藏文（含梵文）字丁自動識別方法研究

完么才讓

摘 要：本文以《ISO/IEC 10646藏文編碼字符集 基本集》為參考，把其中除標點符號外的字符歸類到字母集、主字集和元音集三個集合，再將測試文本中的藏文字符與三個集合逐一匹配的方法，準確識別（本文所講識別，非OCR圖形識別）出藏文字丁。

關鍵詞：ISO/IEC 10646；音節；字丁；識別

藏文字丁的準確識別是字丁頻率、信息熵計算的前提，也是音節分類的基礎，更是藏文識別必不可少的環節。收錄至中國知網的關于藏文字丁的幾篇論文都未談及藏文字丁的自動識別方法，本文從一下三個方面詳細講解藏文（含梵文）字丁的自動識別方法。

1 字母集、主字集和元音集

把藏文unicode字符集中除標點符號等特殊字符外的其他字符分成字母集、主字集和元音集三個集合，分別用英文標記letter_set、main_char_set和vowels_set表示，則

letter_set集合中的字符都無上加字，即字符上下均無main_char_set和vowels_set集合所示的空心圓圈，這類字符在實際文本中多作為字母出現，故將這類字符收錄到字母集中。相應地，main_char_set集合所含字符大都上有空心圈，結合時，附著在前一個字符的下面，把具有這個特征的字符收集到主字集中。vowels_set集合中的字符都下附空心圓圈，表名這類字符在具體文本中充當元音，應收集到元音集中。這三個集合是字丁識別的前提，以下內容中用L、M和V分別代表letter_set、main_char_set和vowels_set，Li、Mi和Vi表示對應集合中的任意元素。

2 藏文字丁的基本分類

藏文字丁可分為六大類型，分別為：

所有藏文字丁可歸類到以上六種類型。

3 識別方法

在有了集合的劃分和字丁的基本分類后，即可依據如下所描述的方法識別出藏文字丁。假設字符串變量Ttext存放待測試的藏文文本，字符串變量WR表示字丁。根據字符串變量的性質，Ttext[i]（i=0，1，2，…，Ttext->Length）表示文本的第i個字符，則

（1）取出第0個字符Ttext[0]，放至WR，再判斷Ttext[1]屬于集合letter_set、main_char_set還是vowels_set。

如果Ttext[1] letter_set，說明Ttext[1]是字母，則Ttext[0]單獨構成一個字丁WR，相當于第二節的第1類字丁，轉到步驟（4）；如果Ttext[1] vowels_set，說明Ttext[1]是元音，則Ttext[0]+Ttext[1]的組合構成新的WR，等于第二節中的第2類字丁，轉到步驟（4）。如果Ttext[1] main_char_set，則轉到步驟（2）。

（2）判斷Ttext[2]是字母、主字還是元音。若是字母，則由Ttext[0]+Ttext[1]構成的新字丁WR即一個字丁，相當于第二節的第3類字丁，轉到步驟（4）；若為元音，則Ttext[0]+Ttext[1]+Ttext[2]為一個字丁，即第二節的第4類字丁，轉到步驟（4）；如果Ttext[2]是主字，即Ttext[2] main_char_set，則轉入步驟（3）。

（3）判斷Ttext[3]屬于哪個集合，若Ttext[3]為字母，則Ttext[0]+Ttext[1]+Ttext[2]為一個字丁，等于第二節的第5類字丁，轉到步驟（4）；若Ttext[3]為元音，則Ttext[0]+Ttext[1]+Ttext[2]+ Ttext[4]為一個字丁，相當于第二節的第6類字丁，轉到步驟（4）。

（4）轉到步驟（1），從識別出的字丁的下一個字符繼續判斷，直至到達文本末尾。

用算法流程圖表示如下

4 結語

本文特意對字丁識別方法作了分析，除了提出一種適用于藏梵文的字丁識別算法外，第一節的三個集合和第二節對字丁的分類，對藏文的結合規律總結了一個新的歸納和分類方式。

參考文獻

[1]王維蘭，丁曉青，祁坤鈺. 藏文識別中相似字丁的區分研究.中文信息學報，2002（4）：61-63

[2] 王維蘭，陳萬軍. 藏文字丁、音節頻度及其信息熵. 語音信息處理，2004（2）：27-31

[3] 桑塔，達哇彭措. 信息處理用藏文字丁統計.科技信息，2010（29）：430