著者

鈴木 俊哉 佐藤 大

出版者

一般社団法人情報処理学会

雑誌

情報処理学会研究報告デジタルドキュメント(DD) (ISSN:09196072)

巻号頁・発行日

vol.2007, no.77, pp.37-42, 2007-07-27

---

情報交換を目的とする文字集合の規格として,現在はISO10646文字集合,文字符号化方式としてはUmcodeを用いることが国際的な標準である.しかし,インド系文字は音素分解にもとづき文字符号を定義しているため,表示・印刷には複雑なレンダリング処理が必要となる.広く普及しているローマ字専用の処理系ではこれが不可能であるため,ローマ字用の処理系でもインド系文字が扱えるよう,様々な図形分解に基く符号化方式が応急処置的に作成されてきた.これらにより符号化されたデータが広く配布されているが,符号化方式は標準化されていないため,文書のアーカイブやデータ抽出に問題がある.本稿は,北方ブラフミ文字の例としてチベット文字のレガシ方式をとり,符号化方式の分析と自動識別方法を検討する.チベット文字レガシ符号の中には漢字集合に匹敵する大きさを持つものがあり,クメール文字とは異なりPDFなどではフォントがサブセット化されている可能性がある.このような場合の識別方式についても検討する.For Brahmic scripts used in India, Central and South East Asia, ISO/IEC 10646 defines the character sets by phonetic decomposition of Brahmic scripts with refering Indie national standard IS 13194. These character sets expect the complicated text layout system to render the coded text for display or printing purpose. To reduce the implementation cost by reusing Roman text layout system, there are various non-standardized legacy encoding schemes for Brahmic scripts. In this report, we investigate the legacy encoding schemes for Tibetan script as an example of northern Brahmic script which uses many ligatures. We found legacy encoding system for precomposed Tibetan glyphs. The glyphset of these encodings are so large that the subsetted font in the documents are expected to be quite smaller than whole glyph set. We discuss the encoding detection algorithm by subsetted font.