1.一种图像增强方法，其特征在于，包括如下步骤：步骤一：获取待增强的图像I；

步骤二：对图像I进行双密度双树复小波变换，得到4幅低频图像Ia,Ib,Ic,Id和32幅高频图像I1,I2,…Ii，其中i＝1,2…32；

步骤三：利用MSR算法对4幅低频图像进行处理得到I’a,I’b,I’c,I’d：具体的，步骤1)：将图像分为N块，其中图像第i个子块的局部图像熵为Hi，定义平均局部熵Q为：定义图像局部对比度P为：

其中mi为图像第i个子块的平均灰度值，为整个图像平均灰度值；

步骤2)：定义权值w1,w2,w3,为：w1＝(P+Q+1)/3,w2＝(1-w1)*2/3,w3＝(1-w1)/3(7)；

将公式(5)和公式(6)代入公式(7)得到权值w1,w2,w3,；

步骤3)：定义SSR的输出结果为：Rj(x,y)＝lg[I(x,y)-lg[Fj(x,y)×I(x,y)](8)其中：Rj(x,y)为SSR的输出结果；利用公式(8)对原图像进行三次不同尺度的单尺度SSR变换，得到R1,R2,R3；

三次变换的具体取值， 其中，标准差σ即为尺度参数；

步骤4)：定义MSR算法公式：

其中j＝1,…N，w为权值，RMSR(x,y)表示MSR算法的输出结果,K＝3,K为尺度函数σ的总个数；将公式(7)和(8)代入公式(9)得到改进的MSR变换结果；

步骤四：利用贝叶斯阈值去噪法对32幅高频图像进行处理得到I’1,I’2,I’3…I’i，其中i＝1,2…32；

步骤五：对结果图片进行逆小波变换得到增强图像R。

2.如权利要求1所述的图像增强方法，其特征在于，步骤二中双密度双树复小波变换的过程具体为：步骤1)：通过过采样技术得到两个尺度函数记为{φh(t),φg(t)}和四个小波函数{ψh,i(t),ψg,i(t)}，其中i＝1,2；t为时域内的时刻值；

同组的两个小波函数间相互偏离0.5个单位，得到函数：ψh,1(t)＝ψh,2(t-0.5),ψg,1(t)＝ψg,2(t-0.5) (1)不同组对应的小波函数之间形成近似希尔伯特变换对得到：ψg,1(t) H{ψh,1(t)},ψg,2(t) H{ψh,2(t)}   (2)；

步骤2)：利用步骤1)中的两个尺度函数和四个小波函数得到一个复尺度函数和二个复小波函数，φ(t)＝φh(t)+j(φg(t))     (3)；

ψi(t)＝ψh,i(t)+jψg,i(t)    (4)其中i＝1,2；

步骤3)：采用双树结构实现双密度双树复小波变换，得到4个低通子带图像和32个高通子带图像。

3.如权利要求1所述的图像增强方法，其特征在于，所述尺度参数σ取值为20，120，200。

4.如权利要求1所述的图像增强方法，其特征在于，步骤四中贝叶斯阈值去噪法利用广义高斯分布的去建立模型，广义高斯分布的标准差估计公式为：其中δx为标准差，Nj为小波系数中所有高频系数的个数， 为相应子带小波系数的值；

为噪声方差，如果不能预先知道图像的噪声，选择采用中位估计式(11)来估计噪声的方法；

其中x(i,j)为高频子带HHj中的通带系数；

定义δβ为源图像标准差估计，其计算公式如(12)贝叶斯阈值的计算公式为：

其中T就为计算得到的贝叶斯阈值。