随着计算机和多媒体技术的发展,医学影像、视频监控、卫星遥感和计算机视觉等各领域对图像的质量提出越来越高的需求。高质量的图像能够提供更丰富的信息和更真实的视觉感受,是很多实际应用的基础。高动态范围(High Dynamic Range, HDR)场景如何在普通显示设备真实再现是阻碍这些应用发展的一个难题。针对这一问题,论文提出了高动态范围场景可视化技术。它主要从色调映射(Tone Mapping)和多曝光融合(Exposure Fusion)两个方面进行研究：人类视觉系统(Human Visual System, HVS)是被显示图像的最终接收对象,因此,在色调映射算法中,利用HVS的特性指导HDR图像的动态范围压缩具有重要意义。根据这一思想,论文引入一种新的“双锚”(Double Anchoring)亮度感知理论,提出一种基于亮度感知理论的HDR场景再现算法。通过视觉差异预测器(Visual Difference Predictor, VDP)评价标准验证了提出算法的有效性,它不仅能较好地保持真实场景的细节信息和整体明暗效果,而且结果图像更加符合人眼对真实场景的感观体验。物体表面反射率具有低的动态范围,而场景的照度一般具备较大的动态范围,根据这一现象,研究学者提出了一种新的研究思路：把HDR图像分解成反射层和光照层,由于每层获取不同的信息和动态范围,因而对每层采取不同的处理方式,既能压缩了HDR图像的动态范围又能保持了图像原有的细节信息。基于这一思想,论文提出利用YUV颜色空间代替传统的RGB空间进行双边滤波(Bilateral Filter,BF)来实现图像分层,这样,可以降低亮度通道范围压缩处理对色度信息产生的影响。此外,通过利用像素的亮度值自适应地决定其在对数域中的底数值,使算法能够保留场景更多的细节信息。基于空间域的多曝光融合算法,通常采用单一的图像特征作为标准。但是,一个特征来衡量图像质量好坏是不全面的。为了克服这个问题,论文提出一种基于支持向量回归的多曝光融合算法(Support Vector Regression based Exposure Fusion, SVREF)。它能够建立多个特征和图像质量评价标准的映射关系。此外,在大多数曝光融合算法中,为了获取场景的色度信息,通常是红、绿和蓝三通道分别处理,这种处理方式不仅使结果图像泛灰(Gray-out),还增加了算法的时间复杂度。针对这一问题,论文提出一种新的场景色度信息获取的方法,能够较好地保留场景的色度信息。在基于频率域多曝光融合算法上,为了降低图像序列间小的平移或旋转对融合结果图像造成的光晕、模糊等影响,论文提出了一种基于可操纵金字塔(Steerable Pyramid, SP)的多曝光融合算法(标记为SPBEF)。同时,为了支持对多个输入图像同时进行融合处理,提出一种分层(Hierarchical)的融合规则,它可以大大增加融合图像的对比度。实验结果表明,SPBEF和其他曝光融合算法相比,能够得到较好的视觉效果。