为进一步提升高动态范围图像在普通显示器上的呈现效果，提出了一种基于改进拉普拉斯金字塔的高动态范围图像色调映射算法。该算法将预处理后的图像分解为高频层和低频层，分别输入2个特征提取子网络，将2个包含不同特征的输出图像融合后再输入微调网络，最终得到感知效果优越的低动态范围图像。此外，该算法设计了自适应分组卷积模块以增强子网络提取局部和全局特征的能力。测试结果表明：与现有的先进算法相比，所提算法可以更好地压缩高动态范围图像的亮度，保留更多图像细节，拥有更加优越的客观质量指标和主观感知效果。

高动态范围成像图像是真实表示自然场景中高动态范围亮度的图像，可以反映更多自然场景的信息。多曝光融合以无需改进硬件、算法流程简单的优点成为重建高动态范围图像的重要手段之一，并已在手机相机、工业相机等多个领域得到广泛应用。首先，分别依据融合层次、运动像素处理方式对静态场景、动态场景的多曝光图像融合方法进行分类总结，并对基于深度学习的方法进行单独分析总结。其次，针对多曝光图像融合的相关数据集和性能评价指标进行综述，并对融合方法使用的性能评价指标进行汇总。最后，对多曝光图像融合研究值得关注的问题进行展望，提供了后续相关研究的思路。

为了提升高动态范围图像的显示效果,提出一种基于交叉分解的高动态范围图像色调映射算法。在分析图像边缘滤波的基础上,给出一种基于交叉分解的图像分解与重构算法,并对重构系数进行分析,再将其应用到色调映射中。首先在色度亮度空间中对色度、亮度信息进行分离。然后对亮度信息分别使用高斯滤波器和双边滤波器进行滤波以构造出一种交叉分解方案,得到包含大尺度结构信息的基本层、包含纹理信息的细节层以及亮度存在剧烈变化的边界层。最后对重构系数进行详细讨论,确定色调映射中的系数选取规则,对亮度范围进行压缩和重构。实验结果表明,所提算法在有效压缩图像动态范围的同时,还可以较好地保持颜色信息、增强边界和纹理等细节特征。

针对高动态范围图像在亮度压缩过程中损坏色度信息,导致映射后图像明暗不同区域色偏严重的问题,提出一种基于颜色校正模型的梯度域自适应色调映射改进算法。通过建立图像亮度空间高斯金字塔并结合泊松方程恢复图像亮度;再引入色度空间颜色校正算法,在图像色差和消色差颜色之间进行线性插值,并通过计算处理前后的亮度比值调节颜色校正因子用来增强图像饱和度;最终实现自适应校正图像色度信息的功能。与Larson、Drago、Reinhard和梯度域色调映射的局部色调映射算法作对比,结果表明经改进算法处理后的图像在信息熵、对比度和平均梯度方面均有良好的优化效果,有效减少了亮度压缩引起的色偏问题,增强了图像整体色彩感观度。

针对高动态范围(High Dynamic Range, HDR)图像的动态范围与普通显示设备不匹配的问题, 本文提出了一种亮度分区和导向滤波相结合的色调映射算法。首先, 通过颜色空间转换将输入的HDR图像转换到CIEL*a*b*空间, 得到亮度层和色度层图像, 接着对亮度层图像进行对数压缩并分区, 对压缩后的各分区亮度图像选取合适γ值进行校正。然后, 对于现有映射算法过于强调对图像亮度的处理而忽略色度的问题, 本文将压缩后的亮度图像作为引导图像对色度层图像进行导向滤波处理。最后, 将处理后的亮度层图像和色度层图像融合得到标准动态范围(Standard Dynamic Range, SDR)图像。通过对比实验表明, 本文算法得到的图像在清晰度、信息熵、方差方面较全局映射法、局部映射法和双边滤波法平均提高了94.03%、30.73%和24.23%, 说明本文算法在实现高动态图像亮度压缩的同时, 更好地实现了对色度和局部细节的处理。

为提高图像的可视化效果, 增强图像的局部细节信息, 提出一种结合引导滤波和非线性二阶特征的色调映射方法, 首先提取输入图像的亮度信息, 利用引导滤波器对亮度图像进行多尺度分解, 得到基本层和细节层图像, 其次, 通过引导滤波方法构造细节层的权重图, 对基本层利用Hessian矩阵构造一种非线性二阶特征, 再通过引导滤波方法构造基本层的权重图, 最后, 根据权重图对分解后的基本层和细节层图像实现亮度图像的重构, 然后恢复亮度图像的色彩信息, 获得最终的结果图像。实验结果表明, 该方法较为完整的保留源图像的局部细节信息, 具有良好的视觉效果。本文将Hessian矩阵用于提取基本层图像的高频信息, 可以更好地突出图像的边缘信息, 丰富图像的细节特征。与对比算法的客观指标相比, 该方法的质量分数提高了11.28%, 结构保真度提高了10.82%, 自然相似性提高了186.46%。

针对星空背景下的空间目标图像特点,提出了一种基于相机阵列的高动态范围图像合成方法。利用相机阵列系统获取空间同一区域的不同曝光图像,并以恒星质心为控制点,实现了不同相机间图像的配准;结合标定的各相机的逆响应函数,合理构建了权重函数,进而将配准后的不同曝光图像合成为一幅高动态范围图像。实验结果表明,合成后图像的动态范围有所增大,且该方法有效地提高了图像信噪比,克服了目标成像过暗和过饱和的问题,利于目标的检测与提取。

为增强高动态范围图像（High dynamic range, HDR）的显示效果,本文提出一种多尺度梯度域色调映射算法。首先提取高动态范围图像的亮度信息，利用双边滤波将高动态范围图像的亮度数据进行多尺度分解，得到基本层和细节层。由于视觉上的亮度变化体现为图像数据的梯度变化，因此可在梯度域对基本层图像进行自适应动态范围压缩，然后加上细节层图像信息，最后再通过色彩校正算法恢复图像色彩，实现HDR图像的动态范围压缩。通过对比算法的定量分析表明，本文算法的方差和信息熵的客观指标分别提高了30.8%和5.9%，因此，本文方法在压缩HDR图像的动态范围的同时，可以更好地保留边界、纹理等细节信息。

高动态范围(HDR)图像指的是具有更高的能被人眼识别的亮度动态范围的图像,它能够更加全面地展现场景的细节信息。针对单幅低动态范围(LDR)图像,提出一种基于多层伽马变换融合的HDR图像生成方法。对LDR图像统计特性进行分析,将其分成4个亮度等级区域,每个区域自适应生成伽马变换参数;将得到的4个伽马变换参数依次作用在原图像上,得到强调不同区域细节信息的4幅图像;将4幅伽马变换后的图像融合生成HDR图像。展示利用本文方法生成的HDR图像色调映射结果,并与基于多幅伪曝光图像融合生成HDR图像的算法进行对比,结果表明,本文方法所生成的图像具有更高的信息熵,且算法运行时间更短。