数梯度的反方向更新/>，逼近损失函数的最小值。此步骤通过最小化一个综合考虑图像重建误差和平滑性的损失函数，实现了图像的清晰度估计。使用梯度下降法，***能够找到一组适当的参数，使得重建的图像既能接近初始清晰估计，又具有良好的平滑特性。这一方法在计算机视觉和图像处理领域具有一定的创新性，通过损失函数将图像重建和平滑性同时考虑，避免了过拟合问题，使得图像恢复更加自然和准确。

实施例5：所述步骤3中固定初始清晰估计，进行图像模糊估计，得到图像模糊估计中间结果的方法包括：通过期望最大化法最小化下列目标函数以进行图像模糊估计：

；

其中，是L2范数的平方，/>和/>是关于/>和/>的正则化项；/>为得到的图像模糊估计中间结果。

具体的，目标函数的组成：

第一部分：：此部分的目的是找到一个模糊核/>，使得其与初始清晰估计/>的卷积后的结果尽量接近原始图像/>。/>表示模糊核/>与清晰图像/>的卷积，模拟了图像的模糊过程。/>是L2范数的平方，用来衡量卷积后的图像与原始图像之间的误差。通过最小化这个误差，可以得到能够合理解释观察到的模糊核估计。

第二部分：：这一部分是正则化项，包括关于清晰图像估计/>和模糊核的正则化。正则化项的目的是确保找到的模糊核/>和清晰图像/>具有良好的性质，例如平滑性或稀疏性等。这可以防止在优化过程中出现过拟合问题。期望最大化方法期望最大化(EM)方法是一种迭代优化技术，常用于统计中概率模型参数的估计。EM方法用于迭代地优化目标函数，通过交替地固定一组变量并优化另一组变量，逐渐找到目标函数的最小值。步骤3的方法通过合并重建误差和正则化项来进行模糊估计。与之前的清晰度估计步骤相结合，这一步为图像的恢复提供了双向的优化路径：一方面优化清晰图像估计，另一方面优化模糊核估计。通过这种交替优化的方法，***能够更准确地恢复原始清晰图像，同时考虑了模糊效果的估计。这一步骤与现有技术的主要区别在于它采用了一种联合优化模糊核和清晰图像的方法，通过考虑两者之间的相互依赖关系，实现了更准确的图像恢复。正则化项的引入进一步确保了解的合理性和鲁棒性，增强了该方法的创新性和实用性。

实施例6：所述图像质量评价单元，基于恢复图像的灰度值，计算恢复图像的信息熵的方法包括：使用如下公式计算恢复图像的信息熵：

；

其中，是图像的信息熵，/>是像素值为/>的概率，/>是像素值的范围；/>为一个参数，用于调整信息熵的计算。

具体的，：信息熵，衡量图像信息的丰富程度。信息熵越大，图像的复杂性越高。/>：求和符号，对所有的像素值进行遍历，其中/>是像素值的范围。例如，对于8位灰度图像，/>，即像素值的范围是0到255。/>：是一个与信息熵计算有关的加权系数。其中的/>是一个参数，用来调整信息熵的计算。/>：像素值为/>的概率，即灰度值为/>的像素在整个图像中所占的比例。/>：以2为底的对数，反映了像素值为/>的信息量。信息熵的计算反映了图像的复杂性和信息丰富程度。在图像处理中，信息熵经常用于评估图像质量。例如，高熵的图像通常包含许多不同的灰度级别和复杂的纹理，而低熵的图像看起来更平坦和模糊。此方法通过计算信息熵来评估图像质量，这在许多图像处理技术中是常见的。然而，具体的公式根据不同的应用和需求有所不同。此处的加权系数/>为该方法提供了信息熵计算的调整能力，使其能够更精确地反映特定类型的图像质量。

实施例7：所述自适应调整单元包括：标准差计算部分、光圈大小调整部分和聚焦距离调整部分；所述标准差计算部分配置用于首先将计算得到的恢复图像的亮清度与模板图像组中的每个图像的亮清度进行差值计算，从而得到多个差值组成的差值集合，计算差值集合中所有差值的标准差；所述光圈大小调整部分基于计算出的标准差和恢复图像的质量值，使用预设的光圈调整模型自适应调整相机的光圈大小；所述聚焦距离调整部分，配置用于基于计算出的标准差和恢复图像的质量值，使用预设的聚焦调整模型自适应调整相机的聚焦距离。以使得相机在后续获取到的目标场景实时图像的质量值超过设定的第一阈值，以及亮清度超过设定的第二阈值。

实施例8：所述光圈调整模型使用如下公式进行表示：

；

其中，为计算出的调整后的光圈大小，光圈大小调整部分基于/>的值调整光相机的光圈大小；/>为第一阈值，/>为第二阈值，/>为相机获取实时图像时的光圈大小；/>为第一调整系数，取值范围为10~20；/>为第二调整系数，取值范围为5~9；/>代表其他图像质量度量，即标准差。

具体的，这个光圈调整模型使用了一个结合了信息熵、两个阈值/>和/>、当前光圈大小/>，以及两个调整系数/>和/>的复合公式。下面，将分析这个模型的组成部分，解释它们是如何共同工作来调整光圈大小的。信息熵的影响：信息熵/>通常用于度量图像的复杂性。一个具有更高信息熵的图像通常包含更多的细节和对比度。与第一阈值/>的差值的对数表示与理想情况的偏差，它被乘以当前光圈大小/>和第一调整系数/>来计算调整量。其他参数的影响：类似地，表达式的第二部分使用第二阈值/>和另一个变量/>(代表其他图像质量度量)来计算第二个调整量。这部分也考虑了当前光圈大小/>和第二调整系数/>。调整系数：参数/>和/>是调整系数，它们控制光圈调整的灵敏度。这些值可以根据特定应用或场景的需求进行调整。例如，如果相机需要对光线变化非常敏感，那么可以选择/>和/>的较高值。阈值：/>和/>是预设阈值，它们可以根据所需的图像质量或特定场景的要求进行设置。这些阈值与实际图像质量度量(如信息熵)的差值表示调整的必要性程度。这个光圈调整模型通过整合图像的信息熵、当前光圈大小和一些预设参数来动态调整光圈。这样的设计允许它灵活地响应不同的图像捕获条件和需求。通过使用对数和绝对值运算，模型可以在各种情况下保持稳定的工作，同时提供足够的灵敏度来捕获图像质量的细微变化。这个复合模型允许精确的控制和灵活的调整，使其适用于各种复杂和动态的图像捕获场景，如低照度环境、快速变化的光线条件等。

实施例9：所述聚焦调整模型使用如下公式进行表示：

；

其中，为计算出的调整后的聚焦距离，聚焦距离调整部分基于/>的值调整光相机的聚焦距离；/>为第一阈值，/>为第二阈值，/>为相机获取实时图像时的聚焦距离；为第三调整系数，取值范围为0.6~0.95；/>为第四调整系数，取值范围为1.5~3。

具体的，聚焦距离：调整后的聚焦距离，通过以下两个部分的组合计算得出。；这一部分利用了图像的信息熵/>，减去预设的第一阈值/>，并通过指数运算增强效应。然后，该值除以当前聚焦距离/>并乘以调整系数/>。这一部分可以反映图像复杂度或细节程度对聚焦距离的影响。第二部分：/>；这一部分与其他图像质量指标K有关，并与第二阈值/>相加。该值经过指数运算后除以当前聚焦距离/>，然后乘以当前光圈大小/>和调整系数/>。这一部分可以反映其他图像质量参数对聚焦距离的影响。阈值和调整系数：/>和/>是阈值，用于与图像质量度量进行比较，以判断是否需要调整。调整系数/>和/>允许根据实际需求微调聚焦调整的效果。当前聚焦距离/>：相机获取实时图像时的聚焦距离。用作归一化因子，确保调整与当前聚焦设置的尺度一致。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.低照度亮清采集的自动调节AI相机***，其特征在于，所述***包括：模板图像获取单元，配置用于获取多张亮清度高于设定值的图像作为模板图像组，并记录获取每个图像时的光圈大小和聚焦距离；所述亮清度定义为图像的亮度和清晰度加权平均值；实时图像获取单元，配置用于获取目标场景的实时图像；图像恢复单元，配置用于基于实时图像进行图像恢复，得到恢复图像，并计算恢复图像的灰度值；图像质量评价单元，配置用于基于恢复图像的灰度值，计算恢复图像的信息熵，将信息熵作为恢复图像的质量值，同时计算恢复图像的亮清度；自适应调整单元，配置用于首先将计算得到的恢复图像的亮清度与模板图像组中的每个图像的亮清度进行差值计算，从而得到多个差值组成的差值集合，计算差值集合中所有差值的标准差；基于计算出的标准差和恢复图像的质量值，自适应调整相机的光圈大小和聚焦距离，以使得相机在后续获取到的目标场景实时图像的质量值超过设定的第一阈值，以及亮清度超过设定的第二阈值；

所述自适应调整单元包括：标准差计算部分、光圈大小调整部分和聚焦距离调整部分；所述标准差计算部分配置用于首先将计算得到的恢复图像的亮清度与模板图像组中的每个图像的亮清度进行差值计算，从而得到多个差值组成的差值集合，计算差值集合中所有差值的标准差；所述光圈大小调整部分基于计算出的标准差和恢复图像的质量值，使用预设的光圈调整模型自适应调整相机的光圈大小；所述聚焦距离调整部分，配置用于基于计算出的标准差和恢复图像的质量值，使用预设的聚焦调整模型自适应调整相机的聚焦距离，以使得相机在后续获取到的目标场景实时图像的质量值超过设定的第一阈值，以及亮清度超过设定的第二阈值；

所述光圈调整模型使用如下公式进行表示：

；

其中，为计算出的调整后的光圈大小，光圈大小调整部分基于/>的值调整光相机的光圈大小；/>为第一阈值，/>为第二阈值，/>为相机获取实时图像时的光圈大小；/>为第一调整系数，取值范围为10~20；/>为第二调整系数，取值范围为5~9；/>代表其他图像质量度量，即标准差；

所述聚焦调整模型使用如下公式进行表示：

；

其中，为计算出的调整后的聚焦距离，聚焦距离调整部分基于/>的值调整光相机的聚焦距离；/>为第一阈值，/>为第二阈值，/>为相机获取实时图像时的聚焦距离；/>为第三调整系数，取值范围为0.6~0.95；/>为第四调整系数，取值范围为1.5~3。

2.如权利要求1所述的低照度亮清采集的自动调节AI相机***，其特征在于，所述图像的清晰度的计算方法包括：将图像转换为灰度图像；使用Sobel算子或Prewitt滤波器，计算灰度图像中每个像素的梯度值，生成一个梯度图像，其中每个像素表示原始的图像中相应位置的梯度大小；计算梯度图像的梯度直方图特征作为原始的图像的清晰度；所述图像的亮度为灰度图像的灰度值，灰度值越高，则原始的图像亮度越高。

3.如权利要求2所述的低照度亮清采集的自动调节AI相机***，其特征在于，所述图像恢复单元，基于实时图像进行图像恢复，得到恢复图像的方法包括：

步骤1：对实时图像进行初始化估计，具体包括：选择均匀初始点扩散函数作为实时图像的初始模糊估计，将实时图像本身作为图像的初始清晰估计；

步骤2：进行图像清晰估计，具体包括：固定初始模糊估计，进行图像清晰估计，得到图像清晰估计中间结果；

步骤3：进行图像模糊估计，具体包括：固定初始清晰估计，进行图像模糊估计，得到图像模糊估计中间结果；

步骤4：对图像清晰估计结果和图像模糊估计结果作图像差值运算，得到最终的恢复图像。

4.如权利要求3所述的低照度亮清采集的自动调节AI相机***，其特征在于，所述步骤2中固定初始模糊估计，进行图像清晰估计，得到图像清晰估计中间结果的方法包括：使用梯度下降法最小化下列损失函数以进行图像清晰估计：

；

其中，是初始清晰估计，/>是初始模糊估计，/>是正则化项，/>是正则化参数；/>为得到的图像清晰估计中间结果；/>为卷积运算。

5.如权利要求4所述的低照度亮清采集的自动调节AI相机***，其特征在于，所述步骤3中固定初始清晰估计，进行图像模糊估计，得到图像模糊估计中间结果的方法包括：通过期望最大化法最小化下列目标函数以进行图像模糊估计：

；

其中，是L2范数的平方，/>和/>是关于/>和/>的正则化项；/>为得到的图像模糊估计中间结果。

6.如权利要求5所述的低照度亮清采集的自动调节AI相机***，其特征在于，所述图像质量评价单元，基于恢复图像的灰度值，计算恢复图像的信息熵的方法包括：使用如下公式计算恢复图像的信息熵：

；

其中，是图像的信息熵，/>是像素值为/>的概率，/>是像素值的范围；/>为一个参数，用于调整信息熵的计算。