用于校准数字成像仪的方法与流程

本发明涉及数字成像仪的领域。其可以应用于任何类型的成像仪，尤其是用于使x射线、可见光或红外光成像的成像仪。通过示例的方式在x射线成像仪的领域中并且在不丢失其它成像领域的适用性的情况下在此处描述了本发明。

本发明涉及用于校准成像仪处于各种水平的转移函数的方法。所提及的内容由以下部分组成：对偏移的校准、对增益的校准以及对缺陷和伪缺陷(artefacts)的校准。

技术实现要素：

数字成像仪是能够检测源图像并且能够将所述图像转换为数字矩阵(还被称为输出图像)的系统。输出图像继而显示到屏幕上，显示给将以此图像为基础做出决定或执行测量、或将仅仅意识到图像在艺术用途或家庭用途中的视觉质量的操作员。

在x射线成像仪的情况下，通过在x射线源与成像仪之间插入患者来产生临床图像。得到患者对x射线的透射度图像。操作员是放射科医师或放射科技师。

数字成像仪通常实施一个或多个以下阶段以生成输出图像：转导、采样、数字化、修正和/或呈现。

转导是将源图像转换为被称为可采集的图像(即，可由电子设备采集的图像)的图像：例如可见光子的图像、或电荷的图像。某些成像仪没有对转导的需求因为它们可以直接采集源图像(例如，通过CCD(CCD代表电荷耦合器件)传感器采集可见图像)。

在某些平坦的x射线图像的情况下，形成源图像的x射线光子通过闪烁器转换为可见光。

进而以矩阵的形式对该电子图像进行采样。这被称为采样。该采样矩阵实际上可以在采集信息的过程期间存在(TFT像素的矩阵阵列的情况)或被创建。所提及的内容可以由真空管的情况组成，真空管对具有以常规的时间间隔进行采样的电子读取束的表面进行扫描。

在某些平坦的x射线成像仪的情况下，通过感光像素的矩阵阵列来进行采样。

在数字化期间，模拟信息被转换为数字信息，该信息由读出电子设备进行传送，并且被布置为根据采样矩阵的图像。该图像被称为未经处理的图像。其包含无量纲值(dimensionless values)但它们按照惯例被认为用LSB(最低有效位的首字母缩略词)来表示。

未经处理的图像并非与源图像直接成比例。其必须经过修正。因此使源图像的再现尽可能的正确，即通过计算变换为与源图像直接成比例。这个新的图像被称为清洁图像或甚至被称为预处理图像。进行处理操作被称为偏移修正、增益修正以及缺陷和伪缺陷修正。这些处理操作在以下详细描述。

修改清洁图像以创建更好地适于操作员的需求的图像，该图像被称为后处理图像。这被称为呈现步骤。

在用于射线照相术的平坦的x射线成像仪的情况下，呈现包括锐化轮廓、压缩动态范围(对数标度)、以及水平逆转(使图像类似于将出现在x射线胶片上的常规射线照片)。其它模式(例如荧光透视)应用不同的处理操作。

未经处理的图像将被称为A。如果矩阵的每个像素被称为Aij，Aij显示对应于横坐标i和纵坐标j的像素的后缀ij。源图像将被称为S，并且按照相同的惯例显示Sij。通常，这两个图像是通过以下公式像素到像素相关的：

Aij＝Sij×Gij+OFij (1)

至少在Sij的值的某些范围内，并且对于其大多数像素，该公式对于任何数字成像仪是真实的。该范围被称为成像仪的线性范围。G和OF分别被称为成像仪的增益和偏移。

修正处理操作的第一步是偏移的修正。修正A中的偏移的结果是被称为A_Oc的图像。计算如下进行：

A_Ocij＝Aij-OF_REFij (2)

图像OF_REF被称为偏移参考。对于每个检测器必须通过数字成像系统的用户对该图像进行测量，这被称为偏移校准过程。最初可以通过获得暗图像来测量偏移参考。

在x射线成像仪的领域中，在不暴露于x射线的情况下产生暗图像。为了确定偏移参考，算出暗图像或多个暗图像的平均值以便于使参考偏移图像中所产生的残余噪音最小化。该过程在x射线成像仪用于临床服务之前的一段时间(即，几分钟或几小时)或刚好在获得临床图像之前或之后进行。在实施该过程期间，检测器不可用于获得临床图像。

通过将等式(1)插入等式(2)，可以得到以下等式：

A_Ocij＝Sij×Gij+(OFij-OF_REFij) (3)

如果已经正确地进行偏移校准，那么：

(OFij-OF_REFij)～0 (4)

其中，“～”意味着“大约等于”，并且因此：

A_Ocij＝Sij×Gij (5)

在这个阶段，得到为偏移而进行修正的图像A_Oc。

以下步骤是对增益的修正。A_Oc的增益修正的结果是被称为A_OcGc的图像。进行的计算为：

A_OcGcij＝A_Ocij/G_REFij (6)

图像G_REF被称为增益参考。对于每个检测器必须通过数字成像系统的用户对该图像进行测量，所使用的被称为增益校准过程。为了确定增益图像，产生了为偏移进行修正的多个白色图像并且通过对这些图像取平均值来对增益图像进行计算。这种取平均值的目的在于使增益图像中的残余噪音最小化。在x射线成像仪的领域，通过将成像仪暴露于x射线而不在成像仪与放射源之间插入患者或对象来产生白色图像。该过程在x射线成像仪用于临床服务之前的一段时间(几分钟、几小时、几天或几年)进行并且需要检测器在进行校准的时间段内暂停服务。

通过将等式(5)插入等式(6)，得到以下等式：

A_OcGcij＝Sij×Gij/G_REFij (7)

如果已经正确地进行增益校准，那么：

Gij/G_REFij～k (8)

其中，k是对于图像的所有像素相同的常数；并且因此：

A_OcGcij＝Sij×k (9)

因此，为偏移和增益进行修正的图像A_OcGc是图像S的正确再现，即等于S乘因数k。

成像仪的某些像素不满足公式(1)并且在步骤(9)之后具有不是S的正确再现的值。如果偏移过大，那么这些像素被认为是有缺陷的，并且其被选择为用另一个值来替代它们的值。该计算被称为缺陷修正。例如，缺陷修正可以包括用4或8个最接近的无缺陷的相邻单位的平均值来代替有缺陷的像素的值。缺陷修正一般在偏移和增益修正之后在图像A_OcGc上进行，并且所产生的图像被称为A_OcGcDc。

为了进行缺陷修正，有必要知道缺陷像素的列表。目的在于确定缺陷像素的列表的过程被称为缺陷校准。例如，可以在图像OF_REF或G_REF中搜索具有非典型值的像素并且确定这些像素是由缺陷的。在x射线成像仪的情况下，该过程在x射线用于临床服务之前的一段时间(几分钟、几小时、几天或几年)进行并且需要检测器在进行校准的时间段内暂停服务。

缺陷的列表可以存储在被称为DM_REF的图像中，当其像素有缺陷时为该像素分配0的值，而在其它情况下分配1的值。

成像仪的某些像素不满足公式(1)并且在步骤(9)之后具有不是S的正确再现的值。然而，对于它们而言偏差足够小以致于不会被认为是有缺陷的。然而，这些像素或像素组产生可以在图像中看到的失真：继而显示出伪缺陷。伪缺陷可以采取各种形式并且可以是各种的幅度，例如伪缺陷可以是比其它略白的行。当已知这些伪缺陷并且具有足够可预测的和具体的性能时，可以通过计算从图像中去除它们，而不降低源图像的保真度。该操作被称为伪缺陷修正。与缺陷修正相比，伪缺陷修正可以在修正的任何阶段进行，即在图像A或A_Oc或A_OcGc或A_OcGcDc上。最适合的步骤使根据伪缺陷产生过程进行选择。例如，在图像A_Oc中修正加法的伪缺陷并且在图像A_OcGc或A_OcGcDc中修正乘法的伪缺陷。

为了修正伪缺陷，有必要确定它们的数量、位置和幅度。这在被称为伪缺陷校准的过程中完成。伪缺陷的校准常常包括在使伪缺陷出现而没有其它影响的具体条件下替换成像仪，以便于得到伪缺陷的参考图像A_REFij。

在x射线图像的领域中，示例性伪缺陷是随温度变化的像素化，这已经被专利FR0707563授权。该伪缺陷是增益的局部漂移，这取决于温度并且不能够因此在图像G_REFij中进行采集，局部漂移在单一温度下产生。以由集成到成像仪中的温度传感器传送的温度为基础，专利描述了用于测量两种不同温度下的两个增益参考，从而允许对增益修正的计算应仅用于受影响的区域。对于每个像素该增益修正都不相同，从而使其采取对温度敏感的图像A_REFij的形式。该过程在x射线用于临床服务之前的一段时间(几分钟、几小时、几天或几年)进行并且需要检测器在进行校准的时间段内暂停服务。

如以上可以看到，修正需要校准。这些校准包括产生参考图像：OF_REF、G_REF、DM_REF或A_REF，其在以下一般被称为C_REF。校准过程提出了许多问题。

校准过程使成像仪暂停服务直到校准开始。特别地，校准过程一般需要图像在非常受控的条件下产生而没有中断，这与成像仪的一般使用不兼容。

校准过程需要专业实施这些过程的操作员的干预，例如因为过程是复杂的并且需要特别的工具(例如校准测试图案)。在x射线的情况下，用于校准增益的常规过程需要用x射线成像，并且在该情况下力的标准需要人操作员来呈现。

校准有时是随着时间的推移而不稳定的并且可以需要相对频繁的再校准。这种不稳定性的起因可能是检测器的组成硬件中的可逆或不可逆的变化，或检测器外的环境中的变化(温度、湿度、压力)。在x射线成像仪的情况下，尽可能频繁地再校准偏移，有时甚至在每个临床图像之间。缺陷可能需要等同频率或较低频率(一年一次)的再校准。关于伪缺陷，根据伪缺陷的类型的极为不同：频率可能从每个图像一次到每年一次发生变化。

这些问题使得用户产生额外的成本：停工成本以及人为干涉的成本。这会导致检测器不被用户按照需要进行再校准的某些情况，因此所产生的图像的最终质量降低。

因此，具有由某人支配并且没有前述缺点的校准过程将是非常有用的，即具有以下特征：

-不暂停检测器的服务的特征，即在图像被一般成像仪使用中断的情况下还能够进行工作；

-不需要人为干预的特征。在x射线成像仪的情况下，这具体而言意味着用临床图像进行增益校准；

-允许非常频繁的再校准的特征：凭借2个先前的点，降低了校准操作的成本并且因此可以按照需要频繁地进行再校准，从而保证检测器在其整个使用寿命中传送最高的图像质量。

本发明的一个主题是具有以上优点的新颖的校准方法。

特别地，本发明的一个主题是用于使用由成像仪预先所获得的P输入图像An的序列来校准数字成像仪的方法。校准图像C_REF应用于该图像以得到P输出图像Yn的序列，其特征在于：通过经由估计更新校准图像C_REF来进行校准，校准执行迭代n次，n为大于等于1的整数，图像Cn代表校准图像C_REF，其中限定了代表校准图像C_REF的初始图像C0，并且其中代表校准图像C_REF的图像Cn的估计包括以下步骤：

·变换至少一个P输出图像Yn，每次变换给出了输出图像Yn的变换的图像Zn；

·根据代表性图像和先前迭代的输出图像的变换的图像，估计代表校准图像C_REF与代表校准图像C_REF的初始图像C0之间的偏差dCn的图像的变换的图像MZn；

·逆向地变换代表性图像MZn以得到偏差dCn的图像；以及

·将初始图像C0与偏差dCn的图像结合并且得到代表校准图像C_REF的图像Cn。

附图说明

通过阅读由示例的方式给出的一个实施例的具体实施方式将更好地理解本发明并且其它优点将显而易见，其描述由附图示出，在附图中：

-图1a示出了图表，该图表示出本发明插入在修正链中，修正步骤使用参考图像C_REF从图像A1n经过到图像A2n，

-图1b示出了用于图1a中所示的修正步骤的实施方式，

-图2示出了更新方框的细节，其允许代表校准图像C_REF的图像Cn根据本发明进行计算。

为了清楚的目的，相同的元件在各个附图中被给予相同的附图标记。

具体实施方式

根据本发明的方法的原理包括：根据校准图像C_REF的当前值(并且可选地，p个先前值)并且根据由正常使用的检测器获得的当前图像A0(并且可选地，p个先前图像)连续迭代地估计代表校准图像C_REF的图像Cn，这不需要专家干预。当前的迭代次数将由以下描述中的指数“n”表示。当前图像将被称为A0_n。在不失去普遍性的情况下，连续迭代A01、A02等的输入图像可以即时连续或非即时连续。

图1a和图1b示出了图表，该图表示出本发明插入在修正链中。

图1a示出了使用校准图像C_REF以从图像A1n经过到A2n的修正步骤100。

图1b示出了用于该步骤100的本发明的实施方式。根据由成像仪预先获得的P输入图像An的序列，校准图像C_REF应用于该图像以得到P输出图像Yn的序列，通过经由估计更新(步骤110)校准图像C_REF来执行校准，校准执行迭代n次，n为大于等于1的整数，图像Cn代表校准图像C_REF。

图像A2n(或A3n，由先前的修正步骤产生的)被输入到方框中以用于更新C_REF，其通用名为Yn。该方框将计算代表校准图像C_REF的图像的被称为Cn的新的估计。当前校准图像C_REF现在可以被图像Cn替代。方框还将有权使用C_REF的估计的初始图像C0，其在第一次迭代之前可用。这可以是C_REF的常规校准的结果，或是空的图像(即，仅包含代表缺少修正的图像)。

在该描述中，为了不使附图杂乱并且在不失去普遍性的情况下，仅有一个单一图像Yn被示出为输入到更新方框中。然而，其继续而不声称进行估计，多个先前的图像A2(A3)可能被输入到该方框中；在这种情况下方框的输入将是Yn,Yn-1,…Yn-p。

同样地，Cn已经被示出为即时替代校准图像C_REF，但其继续而不声称在使用图像Cn之前可以等待一定数量的更新步骤。

图2示出了更新方框(步骤110)的细节，其允许计算代表校准图像C_REF的图像Cn。限定了代表校准图像C_REF的初始图像C0。代表校准图像C_REF的图像Cn的估计包括以下步骤：

·变换至少一个P输出图像Yn，每次变换给出了输出图像Yn的变换的图像Zn(步骤120)；

·根据代表性图像和先前迭代的输出图像的变换的图像，估计代表校准图像C_REF与代表校准图像C_REF的初始图像C0之间的偏差dCn的图像的变换的图像MZn(步骤130)；

·逆向地变换代表性图像MZn以得到偏差dCn的图像(步骤140)；以及

·将初始图像C0与偏差dCn的图像结合并且得到代表校准图像C_REF的图像Cn(步骤150)。

换言之，借助于以下将描述的数学变换，图像Yn被转换为图像Zn。图像dC_REF是对C_REF估计的初始图像C0与C_REF的实际当前图像之间的偏差的图像。使用以下将描述的方法，从MZn-1和Zn对代表dC_REF的变换的图像进行估计。借助于预先使用的变换的逆向数学变换，图像MZn被转换为图像dCn。图像dCn和C0被结合成图像Cn，图像Cn是代表C_REF的图像。

在该描述中，为了不使附图杂乱并且在不失去普遍性的情况下，仅有一个单一图像Zn和MZn-1被示出为输入到估计方框中。其继续而不声称p个先前的图像Zn-1,Zn-2,…Zn-p或MZn-1,MZn-2,…MZn-p还可以用于进行该估计。

为了简单的目的，术语“变换”将在以下参考图2中标记变换的方框(步骤120)时使用。同样地，术语“修正”将用于不必写入图像dC_REF。在不失去普遍性的情况下，为了对增益修正的估计仅在以下给出了该方法的应用的实际示例。该修正更准确来说是代表增益参考中的漂移的估计。然而将显示“修正”以免不必要地加长文本。

变换的目的在于使临床背景与要估计的修正分开。变换包含新维度中的像素值，通过频率分析中所使用的术语的普遍，其被称为带。同样地，显示了高频带和低频带以限定带分别包含细节和大的结构。

可以将修正分类为两个主要的类型：加法修正和乘法修正。一般而言，对于加法修正(例如偏移修正)，使用执行加法分解的变换，即如果被分解的图像C的组分被称为Ci：

C＝sum(Ci)

在这种情况下，在缺少信号时背景(即，图像Ci的典型值)等于0。该值被称为中性值。

对于乘法修正(例如增益修正)，使用使图像分解成乘法组分的变换，即：

C＝product(Ci)

在这种情况下，在缺少信号时背景等于1并且因此中性值等于1。然而，还可以使用任何一个或这两个的结合。

换言之，变换执行加法或乘法分解。

大多数常规变换执行加法分解。可以通过各种计算方法将它们转换为乘法分解。一种可能的方法是转换为对数标度：

LC＝log(C)

在这种情况下，图像LC通过常规变换被分解为加法组分LCi。因此凭借指数函数(所指示的exp)的特性，分解变为乘法性：

C＝exp(LC)＝exp(sum(LCi))＝product(exp(LCi))

分解的乘法组分为exp(Lci)项。

换言之，通过对图像应用对数变换以得到对数变换的图像，随后通过对对数变换的图像应用加法变换，来进行图像的乘法分解变换。

另一种可能的方法是直接修改所使用的变换从而使其执行乘法分解。图像包括高频和低频。通过将图像除以低频BF以得到高频HF，通过在变换的每个步骤中将图像的高频HF与低频BF分开，来执行图像的乘法分解。换言之，一种可能的实施方式是，在计算分解成2个带时，即低频带(BF)和高频带(HF)，用以下方式计算HF带：

HF＝C/BF

意味着乘法再构造为：

C＝HF×BF＝C1×C0

通过在分解的所有步骤中以这种方式进行，得到了乘法分解：

C＝product(Ci)

通常，变换可以是高通滤波操作，小波变换、傅里叶变换、或曲波变换、或这些变换的结合、或甚至是任何其它变换具有允许临床背景与要进行估计的修正分开的特性。

本发明还可以适用于被称为识别变换的变换，即没有变换。识别变换的缺点在于很难将“临床背景”部分与“修正”部分分开。如果用于估计代表修正的图像的方法是平均数，那么即使算出非常大量的图像p的平均值，在修正图像中的残余噪音保持非常高以致于修正图像也无法使用。特别地，在例如仅取肺部图像的医院中，所有的射线照片在患者胸部后方的中间都是暗的，并且在周围是非常亮的，因此此处x射线射到而无衰减。对大量的图像取平均值创建了相对统一的修正但代表“患者平均值”的胸部图像并且这完全不是期望的效果。过程必须采集可归因于增益参考中的漂移而非临床背景、或至少归因于低于可见性阈值的水平的变化。可见性阈值典型地为1％与0.1％之间。

如果该方法不是要采集临床背景，那么有必要应用变换，通过构造该变换将确保临床背景典型地等于缺少临床背景时的值。这样做可以使用应用“高通”滤波器的变换，例如在乘法分解的情况下，通过由图像本身的副本将图像划分为大约一百个像素，图像本身的副本预先由所应用的高斯滤波器进行滤波。这样的滤波器将有效地去除低频临床背景，临床背景的剩余部分在给定的像素中随机地高于或低于1，并且意味着平均数等于1。然而，这个变换还将去除缺陷的低频部分。因此，修正是不完整的，因为进行的滤波不是可逆的。因此，高幅度的缺陷(例如，修正1.2的)以及仅在一个方向上尺寸大(例如，50列的组)的缺陷经历大部分它们的信号被去除并且因此未被修正。

为了纠正这些缺点，有必要使用变换，该变换不仅确保临床背景的平均值为1，还保存缺陷，或者甚至放大它们的信噪比，从而使估计更加可靠。例如，可以使用小波变换。这种类型的变换特别好地检测具有水平和垂直边缘的结构。由于校准缺陷有时(但不总是)符合这种类型的结构，因此它们的确被采集到。临床背景一般不与水平或垂直边缘准确地对齐，因此可以更好地与任何缺陷分开。小波变换还具有运算量不大的优点，这对于要在内建电子系统中实施本发明是重要的。例如，可以根据以下内容来使用小波滤波器：Haar，Daubechies(n)其中n＝2到20，Symlet(n)其中n＝4到20，Coiflets(n)其中n＝6、12、18、24或30，Battle-lemarie(n)其中n＝0到6，Bspline(m,n)其中(m,n)＝(1,1)到(1,5)、或(2,2)到(2,8)或(3,1)到(3,9)。还可以使用二元式的非抽样或抽样小波变换、或两者的结合。两者的结合可以包括例如高频的非抽样和低频的抽样，这是变换的每个步骤中的情况。

还可以使用曲波变换，曲波变换具有最佳用于利用极少的系数来估计由限于二阶的演化(非常快速的收敛)可近似的缺陷。曲波变换有效地采集任何方向上的缺陷(它们不需要集中于水平或垂直方向)。另外，这种类型的变换是诸如当前时刻所理解的人眼操作的更好的近似法：对于眼睛最容易看见的缺陷因此最容易在修正中采集到。曲波变换的缺点是其采用了傅里叶变换、复数、大约7倍的冗余(该变换包括比初始图像多大约7倍的点，这些点为复数)，以及其相对高的运算量：对于一轮变换需要大约4个快速傅里叶变换。

存在许多其它可逆或不可逆的空间变换。可以使用任何变换或变换的结合或变型(例如，可以选择平滑的或不平滑的变换，或甚至抽样或非抽样的变换等)以及相关联的滤波器(例如高通滤波器)，前提是其使临床背景与缺陷至少部分地隔离，并且确保在某些变换的元素中，如果仅出现临床背景则变换所取的大量值的平均值为中性值(对于乘法分解为1，对于加法分解为0)，并且在相反的情况下等于缺陷的变换。

图2示出了用于估计代表dC_REF的变换的图像的方框图的使用。

由于该估计是迭代的，所使用的临床信息可以或可以不是连续的。例如，可以以n跳过一个图像，其中n＝2、3或更大，或甚至在设定时刻取图像；例如可以在10或30分钟之后取第一图像。对于每组P个图像或甚至在一系列的每个新图像上(新的系列因此将具有与先前的系列一样的P-1个图像)，可以重新开始计算。还可以想象一种构造，其中如果成像仪与用户的需求不兼容，则允许其不执行一个或多个更新。例如，由于需要新的图像，所以可能遇到成像仪不可用的这样的情形。在这种情况下，可以中断或中止更新计算以在以后完成，或可以放弃更新计算并且在处理器一旦可用时用后续图像重新开始计算(例如，检查患者完成)。

可以以各种方式估计代表C0与C_REF之间的偏差dCn的图像的变换的图像MZn，即借助于平均数、朴素平均数(mean)、时间移动平均数、中位数、迭代中位数、或甚至是中位数与偏差的联合迭代估计(还被称为迭代mu-sigma估计)。

朴素平均数包括对每个像素计算最后i个值的平均数，而排除计算标记的值。该方法具有许多缺点：存储成本高、运算资源量大、以及对于临床背景不是非常鲁棒。

移动平均数包括：根据步骤(n-1)、MZ_n-1中进行的估计，并且根据当前图像Zn，使用以下公式来估计平均数：

MZ_n＝MZ_n-1×(1-a)+Z_n×a

系数a采用包括在0与1之间的值，例如a＝0.001。该公式具有以下优点：仅需要一个图像(图像MZ_n-1，而非最后i个图像)存储在存储器中，并且仅进行一次加法来计算平均数。如果a＝0.01，那么这近似于100个图像的平均值的等同物。因此，该技术避免必须将最后100个图像存储在存储器中并且避免执行100次加法。另外，其对于最新的图像给出了较高的权重。特别地，图像(n-p)近似加权a×((1-a)^p)并且(1-a)^p极倾向于0，这在估计期间缺陷发生变化时是不可取的。该技术提高了所需的存储与运算能力，但对于临床背景不鲁棒。特别地，期望估计缺陷典型地为10％与0.1％之间，并且由于临床背景而产生的局部中断可能是非常大的，例如100％。如果100％的临床中断被记录，并且使用系数a＝0.01，那么修正包括等于100％×0.01＝1％的中断，这个水平太高以致于不能够接受。另外，该中断在与1/a成比例的图像数量(即，100个图像)中是不可见的。这不是小数量。可以通过减少a的值(例如，减少到a＝0.001)来降低这种效果。在这种情况下，临床残留将等于0.1％，这可以是视觉上可接受的，但其将需要大约2/a个图像(即，2000个图像)来估计缺陷，这并不是小数量。

在出现中断的情况下存在用于估计代表性图像的许多技术，继而显示平均数的鲁棒估计量。这些鲁棒估计量中最常用的是中位数。特别地，对于每个像素可以计算最后i个图像Zn的中位数。然而，这需要最后i个图像存储在存储器中并且中位数的计算本身是耗费计算时间的操作。的确，需要以递增的顺序对每个像素的i值进行分类以确定其中的哪些处于中间。

为了限制运算成本和在存储器方面的成本，可以使用迭代中位数。这是比较MZ_n-1和Z_n的问题，MZ_n-1是对图像Z第(n-1)次迭代的估计：

如果Zn>MZ(n-1)，那么MZn＝Mz(n-1)+a

如果Zn<MZ(n-1)，那么MZn＝Mz(n-1)-a

a的值被选择为足够低以致于两个图像之间的变化是可忽略的，例如0.01％。该估计量朝中位数收敛并且与移动平均数相比不需要更多的图像存储在存储器中。另外，临床背景的100％的中断仅产生a(即，0.01％)的误差。利用该技术，可以通过调节因数a来轻易地控制收敛率和残余噪音。在该示例中，将需要至少200个图像来修正2％幅度的缺陷，并且需要1000个图像来修正10％的缺陷。残余的噪音实际上将局限于大约5倍的a，在这种情况下为0.05％。该方法的缺点在于将噪音限制到低水平(小于1％)，必须使用低a值并且缓慢地修正突然出现的高幅度缺陷：如果缺陷幅度为10％则需要1000个图像。

为了纠正这些缺点，可以使用迭代联合技术来估计中位数和标准偏差，该技术还被称为迭代mu-sigma技术。这样做，除了平均数MZ之外，以以下方式对鲁棒的标准偏差SZ进行估计：

如果Zn>MZ_n-1，那么MZ_n＝MZ_n-1+a (11)

如果Zn<MZ_n-1，那么MZ_n＝MZ_n-1-a (12)

如果|Zn-MZn|>Sz(n-1)，那么Szn＝Sz(n-1)×b (13)

如果|Zn-MZn|<Sz(n-1)，那么Szn＝Sz(n-1)/b (14)

最后，a＝k×Sz(n-1)，其中k处于1与0.01之间，例如k＝0.2。|x|代表x的绝对值。

(11)-(12)的一种可能变型是：

如果Zn>MZ_n-1，那么MZn＝MZ_n-1×a，

如果Zn<MZ_n-1，那么MZn＝MZ_n-1/a，其中a＝1+k×Sz(n-1)/MZ(n-1)。

根据所需的调节率来设定b的值，一般为1与2之间，例如b＝1.2。这允许与平均数相比快得多调节标准偏差。最小值和最大值(Smax和Smin)被设定为防止结果出现分歧；例如Smax＝10％并且Smin＝0.001％。开始，S的值被设定为S0，例如为0.5％。该过程使其可以快速地得到每个像素中误差幅度的顺序。如果在像素中不存在缺陷，误差将比起始值低并且Sz的值将快速朝图像的平均X噪音收敛。如果可见(即出现高幅度的缺陷)，Sz将快速朝该偏差的值收敛。

由于在每个图像上并且根据Sz来调节a的值，所应用的修正按照需要自动地适应：如果出现缺陷，修正等于该缺陷的一部分，缺陷在几次迭代中被快速修正。由于缺陷已经消失，偏差的值将快速下降到图像的X噪音的水平并且a的值因此正好低于感觉的阈值。该过程具有提供要应用的修正的自适应的优点，修正随着时间的推移是稳定的：当误差巨大并且是系统性误差时，其快速修正；但当不存在误差时，修正不会明显变化。该解决方案的代价是两个变换(Mz和Sz)必须存储在存储器中，并且执行一些附加的计算。

这描述了用于迭代n次得到MZn的估计(即，代表迭代n次的修正的图像)的各种方法。

通过逆向变换代表偏差的图像MZn(其给出了修正图像dCn)，随后通过结合dCn和C0，来计算代表校准图像C_REF的图像Cn的新估计。

用于结合dCn和C0的方法取决于如何估计修正。例如：

-加法结合：C_REF＝C0+dCn

-乘法结合：C_REF＝C0×dCn

换言之，初始图像C0与图像dCn的结合是加法或乘法结合。