在人工智能高速发展的今天,各类研究都是以数据为基础,数据的获取已经成为了各项研究的关键,无数据无以谈研究。识别研究工作也离不开样本数据库的支撑。同样的道理,乌金体梵音藏文木刻版古籍文档分析与识别的研究也离不开乌金体梵音藏文古籍字丁样本库。根据已有的统计,梵音藏文字符集由7240个字丁组成(包括基本集、扩充集A和扩充集B),如果按照字符总数依次采集,每一套字符样本库共有7240个字丁样本,加上乌金体梵音藏文古籍识别研究所需要的5000套(总共36200000个字丁),需要耗费大量的人力物力,成本高且短时间难以完成。因此,本文根据藏文字丁的字形结构的组成,通过各种乌金体古籍文档图像采集170个部件样本,采集目标为300套;根据7240个字丁的部件位置信息数据库,叠加生成字丁样本;依据不同的需要构建不同存储方式和存储格式的乌金体古籍字丁样本库。具体内容包括以下几个方面:(1)部件样本的采集和预处理。在PC上开发工具软件“乌金体藏文古籍部件样本采集系统”,利用采集系统参照部件表采集能够叠加生成7240个字丁样本的170个部件样本;并对部件做预处理,如:部件样本灰度和二值化、部件样本图平滑去噪等。(2)字丁样本的叠加生成算法设计与实现。在PC平台上开发了“乌金体藏文字丁叠加生成软件系统”,根据藏文字丁的结构,读取“部件位置信息数据库”中的部件位置信息,并利用对应的位置信息,将构成字丁的每个部件映射到相应的位置,合成字丁样本。(3)构建乌金体藏文古籍字丁样本库的构建。GNT是字丁样本库存储的标准数据库,存储了字丁的Unicode编码、样本bitmap图以及样本bitmap图长与宽等。根据已经生成的BMP字丁样本图,成功构建了乌金体梵音藏文古籍BMP图像样本库与GNT样本库。BMP图像样本库的存储分为相同字丁与字符集两种存储方式,GNT样本库的存储分为单个字丁、相同字丁以及字符集三种存储方式。利用采集系统采集了300套部件样本,通过一套部件样本合成一套字丁样本与随机选择部件样本合成字丁样本两种方法,合成5000套字丁样本,并构建出字丁样本库,分为BMP与GNT两种格式。由于低频字丁部件样本少,甚至截至目前有些部件在实际文献中一个都未采集到,即现在每套样本少于7240个字丁,但这并不影响所提出方法的实际应用。