随着数字图像处理和计算机视觉相关技术的迅猛发展,数字图像在越来越多的领域起到了极为关键的作用,同时也反过来对数字图像本身提出了越来越高的要求。在真实世界中,场景通常包含极为丰富的颜色、亮度、对比度等视觉信息,辐照度的动态范围是一般的成像设备无法比拟的。因此,在成像过程中,得到的图像往往会丢失过暗或者过亮区域的细节信息。如何扩展数字图像的动态范围,保持图像的纹理细节变化,是数字图像处理领域一项具有重大研究价值和意义的课题。一种行之有效的方案是利用一系列采用不同曝光参数的动态范围图像实现信息互补。本文介绍了辐照度重建法和直接融合法这两类动态范围扩展方法的基本思想。对一些经典的动态范围扩展算法进行了实验验证和结果分析。出于种种原因,多曝光图像经常处于不同的视角进行拍摄,因此在进行融合之前,需要对图像进行配准处理。本文介绍了多曝光图像配准的几种经典算法。在经典特征提取算法的基础上,针对多曝光环境提出利用归一化互相关度对特征匹配结果进行筛选,提升了匹配的准确性。提出了一种高效的多视角多曝光图像配准方法,弥补了传统算法在图像深度变化过大的情况下表现不佳的缺陷。该方法通过划分平面的方式对图像进行分区域变换,解决了一般情况下无法找到合适的单一变换矩阵的问题。在多曝光融合质量评价方面,学界一直没有形成公论。本文尝试提出一种算法框架,通过评价对融合前后图像的特征保持度来衡量融合算法的性能。最后用该评价方法对多视角多曝光图像融合结果进行了定性与定量分析。