写一个对两幅图像进行图像分解、高频子带加权平均融合、低频子带加权选择融合、图像重建的详细代码

好的，下面是对两幅图像进行图像分解、高频子带加权平均融合、低频子带加权选择融合、图像重建的详细代码。

import cv2
import numpy as np
import pywt

# 定义高频子带加权平均融合函数
def high_frequency_fusion(coeffs1, coeffs2, alpha):
    fused_coeffs = []
    for i in range(len(coeffs1)):
        # 对每个高频子带系数进行加权平均
        fused_coeffs.append(alpha * coeffs1[i] + (1 - alpha) * coeffs2[i])
    return fused_coeffs

# 定义低频子带加权选择融合函数
def low_frequency_fusion(coeffs1, coeffs2, alpha):
    # 对低频子带系数进行加权选择
    return alpha * coeffs1 + (1 - alpha) * coeffs2

# 定义图像分解和重建函数
def wavelet_image_fusion(img1, img2, wavelet='db1', levels=3, alpha=0.5):
    # 将图像转换为灰度图像
    img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    img2_gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

    # 对图像进行小波分解
    coeffs1 = pywt.wavedec2(img1_gray, wavelet, level=levels)
    coeffs2 = pywt.wavedec2(img2_gray, wavelet, level=levels)

    # 对高频子带进行加权平均融合
    fused_coeffs = []
    for i in range(1, len(coeffs1)):
        fused_coeffs.append(high_frequency_fusion(coeffs1[i], coeffs2[i], alpha=alpha))

    # 对低频子带进行加权选择融合
    fused_coeffs.append(low_frequency_fusion(coeffs1[0], coeffs2[0], alpha=alpha))

    # 将融合后的系数合成一个二维数组
    fused_image = pywt.waverec2(fused_coeffs, wavelet)

    # 对融合后的图像进行裁剪，使其与原始图像大小相同
    fused_image = fused_image[:img1_gray.shape[0], :img1_gray.shape[1]]

    # 对重建后的图像进行归一化
    fused_image = cv2.normalize(fused_image, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U)

    return fused_image

# 读取两幅输入图像
img1 = cv2.imread("image1.jpg")
img2 = cv2.imread("image2.jpg")

# 对两幅图像进行融合
fused_image = wavelet_image_fusion(img1, img2, wavelet='db1', levels=3, alpha=0.5)

# 显示融合后的图像
cv2.imshow("Fused Image", fused_image)
cv2.waitKey(0)

在这个例子中，我们首先定义了高频子带加权平均融合函数high_frequency_fusion()和低频子带加权选择融合函数low_frequency_fusion()，然后定义了图像分解和重建函数wavelet_image_fusion()。在wavelet_image_fusion()函数中，我们首先将输入图像转换为灰度图像，然后对其进行小波分解。接下来，我们将对高频子带进行加权平均融合和对低频子带进行加权选择融合的步骤分别实现，并将融合后的系数合成一个二维数组。最后，我们对融合后的图像进行裁剪，使其与原始图像大小相同，并对其进行归一化。最后，我们读取两幅输入图像，对它们进行融合，并显示融合后的图像。