简介：CG提取工具是一套面向计算机图形学从业者、游戏逆向爱好者与美术资源管理人员的实用工具集，用于从游戏、动画及3D项目中导出图像序列、纹理贴图、3D模型与动画帧数据，解决跨平台资产共享、资源重用与逆向分析中的格式解析难题。压缩包共520个文件，约5.56MB，以325个txt说明文档与170个cui配置脚本为主体，辅以9个dll动态库、7个exe可执行程序及loc、db、xml等辅助文件，覆盖kirikiri2、RealLive、Leaf等多家引擎的解析配置，便于按引擎类型快速定位所需模块。目前已有4751人学习下载，适合具备一定文件格式理解能力的中高级用户参考。资源涉及文件结构解析、图像处理、3D模型格式转换、动画序列提取、纹理贴图导出、编解码与资源解密等技术点，可帮助读者理解CG资源提取的完整流程与工具组织方式，提升数字资源管理与创作效率。
1. 从一堆散装素材里把 CG 提取出来：这套工具到底解决什么问题
做视觉类项目的人多半遇到过这种场景：美术给了一批序列帧、视频组丢来几个 MP4、策划又塞了几张带黑边的设定图，要求你统一转成可用的 CG 素材。手动一帧帧抠、一张张裁，干到凌晨三点还容易漏帧。CG 提取工具就是冲着这个痛点来的——它把视频抽帧、图像裁剪、透明通道处理、批量重命名这几件事串成一条流水线，输入一个目录，输出规整的 PNG 序列或单帧图集。适合做动画预演、游戏过场拆解、AI 训练集清洗的从业者，也适合刚接触素材管线、想先跑通流程的新手。下面按「它怎么工作 → 怎么装怎么跑 → 参数怎么调 → 哪里容易翻车」的顺序拆一遍。
2. CG 提取的底层逻辑：抽帧、裁剪与通道处理怎么串起来
2.1 抽帧不是简单截图：时间轴采样与关键帧判定
很多人以为抽帧就是按秒截屏，实际上一段 24fps 的视频，每秒有 24 张画面，全抽出来既占空间又冗余。CG 提取工具通常提供三种采样模式：固定间隔、关键帧优先、场景切换检测。固定间隔适合做动态模糊分析，关键帧优先适合提取动作节点，场景切换检测则用于把不同镜头拆开。底层依赖的是解码器输出的时间戳（PTS）和帧类型标记（I/P/B 帧）。I 帧是完整画面，P/B 帧依赖前后帧预测，所以关键帧提取本质上是在筛选 I 帧。工具内部一般用 FFmpeg 的select滤镜或 OpenCV 的CAP_PROP_POS_FRAMES做定位，前者快但依赖外部二进制，后者纯 Python 但大文件容易内存吃紧。
常见做法是先用 FFmpeg 做粗筛，把 I 帧时间戳导成列表，再用 OpenCV 按列表精确读取。这样既避开了解码器重复寻址的开销，也方便后续做裁剪。参数上，-vsync 0能防止帧重复，-frame_pts 1让输出文件名带时间戳，省得自己写映射表。
2.2 裁剪与透明通道：把黑边和绿幕处理干净
抽出来的帧往往带黑边、水印或纯色背景。裁剪模块一般提供两种方式：固定像素裁剪和自动边界检测。固定裁剪就是给四个坐标，适合批量处理同一分辨率的素材；自动边界检测则通过扫描边缘像素的方差来判断内容区域，适合尺寸不统一的输入。透明通道处理分两类：一是把纯色背景转成 alpha 通道，二是直接读取带 alpha 的源文件。前者用色度键控（chroma key）思路，设定一个目标色和容差，把相近像素的 alpha 置零；后者依赖解码器支持，比如 PNG 序列或 ProRes 4444。
这里有个容易忽略的点：色度键控在 YUV 空间做比在 RGB 空间做更稳，因为亮度变化对色度影响小。工具如果只提供 RGB 阈值，遇到光照不均的绿幕就会边缘发灰。我一般会先转 YUV，对 U/V 分量设阈值，再回写 alpha。
2.3 批量重命名与元数据落盘
提取出来的帧如果叫frame_0001.png这种名字，后期合成时根本对不上号。工具通常支持模板化命名，比如{项目}_{镜头}_{时间戳}.png，时间戳可以取帧号、毫秒或 SMPTE 时间码。元数据落盘指的是把每帧对应的原始时间、帧类型、裁剪坐标写进一个 CSV 或 JSON，方便回溯。这一步看着不起眼，但当你需要把某一帧还原回原视频位置时，没有元数据就只能靠肉眼比对。
提示：元数据里的时间戳建议统一用毫秒整数，避免浮点误差导致对不齐。
3. 把工具跑起来：环境、命令与参数配置
3.1 环境准备与依赖安装
这套工具通常是 Python 写的，依赖 FFmpeg、OpenCV、Pillow 和 NumPy。FFmpeg 建议用系统包管理器装，不要用 pip 的ffmpeg-python代替二进制，因为抽帧性能差一截。OpenCV 用opencv-python-headless就行，服务器上不需要 GUI。下面是一段环境初始化脚本，注释里写了每个包的作用。
# 更新包索引并安装 FFmpeg（Ubuntu/Debian 系） sudo apt update sudo apt install -y ffmpeg # 创建虚拟环境，避免污染系统 Python python3 -m venv cg_env source cg_env/bin/activate # 安装核心依赖 pip install opencv-python-headless==4.9.0.80 # 解码与抽帧 pip install Pillow==10.3.0 # 图像裁剪与通道处理 pip install numpy==1.26.4 # 矩阵运算 pip install tqdm==4.66.4 # 进度条，批量处理时看进度逻辑说明：FFmpeg 负责视频解码和关键帧定位，OpenCV 负责精确读帧和图像变换，Pillow 处理 alpha 通道和保存，NumPy 做像素级运算。版本号不是必须一致，但 OpenCV 4.x 和 NumPy 1.26 搭配比较稳，2.x 的 NumPy 在某些旧版 OpenCV 上会报 ABI 错误。
参数说明：opencv-python-headless不带 GUI 依赖，体积小；如果你需要cv2.imshow调试，换成opencv-python。虚拟环境目录名随意，但建议和项目目录分开，方便清理。
3.2 抽帧命令与采样参数
假设输入是input.mp4，输出目录是frames/，下面这条命令按每秒 2 帧采样，输出 PNG 序列，并保留时间戳文件名。
ffmpeg -i input.mp4 \ -vf "fps=2" \ -vsync 0 \ -frame_pts 1 \ frames/frame_%05d.png逻辑说明：-vf "fps=2"表示每秒抽 2 帧，适合做动态分析；如果要关键帧优先，改成-vf "select='eq(pict_type,I)'" -vsync 0。-vsync 0禁止帧率同步，防止重复帧；-frame_pts 1让文件名里的编号对应原始 PTS，而不是重新编号。
参数说明：fps值越大抽得越密，但输出体积线性增长。做 AI 训练集一般 1~5 fps 够用；做动画拆解可以到 12 fps。frame_%05d里的%05d表示 5 位补零，超过 99999 帧会溢出，长视频建议用%06d。
3.3 裁剪与透明通道的 Python 实现
抽完帧后，用下面这段脚本做批量裁剪和绿幕抠除。输入目录frames/，输出目录cropped/，裁剪区域是左上角 (100, 50) 到右下角 (900, 700)，绿幕目标色是 (0, 255, 0)，容差 60。
import cv2 import numpy as np import os from tqdm import tqdm INPUT_DIR = "frames" OUTPUT_DIR = "cropped" CROP_BOX = (100, 50, 900, 700) # x1, y1, x2, y2 KEY_COLOR = np.array([0, 255, 0]) # BGR 顺序，注意不是 RGB TOLERANCE = 60 os.makedirs(OUTPUT_DIR, exist_ok=True) for fname in tqdm(os.listdir(INPUT_DIR)): if not fname.lower().endswith(".png"): continue img = cv2.imread(os.path.join(INPUT_DIR, fname), cv2.IMREAD_UNCHANGED) if img is None: continue # 裁剪：按坐标切片，注意 y 在前 x 在后 x1, y1, x2, y2 = CROP_BOX cropped = img[y1:y2, x1:x2] # 绿幕抠除：计算与目标色的欧氏距离，小于容差则 alpha 置零 if cropped.shape[2] == 3: cropped = cv2.cvtColor(cropped, cv2.COLOR_BGR2BGRA) diff = np.linalg.norm(cropped[:, :, :3].astype(np.int16) - KEY_COLOR, axis=2) mask = diff < TOLERANCE cropped[mask, 3] = 0 # 透明 cv2.imwrite(os.path.join(OUTPUT_DIR, fname), cropped)逻辑说明：cv2.imread用IMREAD_UNCHANGED保留 alpha 通道；裁剪时注意 OpenCV 的坐标是img[y, x]，不是img[x, y]，写反了会裁出奇怪区域。绿幕抠除用欧氏距离而不是逐通道阈值，能更好处理渐变边缘。astype(np.int16)防止 uint8 相减溢出。
参数说明：CROP_BOX的四个值按实际画面调整，可以先抽一帧用画图工具量。TOLERANCE越大抠得越狠，但容易误伤主体；绿幕均匀时 40~60 够用，光照不均时降到 30 并配合形态学腐蚀。KEY_COLOR是 BGR 顺序，如果你从设计稿拿到的是 RGB 值，记得反转。
3.4 批量重命名与元数据导出
裁剪完的帧如果还要按镜头分组，可以用下面这段脚本重命名并导出 CSV。假设文件名里已经带了原始帧号，我们按每 100 帧一个镜头分组。
import os import csv import re SRC_DIR = "cropped" DST_DIR = "final" META_PATH = "metadata.csv" SHOT_SIZE = 100 os.makedirs(DST_DIR, exist_ok=True) rows = [] files = sorted([f for f in os.listdir(SRC_DIR) if f.endswith(".png")]) for idx, fname in enumerate(files): shot_id = idx // SHOT_SIZE + 1 frame_num = int(re.search(r"(\d+)", fname).group(1)) new_name = f"shot{shot_id:03d}_frame{frame_num:05d}.png" os.rename(os.path.join(SRC_DIR, fname), os.path.join(DST_DIR, new_name)) rows.append({"shot": shot_id, "frame": frame_num, "file": new_name}) with open(META_PATH, "w", newline="") as f: writer = csv.DictWriter(f, fieldnames=["shot", "frame", "file"]) writer.writeheader() writer.writerows(rows)逻辑说明：sorted保证文件按编号顺序处理，避免操作系统返回乱序。re.search从文件名里提数字，如果文件名格式变了要同步改正则。CSV 用DictWriter写，字段顺序可控。
参数说明：SHOT_SIZE按实际镜头长度调整，动画一般 50~200 帧一个镜头。new_name模板可以改成带项目前缀，方便多批次合并。
4. 避坑与排查：抽帧、裁剪、通道处理里的五个常见翻车点
4.1 抽出来的帧全是重复的
现象：输出目录里相邻帧看起来一模一样，文件大小也接近。原因：-vsync默认是auto，在可变帧率视频上会补帧。解决：显式加-vsync 0，或者用-fps_mode passthrough（新版 FFmpeg）。如果还重复，检查源视频是不是 VFR，用ffprobe看r_frame_rate和avg_frame_rate是否一致。
4.2 裁剪坐标对不上，裁出黑边或切掉主体
现象：按设计稿坐标裁剪，结果偏了几十像素。原因：视频有旋转元数据或像素宽高比不是 1:1。解决：先用ffprobe看rotate和sample_aspect_ratio，有旋转就加-vf "transpose=1"先转正；宽高比非 1 时用-vf "scale=iw*sar:ih"校正。另外注意 OpenCV 读出来的尺寸可能和 FFmpeg 报告的不一致，以实际img.shape为准。
4.3 绿幕抠完边缘发灰或有残留
现象：主体边缘一圈半透明灰边，或者背景还有零星绿点。原因：RGB 空间做阈值，光照渐变导致边缘像素偏离目标色。解决：转 YUV 空间，对 U/V 分量设阈值，或者用cv2.inRange加形态学开运算去噪。残留绿点可以用cv2.morphologyEx做闭运算再膨胀 alpha 通道。
4.4 大批量处理时内存爆掉
现象：跑几千帧后进程被 kill，或者越来越慢。原因：OpenCV 的imread每次分配新数组，Python 垃圾回收不及时。解决：用with上下文或手动del img，每处理 500 帧调用一次gc.collect()。更稳的做法是用生成器逐帧读，不要一次性list(os.listdir)加载所有路径。
4.5 输出文件名冲突导致覆盖
现象：不同镜头的帧重名，后写的覆盖先写的。原因：重命名模板里没有唯一标识。解决：模板里加入镜头号或源文件哈希，比如{shot}_{frame}_{md5[:6]}.png。如果已经覆盖了，只能从原始视频重新抽，所以第一次跑建议先输出到临时目录，确认命名唯一后再移入正式目录。
注意：任何批量重命名操作前，先在小样本目录上跑一遍，确认文件名不冲突再全量执行。
5. 进阶技巧：用帧差法自动切分镜头并验证提取完整性
前面讲的都是按固定规则抽帧，但实际项目里镜头长度不一，固定间隔会浪费大量存储。更聪明的做法是用帧差法自动检测镜头切换，只在切换点附近抽帧。原理很简单：计算相邻帧的直方图差异或像素绝对差，超过阈值就判定为新镜头。下面这段脚本在抽帧阶段就做镜头切分，输出每个镜头的起始帧和结束帧。
import cv2 import numpy as np def detect_shots(video_path, threshold=30.0, min_shot_len=10): cap = cv2.VideoCapture(video_path) prev_hist = None shots = [] start = 0 idx = 0 while True: ret, frame = cap.read() if not ret: break # 转灰度并计算直方图，降低计算量 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) hist = cv2.calcHist([gray], [0], None, [64], [0, 256]) hist = cv2.normalize(hist, hist).flatten() if prev_hist is not None: # 用相关性比较直方图，值越小差异越大 diff = 1.0 - cv2.compareHist(prev_hist, hist, cv2.HISTCMP_CORREL) if diff > threshold / 100.0 and (idx - start) >= min_shot_len: shots.append((start, idx - 1)) start = idx prev_hist = hist idx += 1 shots.append((start, idx - 1)) cap.release() return shots # 调用示例 shots = detect_shots("input.mp4", threshold=35.0, min_shot_len=15) for i, (s, e) in enumerate(shots): print(f"镜头 {i+1}: 帧 {s} 到 {e}，共 {e-s+1} 帧")逻辑说明：cv2.calcHist把每帧压成 64 维直方图，比逐像素比较快一个数量级。compareHist用相关性，返回值 1 表示完全相同，0 表示无关。threshold是差异百分比，35 表示直方图相关性低于 0.65 就切镜头。min_shot_len防止把闪光或快速运动误判为切镜头。
参数说明：threshold越大越不敏感，动画一般 30~40，实拍可以到 50。min_shot_len按帧率算，24fps 下 15 帧约 0.6 秒，低于这个时长的镜头多半是误检。直方图维度 64 是速度和精度的折中，调到 256 更准但慢一倍。
拿到镜头列表后，可以只对每个镜头的首帧、中间帧和尾帧做提取，存储量能降一个数量级。验证提取完整性也有个笨办法但很管用：把提取出的帧按顺序拼回视频，用ffmpeg -framerate 24 -i final/shot%03d_frame%05d.png -c:v libx264 out.mp4，然后和原视频并排播放，肉眼扫一遍有没有跳帧或错位。我一般会在拼接时加-vf "drawtext=text='%{frame_num}'"把帧号烧进去，方便定位问题帧。
从那以后我每次跑完提取，都强制走一遍「拼回视频 + 抽检 10 帧元数据」的流程，宁可多花十分钟，也不想到合成阶段才发现少了一帧。希望帮到你。
本文还有配套的精品资源，点击获取
