图像融合是将多源采集到的同一目标的图像进行处理,提取各自图像中的有利信息,最后综合成高质量图像的方法。多曝光图像的融合是图像融合的重要分支之一。受光线、曝光时间的影响,同一场景下的图像往往会出现曝光过度或曝光不足的现象,甚至出现重要信息丢失的问题,无法满足人们对于高信息量图像的要求。多曝光图像融合的研究则是在同一静态场景同一视角拍摄多张不同曝光程度的图像,并加以综合,得到信息含量较高的图像。考虑到拍摄场景的复杂性,同一视角的拍摄是难以保证的,那么对应的像素匹配也将产生一定的偏差。基于这样的场景,本文将讨论在多视角下拍摄得到的多曝光图像融合问题。本文针对多视角图像中对应像素难以精确匹配的问题,先将多视角图像在近似尺度下提取特征,并进行超图建模,通过筛选找出若干个精确匹配点。对于这些匹配点,本文将亮度作为衡量其曝光量的特征,并定义亮度增长量。之后将所有匹配点的亮度增长量定义为标签,引入随机游走模型,依像素逐个讨论其通过数次迭代游走到种子点的概率,并且基于概率加权得到每个像素点的亮度增长量。最后,根据不同的亮度提升,得到融合后的结果。同时,本文提出一种针对多视角融合图像的质量评价指标。一般的融合图像质量评价,除了主观评价法,通常采用基于统计特性的均方根误差法,或者是基于信息量的交叉熵法,但由于融合多视角的样本会产生扭曲或失真,传统的质量评价方法不再适用。本文针对这个问题,提出了基于边缘特征的融合图像质量评价指标。本文重新定义了边缘的概念,并且将样本到结果的边缘保持度作为融合结果的质量评价标准。最后,本文对Daniel Scharstein数据库中的样本以及自己拍摄的样本库进行了融合实验并得到了较理想的结果,总结了当前工作,展望了未来前景。