本发明涉及数据压缩，尤其是涉及基于空域稀疏性的动态纹理图集重组压缩方法及系统。
背景技术：
1、在现代计算机图形学和实时渲染应用中，动态纹理扮演着至关重要的角色，它能够为场景带来生动的视觉效果，如流动的液体、飘动的旗帜或动画角色的表情。为了管理和高效利用这些纹理资源，开发者通常会将多个独立的纹理序列单元组织成一张或多张大的纹理图集。动态纹理图集因其包含随时间变化的像素数据，往往占据大量的存储空间和内存带宽，对其进行高效压缩是提升应用性能的关键环节。
2、相关技术中，公告号为cn120047590b的中国发明专利公开了一种基于unity引擎的自适应纹理图集压缩系统及方法，包括：纹理资源导入模块将png转换为dyn文件并生成配置数据，纹理资源设置模块采用双缓冲配置管理机制，通过改良型cityhash算法检测哈希值差异并异步同步变更字段，图集构建模块执行边缘检测、多边形生成与栅格化处理，采用活性边表算法输出的像素数据，排布单元基于多线程并行计算实现像素数据互斥排布并输出uv坐标映射表，图集设置模块动态修改配置参数并触发管线更新；通过顶点数量与纹理面积校验确保几何精度，动态调整扩张偏移量与步长参数以适应不同分辨率，集成断点续传机制保障事务日志完整性。
3、然而，上述现有技术方案存在以下技术缺陷。特征分析维度单一，未充分挖掘纹理单元的综合压缩潜力：现有技术仅关注纹理资源的基础属性或单一维度特征，未系统分析纹理单元在空域内一致性及邻域相关性上的多维特征。其无法精准表征不同纹理单元在动态变化、内部像素分布及邻域关联上的差异，导致后续压缩策略缺乏针对性，难以识别高压缩潜力的纹理簇，无法最大化压缩增益。布局与压缩策略缺乏协同优化，易陷入局部最优：现有技术将图集布局构建与压缩算法选择拆分为独立流程，布局设计仅聚焦于像素排布的紧凑性，未引入压缩效果的反馈机制；压缩算法选择也未根据布局特点动态调整。这种分离式决策导致无法形成全局最优的“布局-压缩”组合，可能出现布局虽满足排布效率但压缩冗余度高，或压缩算法适配性差但布局限制了优化空间的问题，整体压缩效率受限。压缩算法选择固化，未实现差异化精准压缩：现有技术采用统一或有限的压缩算法对整个纹理图集进行处理，未针对纹理图集内不同区域的内容特征适配差异化算法。对于高压缩潜力的稀疏区域，无法利用其空域稀疏性实现极致压缩；对于复杂细节区域，通用算法易导致质量损失过大或压缩率不足，难以平衡压缩效率与视觉保真度。缓存访问效率与解压渲染兼容性未被充分考量：现有技术的布局设计未模拟纹理采样过程中的缓存访问逻辑，导致重组后的图集物理位置与渲染时的逻辑采样需求脱节——逻辑上相邻的纹理单元可能被物理分隔，缓存命中率低，直接影响实时渲染性能。同时，数据封装形式缺乏对解压流程的优化设计，未形成自解释的元数据与压缩数据整合结构，无法支持并行解压，且逻辑坐标与物理坐标的转换机制复杂，增加了解压延迟与渲染开销。
技术实现思路
1、为解决上述问题，本发明提供了基于空域稀疏性的动态纹理图集重组压缩方法及系统，采用协同决策机制，结合空域稀疏性分析与差异化压缩策略，能够实现动态纹理图集的高效压缩。
2、上述目标可以通过如下方案实现：
3、基于空域稀疏性的动态纹理图集重组压缩方法，包括获取动态纹理序列，对其中的纹理单元进行特征分析，生成多维特征向量；基于多维特征向量，为每个纹理单元构建初始可压缩性潜力模型；以初始可压缩性潜力模型为输入，执行迭代的协同决策过程，生成优化后的纹理图集布局和分区压缩策略映射表；依据分区压缩策略映射表，对按照优化后的纹理图集布局排列的纹理数据执行差异化压缩，生成压缩纹理数据；将优化后的纹理图集布局的布局信息、分区压缩策略映射表与压缩纹理数据进行整合封装，生成压缩数据流。
4、可选地，所述生成各自的多维特征向量包括：计算所述纹理单元内部的像素分布复杂度，生成空域内一致性特征；量化所述纹理单元与其时空邻域内其他单元的关联度，生成邻域相关性特征；将所述空域内一致性特征和所述邻域相关性特征融合成各自的多维特征向量。
5、可选地，所述构建初始可压缩性潜力模型包括：获取一组代表典型邻域环境的候选邻域环境模板；将所述纹理单元的多维特征向量与所述候选邻域环境模板中的每一个进行组合，形成一组组合特征向量；基于所述一组组合特征向量，获得每一个组合特征向量对应的潜在压缩增益系数；将所述候选邻域环境模板与对应的所述潜在压缩增益系数进行映射关联，形成初始可压缩性潜力模型。
6、可选地，所述执行迭代的协同决策过程包括：依据所述初始可压缩性潜力模型，生成初始图集布局草案；对所述初始图集布局草案执行一次联合决策循环，所述联合决策循环通过模拟压缩生成预估压缩结果，并基于所述预估压缩结果计算联合效率评分；根据所述联合效率评分，对所述初始图集布局草案进行调整，生成更新后的图集布局草案；重复执行所述联合决策循环与调整步骤，直至所述联合效率评分满足预设的收敛条件，并将更新后的图集布局草案及对应的压缩策略作为所述优化后的纹理图集布局和所述分区压缩策略映射表。
7、可选地，所述计算联合效率评分包括：从所述预估压缩结果中计算数据压缩程度，生成压缩率因子；评估所述预估压缩结果与纹理数据的保真度差异，生成质量损失因子；模拟所述初始图集布局草案的纹理采样过程，评估其缓存访问效率，生成采样效率因子；将所述压缩率因子、质量损失因子和采样效率因子依据预设的权重系数进行加权组合，得到联合效率评分。
8、可选地，所述执行差异化压缩包括：解析所述分区压缩策略映射表，识别出所述优化后的纹理图集布局中第一区域和一个第二区域，其中所述第一区域对应第一压缩算法，所述第二区域对应第二压缩算法；对所述第一区域内的纹理数据应用所述第一压缩算法进行编码，生成压缩纹理数据，所述第一区域为高均质性稀疏簇；对所述第二区域内的纹理数据应用所述第二压缩算法进行编码，生成压缩纹理数据。
9、可选地，所述对所述第一区域内的纹理数据应用所述第一压缩算法进行编码包括：计算所述高均质性稀疏簇内所有像素的平均值，得到代表性基值；计算所述高均质性稀疏簇内各像素值与所述代表性基值的差值，生成差分矩阵；对所述代表性基值和所述差分矩阵分别进行熵编码，生成第一区域的压缩纹理数据。
10、可选地，所述生成压缩数据流包括：将所述优化后的纹理图集布局的布局信息转换为布局索引表；将所述分区压缩策略映射表转换为策略指令序列；创建一个元数据块，并将所述布局索引表和所述策略指令序列存入其中；将所述元数据块与所述压缩纹理数据进行拼接，形成压缩数据流。
11、可选地，所述方法还包括：解析所述压缩数据流，分离出所述元数据块和所述压缩纹理数据；根据所述元数据块中的策略指令序列，对所述压缩纹理数据进行并行解压，重建出优化后的纹理图集；在渲染采样时，利用所述元数据块中的布局索引表，将来自原始纹理序列的逻辑采样坐标实时转换为所述优化后的纹理图集上的物理采样坐标。
12、基于相同的发明构思，本发明还提供了基于空域稀疏性的动态纹理图集重组压缩系统，所述系统包括：纹理特征分析模块，用于获取动态纹理序列，并对所述动态纹理序列中的纹理单元进行特征分析，生成各自的多维特征向量；潜力模型建模模块，用于基于所述多维特征向量，为每个纹理单元构建初始可压缩性潜力模型，所述初始可压缩性潜力模型用于表征该纹理单元在不同邻域环境下的压缩潜力；协同决策与布局优化模块，用于以所述初始可压缩性潜力模型为输入，执行迭代的协同决策过程，在所述过程中同步生成优化后的纹理图集布局和与之匹配的分区压缩策略映射表；差异化压缩模块，用于依据所述分区压缩策略映射表，对按照所述优化后的纹理图集布局排列的纹理数据执行差异化压缩，生成压缩纹理数据；数据封装模块，用于将所述优化后的纹理图集布局的布局信息、所述分区压缩策略映射表与所述压缩纹理数据进行整合封装，生成压缩数据流。
13、与现有技术相比，本发明具有如下优点：
14、本发明通过对动态纹理序列进行深度的特征分析，并为每个纹理单元建立可压缩性潜力模型，能够前瞻性地预测不同布局组合下的压缩效益。基于此模型进行的迭代协同决策过程，能够自动化地探索并收敛于一个全局最优的图集布局与分区压缩策略组合，避免了传统方法中手动调优的复杂性和局部最优的局限性，实现了压缩方案的智能化生成。
15、本发明提出了一种差异化的压缩执行机制，它根据优化后的图集布局和匹配的压缩策略，对不同内容特征的区域应用最适宜的压缩算法。对于重组后形成的高均质性稀疏簇，采用专门的编码方案以达到极高的压缩比，而对复杂区域则采用保真度更优的算法。这种精细化的分区处理方式，打破了传统单一算法压缩的瓶颈，在提升整体压缩率的同时，较大程度地保留了纹理的视觉质量。
16、本发明将优化后的布局信息、分区压缩策略与压缩数据整合封装成一个自解释的压缩数据流。这种封装方式不仅便于数据的存储和传输，更重要的是，它为解码端提供了清晰、高效的解析和重建指引。解码器可根据元数据实现并行解压，大幅缩短纹理重建时间，同时，渲染时利用布局索引表进行实时坐标转换，保证了对上层应用透明的高效采样，优化了动态纹理从压缩到应用的整个生命周期性能。
17、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。