JP5035396B2 - スペクトラムデータ補正装置および方法 - Google Patents

Description

本発明は、入力スペクトラムデータからノイズを除去して出力するスペクトラムデータ補正装置および方法に関するものである。

従来から、入力されるスペクトラムデータ（入力スペクトラムデータ）にはノイズが含まれているため、入力スペクトラムデータに含まれるノイズを除去して出力する処理が行われている。

たとえば光スペクトラムアナライザでは、入力スペクトラムデータに含まれる白色雑音を移動平均処理によって除去して出力している（特許文献１参照）。この移動平均処理によれば、時系列的に複数取得された入力スペクトラムデータを平均化することにより値の変動が大きいノイズ成分が相殺され、ノイズが除去されたスペクトラムデータを得ることができる。

ところが、従来の移動平均処理では、入力スペクトラムデータを構成する全ての測定データに対して移動平均処理を行う。このため、急峻なスペクトルピークを持つ入力スペクトラムデータであっても、急峻なスペクトルピークの近傍において移動平均処理による積分効果によりスペクトル形状がなまってしまう。

これに対して、ユーザがノイズの重畳する測定データのみを選択し、この選択された測定データのみに局所的に移動平均処理を行うことにより、スペクトル形状のなまりを防止する方法もあるが、ノイズが重畳しているか否かの判定には人間の判断が介在することとなり、ノイズ除去の自動化ができない。

そこで、スペクトル形状のなまりを抑止しつつ、入力スペクトラムデータからノイズを自動的に除去する装置および方法も提案されている（特許文献２参照）。

図７は、特許文献２に記載されている光スペクトラムアナライザ１００の概略構成を示すブロック図である。光スペクトラムアナライザ１００は、主としてレーザ発振器から出射されたレーザ光の波長を分析するもので、分光器１、光検出器２、増幅器３、Ａ／Ｄ変換器（アナログ／デジタル変換器）４、記憶部５、操作部６、ＣＰＵ７および表示部８を備えている。

分光器１は、たとえば光ファイバを介して入射されるレーザ光などの被測定光を分散分光し、被測定光に含まれる所望の波長成分の光を取り出して出力する。

光検出器２は、受光面が分光器１と対向するように配置され、分光器１から出射された光を受光して電気信号に変換して出力する。この光検出器２としては、たとえばフォトダイオードを用いることができる。

増幅器３は、光検出器２から出力された電気信号を増幅して出力するものである。

Ａ／Ｄ変換器４は、増幅器３で増幅された電気信号（アナログ信号）をデジタル信号に変換し、このデジタル信号を測定データとしてＣＰＵ７が接続されたバスＢに対して出力する。

記憶部５は、ＣＰＵ７が実行する制御プログラム、信号処理プログラムなどを予め記憶するとともに、各種パラメータを一時的に記憶するもので、バスＢを介してＣＰＵ７と電気的に接続されている。この記憶部５は、ハードディスク、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）などから構成され、ＣＰＵ７の指示の下、各種情報の入出力を行う。

操作部６は、ファンクションキーやテンキーなどの各種操作ボタンを備え、ユーザからの操作指示を出力するもので、バスＢを介してＣＰＵ７と電気的に接続されている。

ＣＰＵ７は、バスＢを介して、Ａ／Ｄ変換器４、記憶部５、操作部６および表示部８と電気的に接続されていて、これら各部を上記の制御プログラムに基づいて制御するとともに、上記の信号処理プログラムに基づいて測定データに所定の演算処理（スペクトラムデータ補正方法）を施すことによりスペクトラムデータを取得し表示部８に表示させる。

表示部８は、上記スペクトラムデータを視覚化して出力するもので、バスＢを介してＣＰＵ７と電気的に接続されている。この表示部８は、たとえばＬＣＤ（液晶表示装置）やＣＲＴ（陰極線管）から構成される。

光スペクトラムアナライザ１００は、ＣＰＵ７により測定データに基づいてスペクトラムデータを取得するが、この際、図８に示すブロック図により、スペクトラムデータ補正処理（スペクトラムデータ補正方法）が上記信号処理の一部として行われる。

図８は、光スペクトラムアナライザ１００におけるスペクトラムデータ補正処理の行うための機能構成を示したブロック図である。図８に示すように、光スペクトラムアナライザ１００は、スペクトラム補正処理を行うために、フラグ付加部１０、選択部２０、実行部３０および出力部４０を備えている。なお、これらのフラグ付加部１０、選択部２０、実行部３０および出力部４０は、上記記憶部５およびＣＰＵ７によって具現化される。

フラグ付加部１０は、入力スペクトラムデータを構成する測定データのうち波長軸（周波数軸）で隣り合う測定データを比較し、比較した測定データの大小関係を示すフラグを付加するものである。そして、フラグ付加部１０は、フラグを付加した入力スペクトラムデータをフラグ付加スペクトラムデータとして出力する。なお、入力スペクトラムデータは、ＣＰＵ７に入力される測定データの値に基づいて得られるスペクトラムデータであり、単位時間における測定データの値（光出力）と波長とを表す関数である。

より詳細には、フラグ付加部１０は、隣り合う測定データを比較し、長波長側の測定データが短波長側の測定データより小さい場合には短波長側の測定データにフラグ「１」を付加し、長波長側の測定データが短波長側の測定データと同じあるいは大きい場合には短波長側の測定データにフラグ「０」を付加する。

このように、フラグ付加部１０は、長波長側の測定データから見て短波長側の測定データが減少する場合と、長波長側の測定データから見て短波長側の測定データが同じあるいは増加する場合とにおいて異なるフラグを付加する。なお、入力スペクトラムデータを構成する測定データのうち、最も長波長側の測定データは、フラグを付加するための比較対象がないため、便宜的にフラグ「０」を付加しておく。

選択部２０は、フラグ付加スペクトラムデータ（すなわち付加されたフラグ）に基づいて、入力スペクトラムデータを構成する測定データのうち移動平均処理を行う測定データを選択する。そして、選択部２０は、移動平均処理を行うべく選択した測定データである選択測定データと、選択されなかった測定データ（移動平均処理を行わない測定データ）である非選択測定データとを別々に出力する。

より詳細には、選択部２０は、まず最初に隣り合うフラグを比較し、フラグが異なっている場合には当該フラグが付加されている測定データをこれらの平均値に置き換え、フラグが連続している場合には当該フラグが付加されている測定データをそのままとすることによって、ノイズ重畳判別用のスペクトラムデータを生成する。なお、上述の測定データの平均値への置き換えは、予め定められた所定回数繰り返してもよい。

続いて、選択部２０は、ノイズ重畳判別用のスペクトラムデータと、入力スペクトラムデータとを比較し、ノイズ重畳判別用のスペクトラムデータの値と異なっている入力スペクトラムデータの測定データを選択測定データとして出力し、ノイズ重畳判別用のスペクトラムデータの値と同じ入力スペクトラムデータの測定データを非選択測定データとして出力する。

つまり、選択部２０は、隣り合うフラグが異なる場合に、これらのフラグが付加された測定データを平均値化した値を、これらのフラグが付加された測定データと置き換えてノイズ重畳判別用のスペクトラムデータの測定データとすることによって元の測定データとの差を発生させる。そして、選択部２０は、このノイズ重畳判別用のスペクトラムデータの測定データとの差が存在する入力スペクトラムデータの測定データを選択測定データとする。すなわち、隣りの測定データに付加されたフラグが異なる測定データが選択測定データとされる。

図９は入力スペクトラムデータを示す波形図で、レーザ発振器から出射されたレーザ光の入力スペクトラムデータを示している。図９に示す入力スペクトラムデータは、急峻なスペクトルピークＰを有しており、白色雑音が重畳している。そして、レーザ光の入力スペクトラムデータは、急峻なスペクトルピークＰを有しているため、スペクトルピークＰ近傍の光出力が高い領域では光出力の変化率が大きくて白色雑音の影響が小さくなり、スペクトルピークＰから離れた光出力の低い領域では白色雑音の影響が大きくなる。

このような入力スペクトラムデータに対して上述のようにフラグ付加部１０で測定データに対してフラグを付加すると、スペクトルピークＰ近傍の光出力が高い領域では白色雑音の影響が小さく、隣り合う測定データの変化率が大きいため、同じフラグが連続する。また、スペクトルピークＰから離れた光出力の低い領域では、白色雑音の影響が大きく、測定データの増減がランダムに発生するため、フラグが頻繁に変化する。

そして、選択部２０においては、隣り合うフラグが異なる場合に、当該フラグが付加された測定データが選択測定データとされる。したがって、白色雑音の影響の大きい領域の測定データが選択測定データとされ、白色雑音の影響の小さい領域の測定データが非選択測定データとされる。

なお、スペクトルピークＰにおいては、測定データの変化方向が反転するため、異なるフラグが付加される。このため、全ての測定データをフラグが異なる場合に選択測定データとした場合には、スペクトルピークＰの測定データも選択測定データとされ、後に移動平均処理されてしまう。

特に入力スペクトラムデータが急峻なスペクトルピークである場合には、分解能およびダイナミックレンジの低下を低減させるために、スペクトルピークＰの測定データは移動平均処理しないことが好ましい。したがって、選択部２０は、スペクトルピークＰの測定データ（入力スペクトラムデータの頂点を示す測定データ）を特異点測定データとして抽出し、当該特異点測定データを選択測定データとして選択しないこととしている。すなわち、選択部２０は、特異点測定データを非選択測定データとする。

詳細には、選択部２０は、隣り合うフラグを比較した際に、フラグ「１」が予め定められた所定個数連続するフラグ連続領域と、フラグ「０」が予め定められた所定個数連続するフラグ連続領域との変換点の測定データを特異点測定データとし、特異点測定データの値をフラグに拘わらず固定とする。これによって、ノイズ重畳用のスペクトラムデータと入力スペクトラムデータとを比較した場合に、特異点測定データは、ノイズ重畳用のスペクトラムデータおよび入力スペクトラムデータにおいて同じ値を示すため、非選択測定データとされる。

なお、フラグ連続領域を決定するために必要とするフラグの個数は、白色雑音の影響が大きな領域においてフラグが連続すると推測される最大個数にマージンを持たせた個数とする。これによって、確実に特異点測定データを抽出できる。

また、特異点測定データに限らずフラグ連続領域の測定データについても、白色雑音の影響が少ないため、後に移動平均処理を行う必要はない。したがって、本実施形態の光スペクトラムアナライザ１００において選択部２０は、フラグ連続領域の測定データを、特異点測定データと同様に非選択測定データとする。

図８に戻り、実行部３０は、選択部２０にて選択された選択測定データに対して移動平均処理を行うものである。具体的には、実行部３０は、下式（１）に基づいて、選択測定データに対して移動平均処理を行い、移動平均処理された移動平均処理測定データを出力する。

なお、式（１）において、ｇ（ｉ）がノイズ除去スペクトラムデータ（最終的に白色雑音が除去されたスペクトラムデータ）のｉ番目の測定データの値を示し、ｆ（ｉ）が入力スペクトラムデータのｉ番目の測定データの値を示し、ｍが予め定められた前後の移動平均ポイント数を示している。また、ｇ（ｉ）のｉは、ｍ＋１からｎ（入力スペクトラムデータを構成する測定データの総数）−ｍまでとされる。

そして、実行部３０によって、ノイズ除去スペクトラムデータのうち移動平均処理によって白色雑音が除去された測定データが算出される。

出力部４０は、実行部３０から出力された移動平均処理された測定データと、選択部２０から出力された非選択測定データとを合成することによって、ノイズ除去スペクトラムデータを完成させて出力するものである。

なお、選択部２０から出力される非選択測定データは、式（１）に倣うと、式（２）となる。

ｇ(i)＝ｆ(i) (2)

図１０は、図９に示す入力スペクトラムデータから生成されたノイズ除去スペクトラムデータを示す波形図である。図９と図１０とを比較すれば分かるように、光スペクトラムアナライザ１００によって生成されたノイズ除去スペクトラムデータは、入力スペクトラムデータのスペクトルピークＰ近傍領域におけるなまりが防止され、かつ、白色雑音が除去されたものとなる。

次に、上述のように構成された光スペクトラムアナライザ１００におけるスペクトラムデータ補正処理（スペクトラムデータ補正方法）について、図１１のフローチャートを参照して説明する。

スペクトラムデータ補正処理が開始され、入力スペクトラムデータｆ（ｉ）が入力される（ステップＳ１）と、フラグ付加部１０は、入力スペクトラムデータｆ（ｉ）を構成する測定データのうち、波長軸にて隣り合う測定データを比較し、比較した測定データの大小関係を示すフラグを付加する（ステップＳ２）。

このとき、フラグ付加部１０は、長波長側の測定データが短波長側の測定データより小さい場合には短波長側の測定データにフラグ「１」を付加し、長波長側の測定データが短波長側の測定データと同じあるいは大きい場合には短波長側の測定データにフラグ「０」を付加する。そして、フラグ付加部１０は、フラグを付加した入力スペクトラムデータをフラグ付スペクトラムデータとして出力する。

このようにフラグ付加部１０において入力スペクトラムデータｆ（ｉ）にフラグが付加され、フラグ付スペクトラムデータとして出力されると、選択部２０は、隣り合うフラグを比較し、入力スペクトラムデータｆ（ｉ）に含まれる特異点測定データおよびフラグ連続領域の測定データを抽出し（ステップＳ３）、抽出した測定データの値を固定する。

続いて、選択部２０は、隣り合うフラグを比較し、フラグが異なっている場合には当該フラグが付加されている測定データをこれらの平均値に置き換え、フラグが連続している場合には当該フラグが付加されている測定データをそのままとする処理（平均値化の処理）を行うことによりノイズ重畳判別用のスペクトラムデータｆ′（ｉ）を生成する。

具体的には、選択部２０は、測定データの平均値化の処理回数Ｋが予め定められた所定のループ回数行われているかを判定（ステップＳ４）し、行われていない場合には、処理回数Ｋがループ回数に到達するまで繰り返し、平均値化の処理（ステップＳ５）を行う。この結果、ノイズ重畳判別用のスペクトラムデータｆ′（ｉ）が生成される。

続いて、選択部２０は、入力スペクトラムデータｆ（ｉ）とノイズ重畳判別用のスペクトラムデータｆ′（ｉ）とを比較し（ステップＳ６）、入力スペクトラムデータｆ（ｉ）における値とノイズ重畳判別用のスペクトラムデータｆ′（ｉ）との値が同じ測定データ（すなわちｆ（ｉ）−ｆ′（ｉ）＝０である測定データ）を非選択測定データとし、ノイズ除去スペクトラムデータｇ（ｉ）の測定データとして出力する。

また、選択部２０は、入力スペクトラムデータｆ（ｉ）における値とノイズ重畳判別用のスペクトラムデータｆ′（ｉ）との値が異なる測定データ（すなわちノイズ重畳判別用のスペクトラムデータの測定データとの差が存在する入力スペクトラムデータの測定データ）を選択測定データとして出力する。

なお、特異点測定データおよびフラグ連続領域の測定データは、ステップＳ３において抽出されて値を固定されているため、ステップＳ６にて非選択測定データとなり、移動平均処理されることなく出力される。

選択部２０から選択測定データが出力されると、実行部３０は選択測定データに対して移動平均処理（ステップＳ７）を行い、移動平均処理を行った測定データ（移動平均処理測定データ）をノイズ除去スペクトラムデータｇ（ｉ）の測定データとして出力する。

このようにして、選択部２０から非選択測定データがノイズ除去スペクトラムデータｇ（ｉ）の測定データとして出力され、実行部３０から移動平均処理された測定データがノイズ除去スペクトラムデータｇ（ｉ）の測定データとして出力されると、出力部４０はこれらの測定データを合成してノイズ除去スペクトラムデータｇ（ｉ）を生成し出力する（ステップＳ８）。

そして、このようなスペクトラムデータ補正処理によって生成されたノイズ除去スペクトラムデータｇ（ｉ）は、図８に示すように、スペクトルピークＰ近傍領域におけるなまりが防止され、かつ、白色雑音が除去されたものとなる。

図１２は、光スペクトラムアナライザ１００が行う他のスペクトラムデータ補正処理を説明するためのフローチャートである。図１２のステップＳ６において、選択部２０は、入力スペクトラムデータｆ（ｉ）における測定データの値とノイズ重畳判別用のスペクトラムデータｆ′（ｉ）における測定データの値との差の絶対値を算出する。なお、ノイズ重畳判別用のスペクトラムデータｆ′（ｉ）は、大小関係が比較された測定データの値の平均値であるため、上記絶対値は、入力スペクトラムデータｆ（ｉ）における測定データの値と大小関係が比較された測定データの値の平均値との差を示す。

そして、選択部２０は、上記絶対値が０である場合には、非選択測定データとして測定データを出力する。また、選択部２０は上記絶対値が０でない場合には、選択測定データとして測定データを上記絶対値と共に出力する。

選択測定データが絶対値と共に出力されると、実行部３０は、当該選択測定データの移動平均処理にあたり、絶対値の値に応じて式（１）に示される移動平均処理のポイント数ｍを変化させる。より詳細には、実行部３０は、絶対値の値が相対的に大きい場合には、移動平均処理のポイント数を増加させ、絶対値の値が相対的に小さい場合には、移動平均処理のポイント数を減少させる。

上記絶対値は、白色雑音の量に比例する。これにより、入力スペクトラムデータｆ（ｉ）から効率的に白色雑音を除去できる。また、白色雑音の重畳量が多い測定データでは、よりポイント数の多い移動平均処理が行われ、より確実に白色雑音が除去されるため、移動平均処理した測定データと、移動平均処理をしていない測定データとの連続性を高め、ノイズ除去スペクトラムデータｇ（ｉ）の連続性を向上させることが可能となる。

このように構成される光スペクトラムアナライザ１００によれば、波長軸上で隣り合う測定データが比較され、その大小関係を示すフラグが付加される。そして、当該フラグに基づいて移動平均処理を行う測定データが選択され、この選択された測定データのみに移動平均処理が行われる。

つまり、隣り合う測定データの大小関係を示すフラグに基づいて、ノイズが重畳された（ノイズの影響が大きな）測定データが自動で選択され、この選択された測定データのみに移動平均処理が行われる。

したがって、スペクトル形状のなまりを抑止しつつ、入力スペクトラムデータからノイズを自動的に除去できる。

また、移動平均処理を行う測定データを選択する前に、入力スペクトラムデータの頂点を示す測定データを特異点測定データとして抽出し、抽出された特異点測定データを移動平均処理を行う測定データとして選択しないという構成を採用する。

これにより、特異点測定データが移動平均処理されることを防止し、分解能およびダイナミックレンジの低下を抑止できる。

特開２００２−１６８６９１号公報 特開２００９−１８０６７９号公報

しかし、従来の処理方法によれば、たとえばスペクトラムピーク部分のように信号レベルが十分に大きくＳＮが確保されているようなスペクトラムに対してもノイズ重畳ポイントであると誤判定し、ノイズ除去処理を実施してしまうおそれがある。すなわち、意図していない信号に対してもノイズ除去が実施されてしまう可能性がある。

また、データのサンプリングポイント数が少なく、かつ急激な信号レベルの変化があるスペクトラムの場合には、そのスペクトラムの立ち上がり部分において、データの不連続性が生じることがある。

本発明は、これらの問題点に鑑みてなされたもので、その目的は、意図しない信号に対するノイズ除去処理が行われることがなく、急激な信号レベルの変化があるスペクトラムの場合におけるデータの不連続性の発生を防止することにある。

このような課題を達成するために、本発明のうち請求項１記載の発明は、
入力スペクトラムデータを構成する測定データの極値点と該極値点近傍の測定データの平均値との差に基づき検出されるノイズ量にしたがって移動平均処理を行う測定データのポイント数を制御するように構成されたスペクトラムデータ補正装置において、
光検出器で検出される光パワーを前記測定データとして、
前記測定データに重畳されるノイズ量に応じて前記移動平均処理を行う測定データのポイント数を制御する手段を設け、
ノイズ量が多い場合には移動平均ポイント数を多くしてノイズ量が少ない場合には移動平均ポイント数を少なくすることを特徴とする。

請求項２に記載の発明は、
入力スペクトラムデータを構成する測定データの極値点と該極値点近傍の測定データの平均値との差に基づき検出されるノイズ量にしたがって移動平均処理を行う測定データのポイント数を制御するのにあたり、
前記測定データに重畳されるノイズ量に応じて前記移動平均処理を行う測定データのポイント数を制御する手段を設け、
スペクトラムの立ち上がり部分および立下り部分における移動平均処理を施したポイントとそうでないポイントとのスペクトラムデータの不連続性を改善することを特徴とするスペクトラムデータ補正方法である。

本発明によれば、本来意図していない測定データに対してノイズ除去が実施されることを防止できる。
また、移動平均処理によるスペクトラムデータの不連続性を改善できる。
さらに、光学ロスが大きい波長範囲のスペクトラムデータに対しても、確実にノイズを除去できる

本発明に係る光スペクトラムアナライザが行うスペクトラムデータ補正処理を説明するためのフローチャートである。 ノイズ除去が適用されていないスペクトラム例である。 ノイズ除去を実施した場合のスペクトラム例である。 データ不連続性を改善したスペクトラム例である。 スペクトラムデータｆ(i)の算出の流れを示すフローチャートである。 本発明に係る光スペクトラムアナライザが行うスペクトラムデータ補正処理を説明するための他のフローチャートである。 従来の光スペクトラムアナライザの概略構成を示すブロック図である。 スペクトラムデータ補正処理の行うための機能構成を示したブロック図である。 入力スペクトラムデータを示す波形図である。 図９に示す入力スペクトラムデータから生成されたノイズ除去スペクトラムデータを示す波形図である。 光スペクトラムアナライザが行う従来のスペクトラムデータ補正処理を説明するためのフローチャートである。 光スペクトラムアナライザが行う従来のスペクトラムデータ補正処理の他の例を説明するためのフローチャートである。

以下、図面を参照して、本発明に係るスペクトラムデータ補正装置および方法の一実施形態について説明する。なお、以下の説明においては、本発明に係るスペクトラムデータ補正方法を行う装置（すなわち本発明に係るスペクトラムデータ補正装置の機能を有する装置）として光スペクトラムアナライザを挙げて説明する。

図１は、本発明に係る光スペクトラムアナライザが行うスペクトラムデータ補正処理を説明するためのフローチャートである。

図１では、ステップＳ３において入力スペクトラムデータｆ（ｉ）に山谷フラグを付加し、ステップＳ４において極値点のみ平均値データｆ′（ｉ）に置き換える。このデータに対しても、山谷フラグを付加する。この処理を繰り返し実施することで、ノイズ除去効果を向上させることができる。

ステップＳ５において、選択部２０が算出する入力スペクトラムデータｆ（ｉ）における測定データの値とノイズ重畳判別用のスペクトラムデータｆ′（ｉ）における測定データの値との差Ｘに基づいてノイズ量を検出し、そのノイズ量にしたがって移動平均ポイント数を制御する。

ここで、Ｘの絶対値は、ノイズの重畳量に比例する。すなわち、Ｘの絶対値が大きい場合はノイズ量が多いと判断できるため移動平均ポイント数を多くし、Ｘの絶対値が小さい場合はノイズ量が少ない判断できるため移動平均ポイント数を少なくする。

これにより、従来に比べてノイズ低減効果を向上させることができ、移動平均処理を施したポイントとそうでないポイントとのデータ不連続性を改善できる。

このようなＸの絶対値の利用にあたっては、たとえばノイズの重畳量の判定に直接Ｘ(i)の絶対値を用いるのではなく、次式（３）で得られるＸ1(i)を用いることにより、さらにノイズ低減効果を向上させることができる。

式（３）によれば、新たに表されるノイズ重畳量Ｘ1(i)が信号レベルｆ(i)の二乗に反比例して小さくなる。すなわち、同じノイズ重畳量Ｘ(i)が与えられたとしても、信号レベルが大きい場合にはＸ1(i)は小さくなり、信号レベルが小さい場合にはＸ1(i)の値は大きくなる。そこで、このＸ1(i)の値を用いて移動平均ポイント数を設定する。

信号レベルが小さい場合には十分なＳＮ比が確保できず、スペクトラムに相対的に大きなノイズが重畳されるが、本方法によればより効果的にノイズ除去が行える。たとえば図９で示したノイズ重畳ポイントの特異点においても、本方法を用いることにより、信号ピークをノイズ重畳ポイントと誤判定することを防止できる。

以上の説明では、Ｘ1(i)を求めるのにあたり、信号レベルｆ(i)の二乗に反比例する形としたが、ノイズ重畳量Ｘ1(i)が信号レベルｆ(i)に反比例する形であれば、使用する関数としては適切に選ばれていれば信号レベルｆ(i)の二乗に反比例する形に限るものではない。

さらに、上記Ｘの絶対値を利用するのにあたり、たとえばノイズの重畳量の判定に直接Ｘ(i)の絶対値を用いず、次式（４）で得られるＸ2(i)を用いることにより、移動平均処理を施したポイントとそうでないポイントとのデータ不連続性を改善できる。

この式（４）により算出されるＸ2(i)の値に基づき移動平均ポイント数を設定するが、この方法による効果について、以下に具体的なスペクトラム例を用いて説明する。

図２はノイズ除去が適用されていないスペクトラム例を示している。このスペクトラムの特徴は、サンプリングポイント数が少ないこと、またノイズ重畳部分とそうでない部分の境界が極端なことである。

図３は、図２のスペクトラムに対して上記式（３）に基づく移動平均ポイント数を設定し、ノイズ除去を実施した場合のスペクトラム例を示している。このノイズ除去方法は移動平均処理を用いていることから、データのサンプリングポイント数が少なくてかつ急激な信号レベルの変化があるスペクトラムの場合には、そのスペクトラムの立ち上がり部分において図３に示すようなデータの不連続性を生じることがある。

そこで、上記式（４）に基づく方法を用い、ノイズ重畳量Ｘ(i)をスペクトラムデータの前後数ポイントの最大値で除算することにより、図４に示すように、図２のようなスペクトラムの立ち上がり部分においてもＸ2(i)の値を小さくできる。スペクトラムの立ち下がり部分についても同様である。

これにより、ノイズ除去後のスペクトラムデータの不連続性を改善できる。ここで、前後数ポイントの最大値を求める際に、前後数ポイントの数を決めるのにあたっては、測定時のサンプリングポイント数を考慮した適切な値とする。

図５は、スペクトラムデータｆ(i)の算出の流れを示すフローチャートである。光スペクトラムアナライザで扱うスペクトラムデータｆ(i)は、図５に示すように、光検出器で検出される光パワーＰ(i)に対して、光スペクトラムアナライザ光学部の光学ロス特性である波長感度補正データＣＡＬ(i)を乗算したデータである。

したがって、光学ロスが大きくて波長感度補正データＣＡＬ(i)が大きいデータ範囲（波長範囲）では、光パワーＰ(i)が低くてノイズ重畳量が多いＳ／Ｎが悪い場合でも、スペクトラムデータｆ(i)は大きい値となる。

その結果、上記式（４）により求められるノイズ重畳量Ｘ2(i)は小さくなって、Ｓ／Ｎが悪いスペクトラムデータであるにもかかわらずノイズ除去がされなくなり、光学ロスが大きい波長範囲のスペクトラムデータに対してノイズを除去できなくなってしまう。

図６は、このような問題点を解決する処理方法の流れを示すフローチャートである。図６では、ステップＳ１，Ｓ４およびＳ５におけるノイズ重畳部分の自動抽出処理を、図１のようなスペクトラムデータｆ(i)に代えて、光検出器で検出される光パワーＰ(i)を対象にして行う。

ステップＳ５において、次式（５）に示すように、極値点の光パワーＰ(i)と極値点付近における光パワーの平均値Ｐ′(i)との差Ｘに基づいてノイズ量を検出する。
Ｘ(i)＝Ｐ(i)−Ｐ′(i) (5)

そして、Ｘの絶対値の利用にあたり、ノイズの重畳量の判定に直接Ｘ(i)の絶対値を用いるのではなく、次式（６）で得られるＸ1(i)を用いることにより、さらにノイズ低減効果を向上させることができる。

光検出器で検出される光パワーＰ(i)は、波長感度補正データＣＡＬ(i)を乗算する前のデータなので、光学ロスが大きい波長範囲（ＣＡＬ(i)が大きい）のスペクトラムデータに対してもノイズ重畳量Ｘ1(i)の算出値が小さくなることはなく、確実にノイズ除去を行うことができる。

以上、添付図面を参照しながら本発明に係るスペクトラムデータ補正装置および方法の好適な実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、上述した実施形態において示した各構成部材の諸形状や組み合わせなどは一例であり、本発明の主旨から逸脱しない範囲において設計要求などに基づき種々変更可能である。

たとえば上記実施形態では、入力スペクトラムデータの値とノイズ重畳判別用のスペクトラムデータの値とが同じ測定データを非選択測定データとし、入力スペクトラムデータの値とノイズ重畳判別用のスペクトラムデータの値とが少しでも異なる測定データを選択測定データとする構成について説明したが、本発明はこれに限定されるものではなく、入力スペクトラムデータの値とノイズ重畳判別用のスペクトラムデータの値との差の絶対値が予め定めた閾値以下のものを非選択測定データとし、上記閾値以上のものを選択測定データとしてもよい。

また、上記実施形態においては、測定対象をレーザ光とし、このレーザ光の波長を変数とするスペクトラムデータを取得する光スペクトラムアナライザに本発明を適用した例について説明したが、本発明はこれに限定されるものではなく、レーザ光以外の光や電気信号を測定対象とし、波長を含む周波数を変数とするスペクトラムアナライザ全般に本発明を適用できる。

以上説明したように、本発明によれば、本来意図していない測定データに対してノイズ除去が実施されることを防止できるとともに移動平均処理によるスペクトラムデータの不連続性を改善でき、スペクトル形状のなまりを抑止しつつ入力スペクトラムデータからノイズを自動的に除去できるスペクトラムデータ補正装置および方法が実現できる。

さらに、光学ロスが大きい波長範囲のスペクトラムデータに対しても、確実にノイズを除去できるので、光スペクトラムアナライザの測定感度向上に有効である。

１００ 光スペクトラムアナライザ
１０ 付加部（付加手段）
２０ 選択部（選択手段、抽出手段）
３０ 実行部（実行手段）
４０ 出力部（出力手段）
Ｐ スペクトルピーク

Claims (2)

1. 入力スペクトラムデータを構成する測定データの極値点と該極値点近傍の測定データの平均値との差に基づき検出されるノイズ量にしたがって移動平均処理を行う測定データのポイント数を制御するように構成されたスペクトラムデータ補正装置において、
   光検出器で検出される光パワーを前記測定データとして、
   前記測定データに重畳されるノイズ量に応じて前記移動平均処理を行う測定データのポイント数を制御する手段を設け、
   ノイズ量が多い場合には移動平均ポイント数を多くしてノイズ量が少ない場合には移動平均ポイント数を少なくすることを特徴とするスペクトラムデータ補正装置。
2. 入力スペクトラムデータを構成する測定データの極値点と該極値点近傍の測定データの平均値との差に基づき検出されるノイズ量にしたがって移動平均処理を行う測定データのポイント数を制御するのにあたり、
   前記測定データに重畳されるノイズ量に応じて前記移動平均処理を行う測定データのポイント数を制御する手段を設け、
   スペクトラムの立ち上がり部分および立下り部分における移動平均処理を施したポイントとそうでないポイントとのスペクトラムデータの不連続性を改善することを特徴とするスペクトラムデータ補正方法。

Images