图像处理 使用python 3.8和opencv 4.0.1 图像进行小波变换coeffs = pywt.dwt2(gray, 'haar')、cA, (cH, cV, cD) = coeffs 并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 扩大划痕的宽度、或则将接近连续的划痕连接起来 之后采用 5×5 中值滤波 对高频部分进行去噪处理 去除噪音 保留轮廓 并显示低频、高频部分图像 最后进行逆变换 将逆变换的图像显示出来 请示例

下面是一个示例代码，其中使用了 OpenCV 和 PyWavelets 库，实现了对图像进行小波变换、形态学操作、中值滤波和逆变换：

import cv2
import numpy as np
import pywt


def morphology_process(img):
    # 构造四个方向的元素形状
    kernel_0 = np.array([[0, 0, 0], [1, 1, 1], [0, 0, 0]], dtype=np.uint8)
    kernel_45 = np.array([[0, 0, 1], [0, 1, 0], [1, 0, 0]], dtype=np.uint8)
    kernel_90 = np.array([[0, 1, 0], [0, 1, 0], [0, 1, 0]], dtype=np.uint8)
    kernel_135 = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 1]], dtype=np.uint8)

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

    return cA_morph


# 读取图像并进行小波变换
img = cv2.imread('lena.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
coeffs = pywt.dwt2(gray, 'haar')
cA, (cH, cV, cD) = coeffs

# 对低频部分进行形态学操作
cA_morph = morphology_process(cA)

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

# 重构图像
coeffs = cA_morph, (cH, cV, cD)
reconstructed_img = pywt.idwt2(coeffs, 'haar')

# 显示低频、高频部分
cv2.imshow('Low Frequencies', cA_morph.astype(np.uint8))
cv2.imshow('High Frequencies', cv2.merge([cH, cV, cD]).astype(np.uint8))
cv2.waitKey(0)

# 显示重构后的图像
reconstructed_img = reconstructed_img.astype(np.uint8)
cv2.imshow('Reconstructed Image', reconstructed_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码中首先读取了一张彩色图像并将其转换为灰度图像，然后使用 pywt.dwt2() 函数进行小波变换，得到低频部分 cA 和高频部分 cH、cV、cD 四个系数。

为了去除低频部分的划痕，我们先使用形态学闭运算对 cA 系数进行处理，将四个方向的元素形状进行叠加。然后使用 OpenCV 的 medianBlur() 函数对高频部分进行中值滤波去噪。

最后，将处理后的系数 cA_morph、cH、cV、cD 组合起来，使用 pywt.idwt2() 函数进行逆变换，得到重构后的图像。我们还可以使用 OpenCV 的 imshow() 函数显示低频、高频部分和重构后的图像。