### 基于小波变换的图像融合 Python 实现 为了实现基于小波变换的图像融合，在Python中可以利用`PyWavelets`库来执行小波变换操作，并通过NumPy和OpenCV来进行图像处理。下面是一个完整的示例代码，展示了如何读取两张图片并对其进行基于小波变换的融合。 ```python import pywt import cv2 import numpy as np def wtfusion(img1, img2, level=1, wavelet='haar'): """ 使用小波变换进行两幅图像的融合 参数: img1 (numpy.ndarray): 输入的第一张灰度图. img2 (numpy.ndarray): 输入的第二张灰度图. level (int): 小波分解层数，默认为一层. wavelet (str or Wavelet object): 所使用的离散小波名称或对象，默认采用Haar小波. 返回: fused_img (numpy.ndarray): 融合后的图像数据. """ # 对输入图像做小波分解 coeffs1 = pywt.wavedec2(img1, wavelet, level=level) coeffs2 = pywt.wavedec2(img2, wavelet, level=level) # 初始化用于存储融合系数的空间 fused_coeffs = list() # 处理低频分量（通常只有一层） cA1, (cH1, cV1, cD1) = coeffs1[0], coeffs1[-1] cA2, (cH2, cV2, cD2) = coeffs2[0], coeffs2[-1] # 计算平均值作为新的低频部分 cAfused = (np.abs(cA1)+np.abs(cA2))/2.0 # 高频细节部分采取绝对值较大者原则 max_cHD = tuple(map(lambda x, y: np.where(np.abs(x)>np.abs(y), x, y), [cH1,cV1,cD1], [cH2,cV2,cD2])) # 添加到最终的小波系数列表中 fused_coeffs.append(cAfused) for i in range(level): fused_coeffs.append(max_cHD[i]) # 进行逆向小波重构得到融合图像 fused_img = pywt.waverec2(fused_coeffs, wavelet)[^1] return fused_img if __name__ == "__main__": # 加载待融合的两个源文件 image_path_1 = 'path_to_image1' image_path_2 = 'path_to_image2' img1 = cv2.imread(image_path_1, 0) # 灰度模式加载第一个图像 img2 = cv2.imread(image_path_2, 0) # 灰度模式加载第二个图像 result = wtfusion(img1=img1, img2=img2, level=2, wavelet="db1") # 显示结果 import matplotlib.pyplot as plt fig, ax = plt.subplots(1, 3, figsize=(9, 3)) ax[0].imshow(img1, cmap='gray') ax[0].set_title('Image One') ax[1].imshow(img2, cmap='gray') ax[1].set_title('Image Two') ax[2].imshow(result.astype(np.uint8), cmap='gray') ax[2].set_title('Fused Image') plt.show() ``` 此段程序首先定义了一个名为`wtfusion()`的功能函数，该函数接收两个参数——即要被融合在一起的原始图像矩阵以及可选的小波类型与分解级别设置；接着分别对这两张图片进行了相同级别的小波分解；最后按照一定的策略组合高低频信息完成重建工作从而获得一张新合成出来的视觉效果更佳的新图像[^2]。