CN114363532B - 聚焦方法以及相关装置 - Google Patents

Abstract

本申请公开了一种聚焦方法以及相关装置，该聚焦方法包括：响应于聚焦区域为低照场景，对聚焦区域的源图像数据进行对数域变换以获得第一图像数据；对第一图像数据中的低秩分量信息进行伽马校正、以及对第一图像数据中的稀疏分量信息进行降噪处理；根据校正后的低秩分量信息和降噪处理后的稀疏分量信息获得第一清晰度评价值，并根据第一清晰度评价值对聚焦区域进行聚焦处理。通过这种设计方式，对源数据图像做图像增强和降噪处理，从而达到细节显示和消除噪声干扰的效果，能够最终大幅度提升清晰度评价值的质量，使聚焦算法可以有更可靠的依据避免低照场景的失焦问题。

Description

聚焦方法以及相关装置

技术领域

本申请涉及摄像机聚焦技术领域，特别是涉及一种聚焦方法以及相关装置。

背景技术

随着科技的进步和发展，摄像机聚焦场景的复杂化是一个不可阻挡的趋势，但是低照场景聚焦容易失焦的问题亟待解决，实现效果提升。目前低照场景中聚焦的最大难点就是聚焦模块(AF算法)的统计值由于噪声和低照场景细节而无法显露，导致最终的清晰度评价值无法正确反映清晰度。因此，亟需一种新的聚焦方法来解决上述问题。

发明内容

本申请主要解决的技术问题是提供一种聚焦方法以及相关装置，可以达到提升清晰度评价值质量的目标。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种聚焦方法，包括：响应于聚焦区域为低照场景，对所述聚焦区域的源图像数据进行对数域变换以获得第一图像数据；对所述第一图像数据中的低秩分量信息进行伽马校正、以及对所述第一图像数据中的稀疏分量信息进行降噪处理；根据校正后的低秩分量信息和降噪处理后的稀疏分量信息获得第一清晰度评价值，并根据所述第一清晰度评价值对所述聚焦区域进行聚焦处理。

其中，所述对所述第一图像数据中的低秩分量信息进行伽马校正、以及对所述第一图像数据中的稀疏分量信息进行降噪处理的步骤之前，包括：利用鲁棒性主成分分析模型RPCA将所述第一图像数据进行分解获得低秩分量信息和稀疏分量信息。

其中，所述对所述第一图像数据中的低秩分量信息进行伽马校正、以及对所述第一图像数据中的稀疏分量信息进行降噪处理的步骤，包括：对所述第一图像数据中的低秩分量信息进行伽马校正获得第一矩阵数据，并对所述第一图像数据中的稀疏分量信息进行降噪处理获得第二矩阵数据；将所述第一矩阵数据和所述第二矩阵数据进行合并以获得所述第二图像数据。

其中，所述对所述第一图像数据中的低秩分量信息进行伽马校正获得第一矩阵数据的步骤，包括：针对所述低秩分量信息，获得所述第一图像数据的第一亮度直方图，并利用伽马函数按照步长顺序将所述第一亮度直方图进行对比度拉升以获得第二亮度直方图；其中，所述步长顺序与所述伽马函数相关；响应于所述第二亮度直方图的信息熵为最大值，获得所述伽马函数中对应的第一伽马系数；根据所述第一伽马系数将所述低秩分量信息进行伽马校正以获得所述第一矩阵数据。

其中，所述响应于聚焦区域为低照场景，对所述聚焦区域的源图像数据进行对数域变换以获得第一图像数据的步骤，包括：响应于所述聚焦区域为夜间且当前镜头的实际焦段倍率大于第一阈值，且响应于所述当前镜头的光圈已打满且所述当前镜头的增益值超过第二阈值，判定所述聚焦区域为低照场景，并进入所述对所述聚焦区域的源图像数据进行对数域变换以获得第一图像数据的步骤；其中，所述实际焦段倍率为所述当前镜头的焦段与所述当前镜头的最小焦段之间的比值。

其中，所述根据校正后的低秩分量信息和降噪处理后的稀疏分量信息获得第一清晰度评价值的步骤，包括：对所述第二图像数据进行反对数域变换获得优化图像数据；将所述优化图像数据输入至清晰度评价值模块获得所述优化图像数据的所述第一清晰度评价值。

其中，所述根据所述第一清晰度评价值对所述聚焦区域进行聚焦处理的步骤，包括：将所述第一清晰度评价值应用于聚焦算法，并利用所述聚焦算法对所述聚焦区域进行聚焦处理。

其中，还包括：响应于所述聚焦区域为非低照场景，获得所述源图像数据的第二清晰度评价值，并根据所述第二清晰度评价值对所述聚焦区域进行聚焦处理。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电子设备，包括相互耦接的存储器和处理器，所述存储器内存储有程序指令，所述处理器用于执行所述程序指令以实现上述任一实施例所提及的聚焦方法。

为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于实现上述任一实施例所提及的聚焦方法。

区别于现有技术的情况，本申请的有益效果是：本申请提供的聚焦方法包括：响应于聚焦区域为低照场景，对聚焦区域的源图像数据进行对数域变换以获得第一图像数据，接着对第一图像数据中的低秩分量信息进行伽马校正、以及对第一图像数据中的稀疏分量信息进行降噪处理，根据校正后的低秩分量信息和降噪处理后的稀疏分量信息获得第一清晰度评价值，并根据第一清晰度评价值对聚焦区域进行聚焦处理。通过这种设计方式，对源数据图像做图像增强和降噪处理，从而达到细节显示和消除噪声干扰的效果，能够最终大幅度提升清晰度评价值的质量，使聚焦算法可以有更可靠的依据避免低照场景的失焦问题。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。其中：

图1是清晰度评价值趋势示意图；

图2是本申请聚焦方法的模块流程示意图；

图3是本申请聚焦方法一实施方式的流程示意图；

图4是图3中步骤S1一实施方式的流程示意图；

图5是图3中步骤S3一实施方式的流程示意图；

图6是图5中步骤S20对应的一实施方式的流程示意图；

图7是自适应伽马校正的示意图；

图8是优化后的清晰度评价值趋势示意图；

图9是图3中步骤S4对应的一实施方式的流程示意图；

图10是本申请聚焦系统一实施方式的结构示意图；

图11是本申请电子设备一实施方式的框架示意图；

图12是本申请计算机可读存储介质一实施方式的框架示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

目前由于聚焦区域为低照场景，聚焦模块(AF算法)使用统计值由于噪声和低照细节无法显露，如图1所示，图1是清晰度评价值趋势示意图。图1中H1表现为错误的趋势使得整帧图像的统计值变化趋势也被错误地表示，最终的清晰度评价值(Focus Value，FV)无法正确反映图像数据的清晰度。现有的技术方案，一般都是通过选择对源图像数据做低频滤波只取低频信息作为清晰度评价值用于聚焦，但是这种方法并没有真正地实现源图像数据的优化，只用低频分量基本失去了高频细节，且对低频噪声也没有优化，最终对失焦问题的提升没有实现较大优化。

请参阅图2，图2是本申请聚焦方法的模块流程示意图。如图2所示，主要依赖平台层和算法层执行上述聚焦方法，平台层的源图像数据按需处理模块是本申请聚焦方法的主体，用于获得优化之后的清晰度评价值，算法层的通用聚焦算法模块根据优化之后的清晰度评价值进行算法逻辑的运行。

下面将详细介绍本申请所提供的聚焦方法。

请参阅图3，图3是本申请聚焦方法一实施方式的流程示意图。上述聚焦方法包括：

S1：判断聚焦区域是否为低照场景。

具体地，在本实施例中，请参阅图4，图4是图3中步骤S1一实施方式的流程示意图。具体而言，步骤S1包括：

S10：判断聚焦区域是否为夜间且当前镜头的实际焦段倍率是否大于第一阈值。

具体地，在本实施例中，聚焦区域是否满足低照度场景条件，其先决条件是聚焦区域为夜间且当前镜头的实际焦段倍率大于第一阈值，这里的实际焦段倍率Real Cur ZoomRatio为当前镜头的焦段与当前镜头的最小焦段之间的比值，其计算公式为：RealCur ZoomRatio＝Cur Zoom/Min Zoom，这是实际场景验证下的经验。此外，在本实施例中，上述第一阈值可以为5倍等，本申请在此不作限定。

S11：若是，则判断当前镜头的光圈是否已打满且当前镜头的增益值是否超过第二阈值。

具体而言，若聚焦区域为夜间且当前镜头的实际焦段倍率大于第一阈值，主要考虑到偏广角基本不会出现低照场景或低照下曝光圈调满还显示不出细节的问题，为经验确认，则继续判断当前镜头的光圈是否已打满且当前镜头的增益值是否超过第二阈值。此外，在本实施例中，上述第二阈值可以为45DB等，本申请在此不作限定。

S12：否则，判定聚焦区域为非低照场景，并进入至获得源图像数据的第二清晰度评价值，并根据第二清晰度评价值对聚焦区域进行聚焦处理的步骤。

具体而言，若聚焦区域不是夜间或者当前镜头的实际焦段倍率下雨或等于第一阈值，则判定聚焦区域为非低照场景，并进入至获得源图像数据的第二清晰度评价值，并根据第二清晰度评价值对聚焦区域进行聚焦处理的步骤。

S13：若是，则判定聚焦区域为低照场景，并进入至对聚焦区域的源图像数据进行对数域变换以获得第一图像数据的步骤。

具体而言，若满足当前镜头的光圈已打满且当前镜头的增益值超过第二阈值，则认为聚焦区域是低照场景，并进入至对聚焦区域的源图像数据进行对数域变换以获得第一图像数据的步骤。

S14：否则，判定聚焦区域为非低照场景，并进入至对聚焦区域的源图像数据进行对数域变换以获得第一图像数据的步骤。

具体而言，若不满足当前镜头的光圈已打满或者当前镜头的增益值不超过第二阈值，则认为聚焦区域是非低照场景，并进入至对聚焦区域的源图像数据进行对数域变换以获得第一图像数据的步骤。

S2：若是，则对聚焦区域的源图像数据进行对数域变换以获得第一图像数据。

具体而言，若聚焦区域为低照场景，为了调整低照图像的灰度范围，显示更多的细节，可以对聚焦区域的源图像数据进行对数域变换以获得第一图像数据，具体地，将原灰度值通过对数变换到对数域的灰度值而代替原来的灰度值，也就是说，将源图像数据中范围较窄的低灰度值映射到范围较宽的灰度区间，同时将范围较宽的高灰度值区间映射为较窄的灰度区间，从而扩展了暗像素的值，压缩了高灰度的值，这样能够对图像中低灰度细节进行增强，从而显示出更多的细节。此外，在本实施例中，对数域变换的过程是无损失变换过程，具体的计算公式为：log(1+10*m)，其中，m为灰度图数据。通过这种无损失变换的方式，在不损失源图像数据的前提下显示出更多的细节，有利于后续步骤中将图像数据分解成低秩分量信息和稀疏分量信息的质量和效率。

S3：对第一图像数据中的低秩分量信息进行伽马校正、以及对第一图像数据中的稀疏分量信息进行降噪处理。

具体地，在本实施例中，步骤S3对第一图像数据中的低秩分量信息进行伽马校正、以及对第一图像数据中的稀疏分量信息进行降噪处理的步骤之前，包括：利用鲁棒性主成分分析模型(Robust Principal Component Analysis，RPCA)将第一图像数据进行分解获得低秩分量信息和稀疏分量信息。在本实施例中，鲁棒性主成分分析模型RPCA在对低照场景下高幅度尖锐噪声信号分离的问题上是非常适合的，因此利用鲁棒性主成分分析模型RPCA将第一图像数据进行分解获得低秩分量信息和稀疏分量信息，从而可以分别对这两个分量信息进行处理以获得更加优化的清晰度评价值。

具体地，在本实施例中，请参阅图5，图5是图3中步骤S3一实施方式的流程示意图。具体而言，步骤S3包括：

S20：对第一图像数据中的低秩分量信息进行伽马校正获得第一矩阵数据，并对第一图像数据中的稀疏分量信息进行降噪处理获得第二矩阵数据。

具体地，在本实施例中，请一并参阅图6-图8，图6是图5中步骤S20对应的一实施方式的流程示意图，图7是自适应伽马校正的示意图，图8是优化后的清晰度评价值趋势示意图。具体而言，对于低秩分量信息部分，本申请中采用自适应的伽马校正(gamma)的方法，具体地，步骤S20中第一图像数据中的低秩分量信息进行伽马校正获得第一矩阵数据的步骤包括：

S200：针对低秩分量信息，获得第一图像数据的第一亮度直方图，并利用伽马函数按照步长顺序将第一亮度直方图进行对比度拉升以获得第二亮度直方图。

具体地，如图7所示，图7中a是针对低秩分量信息获得的第一图像数据对应的第一亮度直方图，b是针对低秩分量信息优化之后获得的第二亮度直方图，利用伽马函数按照步长顺序将第一亮度直方图a进行对比度拉升以获得第二亮度直方图b。具体而言，上述步长顺序与伽马函数相关，伽马函数是现有的，在此不再赘述。

S201：判断第二亮度直方图的信息熵是否为最大值。

具体而言，信息熵是把各种可能表示出的信息量乘以其发生的概率之后求和，其表示了整个系统所有信息量的一种期望值，信息熵是作为一个系统复杂程度的度量，如果系统越复杂，出现不同情况的种类越多，那么该系统的信息熵越大；反之，如果系统越简单，出现不同情况的种类越少，那么该系统的信息熵越小。在本实施例中，如图7所示，在步骤S200中获得第二亮度直方图b之后，判断调整好的第二亮度直方图b中的信息是否为最多的情况。

S202：若是，则获得伽马函数中对应的第一伽马系数。

具体而言，如图7所示，若第二亮度直方图b的信息熵为最大值时，说明第二亮度直方图b中的信息是最多的情况，此时认为达到迭代终止的条件，获得伽马函数中对应的第一伽马系数，该第一伽马系数为最佳的伽马系数。

S203：根据第一伽马系数将低秩分量信息进行伽马校正以获得第一矩阵数据。

具体而言，根据步骤S202中的最优伽马系数将低秩分量信息进行伽马校正以获得第一矩阵数据。

S204：否则，返回至步骤S200。

具体而言，如图7所示，若第二亮度直方图b的信息熵不是最大值，则返回至针对低秩分量信息，获得第一图像数据的第一亮度直方图，并利用伽马函数按照步长顺序将第一亮度直方图进行对比度拉升以获得第二亮度直方图的步骤，继续按照步长顺序将第一亮度直方图进行对比度拉升以获得第二亮度直方图b，直到第二亮度直方图b的信息熵为最大值，获得最优伽马系数。通过使用信息熵的反馈，实现自动伽马校正后最终达到低秩分量信息的对比度拉升得目的，这样可以使得有用信息更加突显。

S21：将第一矩阵数据和第二矩阵数据进行合并以获得第二图像数据。

具体而言，在对低秩分量信息进行伽马校正获得第一矩阵数据的同时，对于稀疏分量信息部分进行降噪处理获得第二矩阵数据，本申请对降噪处理的方法不作限定。接着将第一矩阵数据和第二矩阵数据进行合并以获得第二图像数据。在本步骤中，低秩分量信息就是低频的大背景所在，如图8中H2所示，这部分数据对清晰度评价值的贡献度在平坦区形成趋势的时候非常大，随着算法控制电机到清晰点附近时低秩分量信息部分的贡献减少，稀疏分量信息部分的贡献度增加，在清晰度评价值的趋势中体现为明显的斜率变大。本实施例中分别对分离的低秩分量信息和稀疏分量信息部分做了优化，都是为了让聚焦模块获得更准确的数据信息，并且两部分的优化是通过独立ISP通道处理的，独立isp操作，实现聚焦统计值的图像独立处理，这样可以不影响实际输出通道的图像效果。

S4：根据校正后的低秩分量信息和降噪处理后的稀疏分量信息获得第一清晰度评价值，并根据第一清晰度评价值对聚焦区域进行聚焦处理。

具体地，在本实施例中，请一并参阅图9，图9是图3中步骤S4对应的一实施方式的流程示意图。具体而言，步骤S4中根据校正后的低秩分量信息和降噪处理后的稀疏分量信息获得第一清晰度评价值的步骤，包括：

S30：对第二图像数据进行反对数域变换获得优化图像数据。

具体而言，对第二图像数据进行反对数域变换获得优化图像数据，反对数域变换与对数域变换是相反的过程，具体地，将优化图像数据的原灰度值通过反对数变换到反对数域的灰度值而代替原来的灰度值，也就是说，将优化图像数据中范围较宽的高灰度值映射到范围较窄的灰度区间，同时将范围较窄的低灰度值区间映射为较宽的灰度区间，从而压缩了暗像素的值，扩展了高灰度的值，与对数域变换不同的是，反对数域变换强调的是图像的高灰度部分。

S31：将优化图像数据输入至清晰度评价值模块获得优化图像数据的第一清晰度评价值。

具体地，在本实施例中，步骤S4中根据第一清晰度评价值对聚焦区域进行聚焦处理的步骤，包括：将第一清晰度评价值应用于聚焦算法，并利用聚焦算法对聚焦区域进行聚焦处理。

针对低照场景，通过对数域转换再使用RPCA做成分分离处理，按成分进行有用信息的提升去噪，有用信息提升效果明显，这样可以达到优化聚焦统计值的目标。

S5：否则，获得源图像数据的第二清晰度评价值，并根据第二清晰度评价值对聚焦区域进行聚焦处理。

具体而言，若聚焦区域为非低照场景，则直接取用通过算子模块获得的源图像数据的第二清晰度评价值，并根据第二清晰度评价值对聚焦区域进行聚焦处理，具体地，将第二清晰度评价值应用于聚焦算法，并利用聚焦算法对聚焦区域进行聚焦处理。通过这样的设计方式，结合场景判断对非低照场景和低照场景做不同的处理，这种方法的适应性及稳定性更好。

请参阅图10，图10是本申请聚焦系统一实施方式的结构示意图。该聚焦系统具体包括：

变换模块10，用于响应于聚焦区域为低照场景，对聚焦区域的源图像数据进行对数域变换以获得第一图像数据。

处理模块12，与变换模块10耦接，用于对第一图像数据中的低秩分量信息进行伽马校正、以及对第一图像数据中的稀疏分量信息进行降噪处理。

聚焦模块14，与处理模块12藕接，用于根据校正后的低秩分量信息和降噪处理后的稀疏分量信息获得第一清晰度评价值，并根据第一清晰度评价值对聚焦区域进行聚焦处理。

请参阅图11，图11是本申请电子设备一实施方式的框架示意图。该电子设备包括相互耦接的存储器20和处理器22。具体地，在本实施例中，存储器20内存储有程序指令，处理器22用于执行程序指令以实现上述任一实施例所提及的聚焦方法。

具体而言，处理器22还可以称为CPU(Central Processing Unit，中央处理单元)。处理器22可能是一种集成电路芯片，具有信号的处理能力。处理器22还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器22可以由多个集成电路芯片共同实现。

请参阅图12，图12是本申请计算机可读存储介质一实施方式的框架示意图。该计算机可读存储介质30存储有计算机程序300，能够被计算机所读取，计算机程序300能够被处理器执行，以实现上述任一实施例中所提及的聚焦方法。其中，该计算机程序300可以以软件产品的形式存储在上述计算机可读存储介质30中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。具有存储功能的计算机可读存储介质30可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

总而言之，区别于现有技术的情况，本申请提供的聚焦方法包括：响应于聚焦区域为低照场景，对聚焦区域的源图像数据进行对数域变换以获得第一图像数据，接着对第一图像数据中的低秩分量信息进行伽马校正、以及对第一图像数据中的稀疏分量信息进行降噪处理，根据校正后的低秩分量信息和降噪处理后的稀疏分量信息获得第一清晰度评价值，并根据第一清晰度评价值对聚焦区域进行聚焦处理。通过这种设计方式，对源数据图像做图像增强和降噪处理，从而达到细节显示和消除噪声干扰的效果，能够最终大幅度提升清晰度评价值的质量，使聚焦算法可以有更可靠的依据避免低照场景的失焦问题。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种聚焦方法，其特征在于，包括：

响应于聚焦区域为低照场景，对所述聚焦区域的源图像数据进行对数域变换以获得第一图像数据；

对所述第一图像数据中的低秩分量信息进行伽马校正获得第一矩阵数据、以及对所述第一图像数据中的稀疏分量信息进行降噪处理获得第二矩阵数据；其中，用于对所述低秩分量信息进行伽马校正的第一伽马系数的获取步骤包括：针对所述低秩分量信息，获得所述第一图像数据的第一亮度直方图，并利用伽马函数按照步长顺序将所述第一亮度直方图进行对比度拉升以获得第二亮度直方图，所述步长顺序与所述伽马函数相关；响应于所述第二亮度直方图的信息熵为最大值，获得所述伽马函数中对应的所述第一伽马系数；

将所述第一矩阵数据和所述第二矩阵数据进行合并以获得第二图像数据；

对所述第二图像数据进行反对数域变换获得优化图像数据；

将所述优化图像数据输入至清晰度评价值模块获得所述优化图像数据的第一清晰度评价值；

根据所述第一清晰度评价值对所述聚焦区域进行聚焦处理。

2.根据权利要求1所述的聚焦方法，其特征在于，所述对所述第一图像数据中的低秩分量信息进行伽马校正获得第一矩阵数据、以及对所述第一图像数据中的稀疏分量信息进行降噪处理获得第二矩阵数据的步骤之前，包括：

利用鲁棒性主成分分析模型RPCA将所述第一图像数据进行分解获得低秩分量信息和稀疏分量信息。

3.根据权利要求1所述的聚焦方法，其特征在于，所述响应于聚焦区域为低照场景，对所述聚焦区域的源图像数据进行对数域变换以获得第一图像数据的步骤，包括：

响应于所述聚焦区域为夜间且当前镜头的实际焦段倍率大于第一阈值，且响应于所述当前镜头的光圈已打满且所述当前镜头的增益值超过第二阈值，判定所述聚焦区域为低照场景，并进入所述对所述聚焦区域的源图像数据进行对数域变换以获得第一图像数据的步骤；

其中，所述实际焦段倍率为所述当前镜头的焦段与所述当前镜头的最小焦段之间的比值。

4.根据权利要求1所述的聚焦方法，其特征在于，所述根据所述第一清晰度评价值对所述聚焦区域进行聚焦处理的步骤，包括：

将所述第一清晰度评价值应用于聚焦算法，并利用所述聚焦算法对所述聚焦区域进行聚焦处理。

5.根据权利要求1所述的聚焦方法，其特征在于，还包括：

响应于所述聚焦区域为非低照场景，获得所述源图像数据的第二清晰度评价值，并根据所述第二清晰度评价值对所述聚焦区域进行聚焦处理。

6.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述存储器内存储有程序指令，所述处理器用于执行所述程序指令以实现权利要求1至5中任一项所述的聚焦方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于实现权利要求1至5任一项所述的聚焦方法。