写一个分解，高频子带融合，低频子带融合，重建的图像融合详细代码

以下是一个简单的图像融合代码示例，其中包括高频子带和低频子带融合，以及重建的图像融合：

import cv2
import numpy as np

# 读取两张待融合的图片
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')

# 将图片转换为灰度图
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

# 对灰度图进行小波变换，得到低频子带和高频子带
wavelet = cv2.dwt2(gray1, 'haar')
cA1, (cH1, cV1, cD1) = wavelet

wavelet = cv2.dwt2(gray2, 'haar')
cA2, (cH2, cV2, cD2) = wavelet

# 对低频子带进行加权平均融合
alpha = 0.5
beta = 1 - alpha
cA = alpha * cA1 + beta * cA2

# 对高频子带进行加权平均融合
alpha = 0.5
beta = 1 - alpha
cH = alpha * cH1 + beta * cH2
cV = alpha * cV1 + beta * cV2
cD = alpha * cD1 + beta * cD2

# 重建融合后的图像
merged = cv2.idwt2((cA, (cH, cV, cD)), 'haar')

# 显示融合后的图像
cv2.imshow('Merged Image', merged)
cv2.waitKey(0)
cv2.destroyAllWindows()

在此示例中，我们首先使用OpenCV库中的`cv2.imread()`函数读取两张待融合的图片，并使用`cv2.cvtColor()`函数将其转换为灰度图像。接下来，我们使用`cv2.dwt2()`函数对灰度图像进行小波变换，得到低频子带和高频子带。然后，我们对低频子带和高频子带进行加权平均融合，得到融合后的子带。最后，我们使用`cv2.idwt2()`函数对融合后的子带进行反变换，得到融合后的图像，并使用`cv2.imshow()`函数显示融合后的图像。

需要注意的是，此示例中使用的是Haar小波变换，你可以根据需要使用其他小波变换。同时，融合的权重系数可以根据需要进行调整。