帮我用opencv 4.0.1 和python 3.8写一份代码要求如下： 使用小波变换将输入图像分解成高频、低频部分 并将高频、低频部分显示出来 随后对低频部分执行灰度形态学操作，构造 0°、45°、90°和135°四种方向的元素形状对低频部分进行灰度闭运算操作 之后采用 5×5 中值滤波 对高频部分进行去噪处理 随后使用小波逆变换将低频、高频部分重新合起来 并展示

好的，以下是代码实现：

import cv2
import numpy as np

# 读取输入图像
img = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 进行小波变换
coeffs = pywt.dwt2(img, 'haar')
cA, (cH, cV, cD) = coeffs

# 将高频、低频部分显示出来
cv2.imshow('low frequency', cA)
cv2.imshow('horizontal high frequency', cH)
cv2.imshow('vertical high frequency', cV)
cv2.imshow('diagonal high frequency', cD)

# 对低频部分进行灰度形态学操作
kernel_0 = np.array([[0, 0, 0],
                     [0, 1, 0],
                     [0, 0, 0]], dtype=np.uint8)
kernel_45 = np.array([[0, 0, 0],
                      [0, 1, 0],
                      [0, 0, 1]], dtype=np.uint8)
kernel_90 = np.array([[0, 0, 0],
                      [0, 1, 0],
                      [0, 0, 0]], dtype=np.uint8)
kernel_135 = np.array([[0, 0, 0],
                       [0, 1, 0],
                       [1, 0, 0]], dtype=np.uint8)

# 对低频部分进行灰度闭运算操作
cA_0 = cv2.morphologyEx(cA, cv2.MORPH_CLOSE, kernel_0)
cA_45 = cv2.morphologyEx(cA, cv2.MORPH_CLOSE, kernel_45)
cA_90 = cv2.morphologyEx(cA, cv2.MORPH_CLOSE, kernel_90)
cA_135 = cv2.morphologyEx(cA, cv2.MORPH_CLOSE, kernel_135)

# 对高频部分进行中值滤波
cH = cv2.medianBlur(cH, 5)
cV = cv2.medianBlur(cV, 5)
cD = cv2.medianBlur(cD, 5)

# 将低频、高频部分重新合并
new_coeffs = cA_0, (cH, cV, cD)
new_img = pywt.idwt2(new_coeffs, 'haar')

# 显示合并后的图像
cv2.imshow('output', new_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

注意，由于低频部分经过形态学操作后，像素值可能超出 0-255 的范围，需要进行数据类型转换。另外，代码中使用了 PyWavelets 库进行小波变换和逆变换的计算，需要先安装该库。