TibetanHWR 系列一：TibetanCharacter 数据集——藏文手写数字与字母图像集

2.1 从 MNIST 到 TibetanMNIST#

MNIST 数据集是机器学习领域的里程碑——由美国国家标准与技术研究所（NIST）发起，收录了 250 位书写者的手写数字，自发布以来被广泛用于检验各类算法，推动了机器学习领域的长足发展，当之无愧是历史上最具影响力的数据集之一。

然而，现有手写体数据集几乎清一色面向英文、中文、阿拉伯文等强势语言，少数民族语言的数据资源极度匮乏。藏文作为拥有数百万使用者的语言，在公开数据集层面几乎是空白。这一现状不仅限制了藏文智能输入、文档数字化等实际应用的发展，也使藏文相关的学术研究举步维艰。

TibetanMNIST 正是在这一背景下诞生的。数据集按照 MNIST 的格式规范制作，图像尺寸同为 28×28 像素灰度图，可直接套用为 MNIST 设计的模型框架进行训练，大大降低了研究者的上手门槛。书写者为本校藏族同学，经过严格的质量筛选，最终整理出 17768 张高清图像——据我们所知，这是全球第一个公开的藏文手写数字图像数据集。

2.2 从数字到字母的扩展#

数字数据集的顺利完成，让团队看到了进一步拓展的可能。藏文数字仅有 10 个类别，而藏文字母有 30 个辅音字母，是构成藏文文本的核心单元，其识别难度与应用价值都更高。

为此，我们组织了更大规模的数据采集：邀请本校 150 名藏族大学生参与手写，在统一规范的方格纸上书写全部 30 个辅音字母，原始采集量约 100000 例。经人工逐一核查清洗后，最终形成 TibetanLetter 数据集，包含 77636 张 64×64 像素的标准化字母图像。

两个数据集合并发布，统称 TibetanCharacter，希望为藏文手写体识别研究提供一个坚实的数据基础。

3.1 藏文数字介绍#

藏文数字是藏语书写体系中独立使用的计数符号，与阿拉伯数字一一对应，共 10 个，分别表示 0 到 9。它们并非藏文字母的一部分，而是在语言中单独成体，形态简洁、笔画清晰，具有较高的可辨识度。从字形上看，藏文数字自成风格，与汉字数字或阿拉伯数字均无直接渊源，是藏族文化中独特的符号系统：

3.2 数据采集#

数据采集以纸质手写为主，书写者涵盖学生与研究人员。为保证样本质量，我们对书写规范做了统一要求：字体大小须适中、笔画完整清晰、书写在规定区域内，避免连笔或涂改。

采集完成后，所有原始图像均经过扫描数字化，再由团队成员对每张图像进行人工复核，经过 300 余次人工筛选，剔除书写不规范、字迹模糊、尺寸异常等无效样本，最终保留 17768 例有效图像，平均每个类别约 1777 张。

3.3 类别分布#

10 个数字类别整体分布较为均衡，每类约 1300–2100 张，无明显类别失衡问题，可直接用于有监督学习训练，无需额外做类别重采样：

3.4 数据示例#

下图展示了每个类别的若干手写样本，可以看到不同书写者在笔画风格、粗细、倾斜程度上存在自然差异，这正是手写体识别的挑战所在：

原始图像命名规则： {类别标签}_{纸张编号}_{纸张内序号}.png，例如 3_12_05.png 表示数字 3、第 12 张纸、第 5 个样本。

4.1 藏文字母介绍#

藏文是一种拼音文字，其书写体系由辅音字母与元音符号组合而成。现代藏文共有 30 个辅音字母和 4 个元音符号，书写时以辅音字母为基础，通过垂直方向的叠加（上加字、下加字）和水平方向的拼接（前加字、后加字、再后加字），加上元音符号构成一个完整的藏文音节。

每个音节在视觉上呈现为一个紧凑的字块，结构层次丰富，书写风格因人而异，这也使得藏文手写体识别在技术上颇具挑战性。本数据集聚焦于最基本的构成单元，收录了手写形式的 30 个辅音字母：

4.2 数据采集#

为保证数据一致性，我们统一制定了书写规范：书写载体为红色格线方格纸（8 行 × 12 列），每格书写一个字母，通过格线约束个体书写差异，保证字母大小和位置相对一致。

共有本校 150 名藏族大学生参与书写，每人完成全部 30 个字母的书写任务，采集原始样本约 100000 例。所有纸张经高精度扫描后，由团队成员对每个字母图像进行逐一核查，删除字迹不清、书写越格、字母混淆等无效样本，最终保留有效数据 77636 例。

4.3 类别分布#

30 个字母类别分布相对均衡，每类约 2000 余个样本。少数字母因字形复杂、书写难度较高，有效率略低于其他类别，但整体样本量仍可满足模型训练需求：

4.4 数据示例#

下图为部分藏文辅音字母的手写样本展示，每行对应一个字母类别，可以直观看到同一字母在不同书写者手下的风格差异：

4.5 图像预处理#

由于书写纸张使用红色格线，原始扫描图像中格线与字母内容混叠，无法直接使用。我们设计了如下自动化预处理流程，将原始整张纸面图像切分并标准化为单张字母图像：

1
原始扫描图像
2
  ↓ HSV 颜色提取（分离红色格线）
3
  ↓ 中值滤波（去除噪声线条）
4
  ↓ 轮廓检测（定位字母区域）
5
  ↓ 字母提取（裁剪单个字母）
6
  ↓ 统一尺寸（归一化图像大小）
7
最终输出：标准化字母图像（64×64 灰度图）

其中，HSV 颜色空间下对红色通道的精准提取是关键步骤——红色在 HSV 空间中分布在色调（H）的两端，需要分段掩膜合并处理。轮廓检测基于 OpenCV 的外轮廓提取，结合面积与长宽比过滤，排除杂点干扰，准确定位每个字母单元格。

具体实现细节见：TibetanHWR 系列二：图像预处理