在https://colmap.github.io/faq.html#reconstruct-sparse-dense-model-from-known-camera-poses  中介绍了已知相机内外参如何通过COLMAP进行稀疏和稠密模型重建的过程，这里按照说明操作一遍：

      在instant-ngp中，执行scripts/colmap2nerf.py时除了生成transforms.json外，还有一些中间文件生成，如colmap_text目录，此目录下有3个文件：
      (1).cameras.txt:相机内参
      (2).images.txt:相机外参
      (3).points3D.txt:3D点云数据
      这里以lego中train目录的数据作为测试集,执行命令如下：注：执行命令前移除train中的r_48.png和r_91.png两幅图像，因为在执行colmap2nerf.py时，此两幅图像并没有进入images.txt中

python ../../../scripts/colmap2nerf.py --colmap_matcher exhaustive --colmap_camera_model PINHOLE --run_colmap --images train --aabb_scale 4

      1.在instant-ngp/data/nerf/lego目录下新建目录reconstruct/created/sparse/model,将colmap_text目录下的3个文件拷贝到此目录下并做修改：模拟已知的相机内外参，实际中应为真实场景获取的数据

mkdir -p reconstruct/created/sparse/model
cp -a colmap_text/* reconstruct/created/sparse/model/

      (1).cameras.txt:不需要调整
      (2).images.txt:调整，每两行定义一幅图像的信息，删除第二行
      (3).points3D.txt:清空

      2.提features,执行如下命令:执行结果如下图所示，生成database.db

colmap feature_extractor --ImageReader.camera_model PINHOLE --database_path database.db --image_path ../train

      3.手动导入相机内参：将cameras.txt中的内参拷贝到database.db中. IMAGE_ID为对应图像在database management的顺序，CAMERA_ID为对应使用的相机，若只使用一台相机全为1.
      手动导入：
      (1).打开COLMAP GUI，双击COLMAP.bat；
      (2).File --> New project: 
            1).Database:Open，刚生成的database.db
            2).Images:Select, 选择存放图像集的目录，然后点击Save
      (3).Processing --> Database management:点击Cameras,对每个camera_id的params进行修改：修改为cameras.txt对应的，注意：两边的CAMERA_ID要一一对应，如下图所示：

      4.特征匹配，执行如下命令：结果如下图所示，database.db会被修改 

colmap exhaustive_matcher --database_path database.db

      5.点三角测量,执行如下命令：目录triangulated/sparse/model需要手动创建 

colmap point_triangulator --database_path database.db --image_path ../train --input_path created/sparse/model --output_path triangulated/sparse/model

      处理错误：reconstruction.cc:79 Check failed: existing_image.Name() == image.second.Name() (r_13.png vs. r_11.png)
      将database.db中Images中image_id, camera_id, name三者要与images.txt中的完全一一对应，database.db中Images内容如下图所示：按照此顺序，调整images.txt，注:只修改IMAGE_ID的值,不要忘记最后的空行

      修改后重新执行上述命令，结果如下图所示：triangulated/sparse/model目录下会生成cameras.bin, images.bin, points3D.bin, database.db也会被修改

      6.查看稀疏模型重建结果：打开COLMAP GUI
      (1).File --> Import Model: 选择triangulated/sparse/model目录
      (2)."Directory does not contain a project.ini" 点击：No: 查看重建结果，结果如下图所示：
      (3).导出model为txt:File --> Export model as text: 将结果保存在triangulated/sparse/model目录下：会生成project.ini, cameras.txt, images.txt, points3D.txt，可与created/sparse/model目录下的文件作对比，看两边camera_id, image_id是否一致，不一致会影响后续的执行 

      7.image undistorter,执行如下命令：结果如下图所示，dense/workspace目录需手动创建，dense/workspace目录下会生成images、sparse、stereo三个目录 

colmap image_undistorter --image_path ../train --input_path triangulated/sparse/model --output_path dense/workspace

 

      8.稠密3D重建，执行如下命令：结果如下图所示，注，此步需要CUDA支持，Anaconda安装时并没有指定，这里使用从官网下载的可执行文件，并且需要将lib目录下的动态库拷贝到colmap.exe目录下，否则会提示缺少各种动态库，此步比较耗时，在台式机上执行，在dense/workspace/stereo目录下，depth_maps和normal_maps目录内会增加类似r_0.png.geometric.bin，r_0.png.photometric.bin文件 

D:/soft/COLMAP/COLMAP-3.8-windows-cuda/bin/colmap.exe patch_match_stereo --workspace_path dense/workspace

      9.稠密点云融合，执行如下命令：结果如下图所示，在dense/workspace目录下会生成fused.ply文件 

colmap stereo_fusion --workspace_path dense/workspace --output_path dense/workspace/fused.ply

      10.查看稠密模型重建结果：打开COLMAP GUI
      (1).Reconstruction --> Dense reconstruction: 点击Select,选择dense/workspace目录
      (2).点击Fusion,稍等片刻，弹出对话框，为了可视化点云，点击Yes,结果如下图所示
      (3).关闭Dense reconstruction,可对可视结果进行缩小、放大、旋转等操作