1.一种基于人工智能的图像曝光校正方法，其特征在于，所述方法包括以下步骤：获取待进行曝光校正的图像和曝光校正后的图像；

图像曝光校正神经网络训练：将待进行曝光校正的图像作为图像曝光校正神经网络的输入，曝光校正后的图像作为图像曝光校正神经网络的输出，进行神经网络训练；

所述图像曝光校正神经网络训练包括的损失函数公式为：式中:  为网络输入图像的像素个数，  表示网络输入图像第个像素的网络输出值，表示网络输入图像第  个像素的图像标签值， 表示网络输入图像第个像素的自适应曝光权重，为映射系数， 为多尺度频谱差异损失函数；

神经网络训练完成后输出曝光校正后的图像。

2.根据权利要求1所述一种基于人工智能的图像曝光校正方法，其特征在于，所述自适应曝光权重的获取方法为：将每张曝光图像通过颜色空间转换得到Lab颜色空间，对Lab颜色空间中的亮度通道进行归一化，得到自适应曝光权重。

3.根据权利要求2所述一种基于人工智能的图像曝光校正方法，其特征在于，所述自适应曝光权重表达式：

式中：表示待曝光校正图像像素亮度的平均值，  表示待曝光校正图像第 个像素亮度与 的标准差，  表示待曝光校正图像第 个像素的亮度通道归一化亮度值。

4.根据权利要求1所述一种基于人工智能的图像曝光校正方法，其特征在于，所述多尺度频谱差异损失函数的计算公式为：式中：表示特征图分辨率的种类数，是特征图的通道数， 表示第种分辨率中第个通道的特征图的宽， 表示第  种分辨率中第个通道的特征图的高，  表示第  种分辨率中第  个通道的特征图，  表示第种分辨率中第个通道的曝光校正后图像，∑表示对差值后的频谱图进行像素求和操作，  是比例因子， 是对图像进行快速傅里叶变换。

5.根据权利要求1所述一种基于人工智能的图像曝光校正方法，其特征在于，所述图像曝光校正神经网络包含生成器和鉴别器；

生成器用于对训练集数据特征的学习，在鉴别器的指导下生成具有训练集特征的相似数据；

鉴别器用于区分输入的数据是真实的还是生成器生成的假数据，并反馈给生成器。

6.根据权利要求5所述一种基于人工智能的图像曝光校正方法，其特征在于，所述生成器的结构为编码器‑解码器；编码器的输入为待进行曝光校正的图像处理后的图像，输出为特征图；解码器的输入为编码器输出的特征图，输出为不同分辨率的特征图和曝光校正后的图像。

7.根据权利要求1所述一种基于人工智能的图像曝光校正方法，其特征在于，所述待进行曝光校正的图像是用手机拍摄，所述曝光校正后的图像是用数码相机拍摄。

8.一种基于人工智能的图像曝光校正系统，其特征在于，包括：输入单元，将获取的待进行曝光校正的图像进行输入；

处理单元，将输入单元输入的待进行曝光校正的图像输入到完成训练的图像曝光校正神经网络训练中进行处理，获取该待进行曝光校正的图像处理后的曝光校正后的图像；

所述图像曝光校正神经网络训练包括的损失函数公式为：式中:  为网络输入图像的像素个数，表示网络输入图像第个像素的网络输出值，表示网络输入图像第  个像素的图像标签值，  表示网络输入图像第个像素的自适应曝光权重，  为映射系数， 为多尺度频谱差异损失函数；

输出单元，将处理单元处理的曝光校正后的图像进行输出。