手書教育漢字データベースETL8

 

★ETL8作成経緯

ETL8は、 日本電子工業振興協会OCR用手書文字専門委員会において、 昭和55年(1980年)に、 OCRユーザ・メーカ・名古屋大学・その他、 1600人の方々から収集したOCRシートを、 電子技術総合研究所において、 TOSBAC-40C観測システムにより観測したデータベースで、 教育漢字881字種、平仮名75字種が納められています。

★観測仕様

  • OCRシート仕様
    • OCRデータ収集用紙e8sht01 : A4判, 83kg OCR用紙(特種製紙)(10種)
    • ドロップアウト・カラー : No.114レディッシュオレンジ 50%スクリーン(大日本印刷)
    • 文字枠 : 横 10mm、縦 10mm 文字枠ピッチ : 横 12.7mm、縦 15.24mm
    • 文字枠数 : 13 x 16 = 208
  • 対象文字 (計 956文字)
    • 教育漢字 : 881 (昭和23年内閣告示第1号「当用漢字別表」による)
    • ひらがな : 75
  • OCRシート収集
    • 記入上の制限 : 「手書き漢字OCR用紙記入のお願い」e8instで指定
    • 筆記者数 : 延べ 1,600人(原則として一人10シート書いていますが複数人で10シートを書いたケースがあるため延べ表記になっています)
    • 全サンプル数 : 152,960
    • データ収集 : 日本電子工業振興協会 OCR手書文字専門委員会、名古屋大学
  • 観測装置
    • 入力装置 : 128x1点フォトダイオード・アレイセンサ (ADC 6bit)(半導体アレイ レチコン社製 RL-128EC)
    • 標本化間隔 : 0.108mm x 0.1016mm
    • 濃度レベル : 16 (4bit ← 6bit)
    • 標本点数 : 128 x 127 = 16,256 pixels
  • データベース作成
    • 観測場所 : 電子技術総合研究所
    • 使用計算機 : TOSBAC-40C(プログラム:)
    • 作成年月 : 1980年2月
    • 観測期間 : 1980年2月~??月

★ETL8データベース仕様

多値イメージ・ファイルのフォーマット

File Format

  • G-Type Data Format
  • Fixed Record Length without Control Words
  • Logical record (8199 bytes) (1byte = 8bits)
  • | Sample 1 | Sample 2 | Sample 3 | …. | Sample N | (No. of records = N)

Contents of Logical Record (8199 bytes)

Byte Position Number of Bytes Type Contents of Logical Record
1 – 2 2 Integer Serial Sheet Number (greater than or equal to 1)
3 – 4 2 Binary JIS Kanji Code (JIS X 0208)
5 – 12 8 ASCII JIS Typical Reading ( ex. “AI.MEDER” )
13 – 16 4 Integer Serial Data Number (greater than or equal to 1)
17 1 Integer Evaluation of Individual Character Image (>= 0)
18 1 Integer Evaluation of Character Group (greater than or equal to 0)
19 1 Integer Male-Female Code ( 1=male, 2=female ) (JIS X 0303)
20 1 Integer Age of Writer
21 – 22 2 Integer Industry Classification Code (JIS X 0403)
23 – 24 2 Integer Occupation Classification Code (JIS X 0404)
25 – 26 2 Integer Sheet Gatherring Date (19)YYMM
27 – 28 2 Integer Scanning Date (19)YYMM
29 1 Integer Sample Position X on Sheet (greater than or equal to 0)
30 1 Integer Sample Position Y on Sheet (greater than or equal to 0)
31 – 60 30 (undefined)
61 – 8188 8128 Packed 16 Gray Level (4bit/pixel) Image Data 128(X-axis size) * 127(Y-axis size) = 16256 pixels
8189 – 8199 11 (uncertain)

Contents of Files

File Name Number of Records No. of Categories Number of Data Sets Data Set Number Number of Sheets
ETL8G-01 4780 956 5 1 – 5 50
ETL8G-02 4780 956 5 6 – 10 50
ETL8G-32 4780 956 5 156 – 160 50
ETL8G-33 956 956 1 uncertain 10

 2値イメージ・ファイルのフォーマット

File Format

  • B-Type Data Format
  • Fixed Record Length without Control Words
  • Logical record (512 bytes) (1byte = 8bits)
  • | Dummy | Sample 1 | Sample 2 | …. | Sample N | (No. of records = N+1)

Contents of Logical Record (512 bytes)

Byte Position Number of Bytes Type Contents of Logical Record
1 – 2 2 Integer Serial Sheet Number (greater than or equal to 1)
3 – 4 2 Binary JIS Kanji Code (JIS X 0208)
5 – 8 4 ASCII JIS Typical Reading ( ex. “AI.M” )
9 – 512 504 Packed 2 Level (1bit/pixel) Image Data 64(X-axis size) * 63(Y-axis size) = 4032 pixels

Contents of Files

File Name Number of Records No. of Categories JIS Code (JIS X 0208)
ETL8B2-1 1+ 51200 320 2122 – 384D ‘1+’ means 1st record is dummy
ETL8B2-2 1+ 51200 320 384E – 4250
ETL8B2-3 1+ 50560 316 4253 – 4F43
+ 956 + 956 2122 – 4F43 Last 956 samples = Model Images

2値イメージの2値化しきい値Tは、 h(判別しきい値[j])とμ(多値イメージの全濃度平均値)とのλ分割点 T=λ・h+(1-λ)・μ を採用しました。[k] ETL8B2では、λ=0.25としました。[c]

収集サンプル

「田」全160サンプル bc1xxxx

★参考文献

  1. 森俊二、山本和彦、山田博三、斉藤泰一: “手書教育漢字のデータベースについて”, 「電総研彙報」, Vol.43, Nos.11&12, pp.752–773 (1979-11&12).
  2. 斉藤泰一、山田博三、森俊二: “手書文字データベースの解析(IV) -教育漢字の統計量-”, 「電総研彙報」, Vol.44, No.4, pp.219–251 (1980-04).
  3. 斉藤泰一、山田博三、山本和彦、森俊二: “手書文字データベースの解析(V) -教育漢字データベースのパターン・マッチング法による評価-”, 「電総研彙報」, Vol.45, Nos.1&2, pp.49–77 (1981-01&02).
  4. 斉藤泰一、山田博三、山本和彦、森俊二: “手書漢字データベースについて -教育漢字-”, 「昭和56年度電子通信学会総合全国大会(昭56信学総全大)」, 1385, p.5-363 (1981-04.03).
  5. 斉藤泰一、山田博三、山本和彦、岡隆一、安田道夫、坂倉栂子、曾根裕文: “手書教育漢字データベースの目視による調査”, 「昭和57年度電子通信学会総合全国大会(昭57信学総全大)」, 1342, p.5-327 (1982-03.28).
  6. 斉藤泰一、山田博三、山本和彦: “手書漢字の方向パターン・マッチング法による解析”, 「電子通信学会論文誌(信学論)(D)」, Vol.J65-D, No.5, pp.550–557 (1982-05).
  7. 斉藤泰一、山田博三、山本和彦: “手書文字データベースの解析(VI) -方向パターン・マッチング法による教育漢字の解析-”, 「電総研彙報」, Vol.46, No.12, pp.695–725 (1982-12).
  8. 斉藤泰一、山田博三、山本和彦: “JIS第1水準手書漢字データベースETL9とその解析”, 「信学論(D) 画像処理特集号」, Vol.J68-D, No.4, pp.757–764 (1985-04).
  9. 斉藤泰一、山田博三、山本和彦: “手書文字データベースの解析(VIII) -方向パターン・マッチング法によるJIS第1水準手書漢字データベースETL9の評価-”, 「電総研彙報」, Vol.49, No.7, pp.487–525 (1985-07).
  10. 大津展之: “判別および最小2乗規準に基づく自動しきい値選定法”, 「信学論(D)」, Vol.63-D, No.4, pp.349–356 (1980-04).
  11. 斉藤泰一、山田博三: “判別しきい値選定法の一改良”, 「情報処理学会論文誌(情処学論)」, Vol.22, No.6, pp.596–599 (1981-11).