普通成像传感器捕获图像的亮度范围远小于人眼所能感知到的亮度范围,因而不能满足当代人类对高品质图像的迫切需求。多重曝光融合方法能够有效的扩大图像的动态范围,其生成的高动态范围图像包含了自然场景中亮、暗区域的信息。高动态范围图像更加符合人类的视觉感知,因此满足了人们对高清晰图像的需求。多重曝光融合方法聚合成像设备在同一自然场景中不同曝光度下捕获的低动态范围图像堆栈中的可用信息,生成视觉效果良好的高动态范围图像。根据拍摄场景的不同,多重曝光融合问题主要分为两类。一类为静态场景中图像堆栈的快速精确融合问题,另一类为动态场景下高动态范围成像过程中的鬼影消除问题。鉴于上述问题和不足,通过系统的学习、研究多重曝光融合的前沿理论提出了一种用于多重曝光融合的多尺度逐块算法。提出的算法实现了运动检测,可以将其应用于静态和动态两种场景。其在两种场景下均获得了结构细节清晰,不含光晕伪影的高质量融合图像。由于上述提出的多尺度逐块算法对具有显著前景运动的多重曝光图像堆栈不具备鲁棒性,本文又提出了一种基于深度学习的AUNet算法。该算法能够从具有显著前景运动的多重曝光图像堆栈中获得无伪影的高动态范围图像。本文的研究内容主要包括:1.针对多尺度模式下图像高频信息丢失以及融合权重图易受噪声干扰的问题,提出了一种新颖的用于多重曝光融合的多尺度逐块算法。在传统的拉普拉斯金字塔融合框架中引入了非标准化的结构补丁分解算法。该算法隐式的对不同尺度的曝光图像执行补丁分解,降低了噪声对融合图像品质的影响,提高了算法的运行速度。利用高斯金字塔中相邻图像层之间的差异进行图像融合,以充分利用因采样和滤波而损失的高频信息,从而增强生成的高动态范围图像的结构清晰度。2.针对动态场景中参考图像选择不恰当导致融合图像中部分曝光失真的问题,基于输入图像曝光质量总分与其曝光不良像素数量之间的关系,提出一种鲁棒的参考图像选择算法。针对图像融合的品质易受曝光不良像素影响的问题,通过多尺度变换将曝光引起的灰度突变分散到整幅图像中。其确保非标准化的结构补丁分解算法能够可靠的融合输入曝光图像堆栈,弱化物体运动引起的鬼影与饱和导致的细节丢失。3.针对提出的多尺度逐块算法对具有显著前景运动的多重曝光图像堆栈不具有鲁棒性的问题,提出一种用于动态多重曝光融合的AUNet算法。设计的编码器在输入图像不同尺度的特征图上依次施加注意力机制,既抑制了由于错位与饱和引起地冗余成分又增强了非参考图像中所需要的细节信息。因此,减少了高动态范围成像结果中的伪影,增强了成像结果的细节清晰度。提出的解码器简化了网络的训练过程并最大化了信息流。