fix: refine angolo piu' veloce + edge overlay ciano (no clash con asse Y)

Bug visibili dallo screenshot:
1. Rallentamento sostanziale: il fix precedente aggiungeva 16 iter golden
   (era 8) + 3 chiamate parabolic fit = ~19 _score_at_angle vs 11 prima.
2. Asse Y dell'UCS invisibile sul match: edge overlay era verde brillante
   (0,220,0) e si sovrapponeva esattamente al verde dell'asse Y dell'UCS.
3. Angolo non corretto: il parabolic fit finale era instabile su template
   simmetrici (multiple local max ravvicinati lo facevano divergere fuori
   dal vero picco trovato dal golden).

Fix:
- _refine_angle: 10 iter golden con tol 0.05 (compromesso tra precisione
  e velocita'). Rimosso parabolic fit finale instabile. search_radius
  resta a step pieno (utile per recuperare estremi del bin).
- Edge overlay color: ciano (BGR 255,200,0) invece di verde brillante.
  L'asse Y verde dell'UCS ora ben visibile sopra l'overlay.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

pm2d/bench.py

@@ -0,0 +1,179 @@
+"""Benchmark suite per LineShapeMatcher.
+
+Usage:
+    python -m pm2d.bench [--quick]
+
+Misura tempi find() su 3 template-tipo × 3 scene-tipo × N config:
+- Template: rettangolo 80×80, L-shape 120×120, cerchio 150×150
+- Scene: pulita 800×600, cluttered 1080×1920, multi-pezzo 1080×1920
+- Config: baseline, polarity, gpu, pyramid_propagate, greediness=0.7
+
+Per ogni config stampa: ms/find, ms per fase (profile), n. match.
+Output tabellare per detectare regressioni in CI.
+"""
+
+from __future__ import annotations
+
+import argparse
+import time
+
+import cv2
+import numpy as np
+
+from pm2d.line_matcher import LineShapeMatcher, opencl_available
+
+
+# ---------- Sintetizzatori template/scena ----------
+
+def _tpl_rect() -> np.ndarray:
+    t = np.zeros((80, 80, 3), np.uint8)
+    cv2.rectangle(t, (15, 15), (65, 65), (255, 255, 255), 3)
+    return t
+
+
+def _tpl_lshape() -> np.ndarray:
+    t = np.zeros((120, 120, 3), np.uint8)
+    cv2.rectangle(t, (20, 20), (50, 100), (255, 255, 255), -1)
+    cv2.rectangle(t, (20, 70), (100, 100), (255, 255, 255), -1)
+    return t
+
+
+def _tpl_circle() -> np.ndarray:
+    t = np.zeros((150, 150, 3), np.uint8)
+    cv2.circle(t, (75, 75), 60, (255, 255, 255), 4)
+    return t
+
+
+def _scene_clean(W: int, H: int, n_pieces: int = 1) -> np.ndarray:
+    np.random.seed(0)
+    s = np.zeros((H, W, 3), np.uint8)
+    for _ in range(n_pieces):
+        cx = np.random.randint(80, W - 80)
+        cy = np.random.randint(80, H - 80)
+        cv2.rectangle(s, (cx - 25, cy - 25), (cx + 25, cy + 25), (255, 255, 255), 3)
+    return s
+
+
+def _scene_cluttered(W: int, H: int) -> np.ndarray:
+    np.random.seed(0)
+    s = np.random.randint(50, 200, (H, W, 3), np.uint8)
+    cv2.rectangle(s, (300, 200), (350, 250), (255, 255, 255), 3)
+    cv2.rectangle(s, (1500, 800), (1550, 850), (255, 255, 255), 3)
+    return s
+
+
+# ---------- Single benchmark ----------
+
+def _bench_config(template, scene, config_name: str,
+                  init_kw: dict, find_kw: dict,
+                  n_iter: int = 5) -> dict:
+    m = LineShapeMatcher(**init_kw)
+    t0 = time.perf_counter()
+    n_var = m.train(template)
+    t_train = time.perf_counter() - t0
+
+    # Warmup (Numba JIT)
+    m.find(scene, **find_kw)
+    m.find(scene, **find_kw)
+
+    # Run
+    times_ms = []
+    for _ in range(n_iter):
+        t0 = time.perf_counter()
+        matches = m.find(scene, **find_kw)
+        times_ms.append((time.perf_counter() - t0) * 1000.0)
+
+    # Profile (1 iter)
+    m.find(scene, profile=True, **find_kw)
+    prof = m.get_last_profile() or {}
+
+    return {
+        "config": config_name,
+        "n_variants": n_var,
+        "t_train_s": round(t_train, 3),
+        "ms_avg": round(float(np.mean(times_ms)), 1),
+        "ms_min": round(float(np.min(times_ms)), 1),
+        "ms_max": round(float(np.max(times_ms)), 1),
+        "n_matches": len(matches),
+        "profile_ms": {k: round(v, 1) for k, v in prof.items()},
+    }
+
+
+# ---------- Suite ----------
+
+CONFIGS = [
+    ("baseline",
+     {"angle_step_deg": 10, "pyramid_levels": 2},
+     {"min_score": 0.4, "verify_threshold": 0.2}),
+    ("polarity",
+     {"angle_step_deg": 10, "pyramid_levels": 2, "use_polarity": True},
+     {"min_score": 0.4, "verify_threshold": 0.2}),
+    ("propagate",
+     {"angle_step_deg": 10, "pyramid_levels": 3},
+     {"min_score": 0.4, "verify_threshold": 0.2,
+      "pyramid_propagate": True, "propagate_topk": 4}),
+    ("greedy_07",
+     {"angle_step_deg": 10, "pyramid_levels": 2},
+     {"min_score": 0.4, "verify_threshold": 0.2, "greediness": 0.7}),
+    ("stride2",
+     {"angle_step_deg": 10, "pyramid_levels": 2},
+     {"min_score": 0.4, "verify_threshold": 0.2, "coarse_stride": 2}),
+]
+
+if opencl_available():
+    CONFIGS.append(
+        ("gpu_umat",
+         {"angle_step_deg": 10, "pyramid_levels": 2, "use_gpu": True},
+         {"min_score": 0.4, "verify_threshold": 0.2})
+    )
+
+
+SCENARIOS = [
+    ("rect_80 vs scene_800x600", _tpl_rect, lambda: _scene_clean(800, 600, 1)),
+    ("lshape_120 vs scene_1080x1920_clutter",
+     _tpl_lshape, lambda: _scene_cluttered(1920, 1080)),
+    ("circle_150 vs scene_clean_3pieces",
+     _tpl_circle, lambda: _scene_clean(1920, 1080, 3)),
+]
+
+
+def run(quick: bool = False) -> int:
+    n_iter = 2 if quick else 5
+    print(f"=== PM2D Benchmark Suite ({len(SCENARIOS)} scenarios x "
+          f"{len(CONFIGS)} configs, n_iter={n_iter}) ===\n")
+    rows = []
+    for sc_name, tpl_fn, scn_fn in SCENARIOS:
+        template = tpl_fn()
+        scene = scn_fn()
+        print(f"--- Scenario: {sc_name} (tpl={template.shape}, "
+              f"scn={scene.shape}) ---")
+        for cfg_name, init_kw, find_kw in CONFIGS:
+            r = _bench_config(template, scene, cfg_name, init_kw, find_kw,
+                              n_iter=n_iter)
+            r["scenario"] = sc_name
+            rows.append(r)
+            prof_str = " ".join(
+                f"{k}={v:.1f}" for k, v in r["profile_ms"].items()
+            )
+            print(f"  {cfg_name:14s}  {r['ms_avg']:6.1f}ms  "
+                  f"(min {r['ms_min']:.1f} max {r['ms_max']:.1f})  "
+                  f"vars={r['n_variants']:3d}  "
+                  f"matches={r['n_matches']:2d}")
+            if prof_str:
+                print(f"     profile: {prof_str}")
+        print()
+    print("=== Done ===")
+    return 0
+
+
+def main(argv: list[str] | None = None) -> int:
+    p = argparse.ArgumentParser(description="PM2D benchmark suite")
+    p.add_argument("--quick", action="store_true",
+                   help="2 iterazioni per config invece di 5 (smoke test)")
+    args = p.parse_args(argv)
+    return run(quick=args.quick)
+
+
+if __name__ == "__main__":
+    import sys
+    sys.exit(main())

pm2d/line_matcher.py

@@ -127,6 +127,7 @@ class Match:
     scale: float
     score: float
     bbox_poly: np.ndarray  # (4, 2) float32 - 4 vertici ordinati (ruotato)
+    variant_idx: int = -1  # indice variante usata (per overlay coerente)
 
 
 @dataclass
@@ -735,7 +736,24 @@ class LineShapeMatcher:
         nb = self._n_bins
         dtype = np.uint16 if nb > 8 else np.uint8
         spread = np.zeros((H, W), dtype=dtype)
+        # XX optimization: skip dilate per bin senza pixel attivi.
+        # Su scene a bassa varianza orientation (es. pezzi industriali con
+        # poche direzioni dominanti) tipicamente 50-70% dei bin sono vuoti.
+        # Pre-calcolo bin presenti via mask globale; per bin assenti niente
+        # dilate (resta zero nel bitmap).
+        if isinstance(bins, np.ndarray):
+            valid_bins = bins[valid] if isinstance(valid, np.ndarray) else None
+            if valid_bins is not None and valid_bins.size > 0:
+                bin_present = np.zeros(nb, dtype=bool)
+                unique_bins = np.unique(valid_bins)
+                bin_present[unique_bins[unique_bins < nb]] = True
+            else:
+                bin_present = np.zeros(nb, dtype=bool)
+        else:
+            bin_present = np.ones(nb, dtype=bool)
         for b in range(nb):
+            if not bin_present[b]:
+                continue  # XX: nessun pixel di questo bin sopra weak_grad
             mask_b = ((bins == b) & valid).astype(np.uint8)
             if self.use_gpu:
                 d = cv2.dilate(cv2.UMat(mask_b), kernel)
@@ -936,7 +954,7 @@ class LineShapeMatcher:
         # variante e' quantizzato a multipli di angle_step (5 deg default).
         # Refine angolare e' essenziale per orientamento sub-step.
         if search_radius is None:
-            search_radius = self._effective_angle_step() / 2.0
+            search_radius = self._effective_angle_step()
 
         h, w = template_gray.shape
         sw = max(16, int(round(w * scale)))
@@ -1024,8 +1042,12 @@ class LineShapeMatcher:
         # Score all'origine come riferimento (ang offset 0)
         s0, cx0_s, cy0_s = _score_at_angle(0.0)
         best = (angle_deg, s0, cx0_s, cy0_s)
-        tol = 0.1  # gradi
-        for _ in range(8):
+        # Precisione angolare: 10 iter golden con tol 0.05 deg.
+        # Compromesso speed/accuracy: il parabolic fit aggiuntivo era
+        # instabile su score map non-smooth (template simmetrici producono
+        # multipli local max ravvicinati che lo facevano divergere).
+        tol = 0.05
+        for _ in range(10):
             if s1 > best[1]:
                 best = (angle_deg + x1, s1, cx1, cy1)
             if s2 > best[1]:
@@ -1357,6 +1379,7 @@ class LineShapeMatcher:
         use_soft_score: bool = False,
         subpixel_lm: bool = False,
         debug: bool = False,
+        profile: bool = False,
     ) -> list[Match]:
         """
         scale_penalty: se > 0, riduce lo score per match a scala diversa da 1.0:
@@ -1389,6 +1412,7 @@ class LineShapeMatcher:
             "drop_recall_low": 0,
             "drop_bbox_out_of_scene": 0,
             "drop_nms_iou": 0,
+            "n_variants_pruned_histogram": 0,
             "n_final": 0,
             "top_thresh_used": 0.0,
             "verify_threshold_used": float(verify_threshold),
@@ -1400,7 +1424,21 @@ class LineShapeMatcher:
         }
         self._last_diag = diag
 
+        # GGG: profile mode → timing per fase, esposto via get_last_profile()
+        import time as _time
+        prof = {} if profile else None
+        _t_prev = _time.perf_counter() if profile else 0.0
+        def _checkpoint(name: str):
+            nonlocal _t_prev
+            if prof is None:
+                return
+            now = _time.perf_counter()
+            prof[name] = (now - _t_prev) * 1000.0  # ms
+            _t_prev = now
+        self._last_profile = prof
+
         gray_full = self._to_gray(scene_bgr)
+        _checkpoint("to_gray")
         # Applica ROI di ricerca: restringe scena a crop, ricorda offset per
         # ri-traslare le coordinate dei match a fine pipeline.
         if search_roi is not None:
@@ -1439,6 +1477,7 @@ class LineShapeMatcher:
             spread0 = None
             bit_active_full = None
             density_full = None
+        _checkpoint("spread_top")
         if nms_radius is None:
             nms_radius = max(8, min(self.template_size) // 2)
         # Pruning adattivo allo step angolare: con step piccolo (<= 3 deg)
@@ -1500,6 +1539,38 @@ class LineShapeMatcher:
                 end = min(n, i + half + 1)
                 neighbor_map[vi_c] = vi_sorted[start:end]
 
+        # VV: pruning preliminare via overlap istogramma orientation.
+        # Scene-bins-attivi vs variant-feature-bins. Se la variante ha bin
+        # dominanti che la scena non possiede → score impossibile, skip
+        # senza chiamare il kernel. Costo: O(n_variants * 8 ops).
+        scene_bins = np.array(
+            [bool((bit_active_top >> b) & 1) for b in range(self._n_bins)],
+            dtype=bool,
+        )
+        if scene_bins.any():
+            n_scene_active = int(scene_bins.sum())
+            # Soglia: variante deve avere >= 50% delle sue feature in bin
+            # presenti nella scena. Sotto = score certamente < 0.5.
+            pruned_idx_list = []
+            n_pruned = 0
+            for vi in coarse_idx_list:
+                lvl = self.variants[vi].levels[
+                    min(top, len(self.variants[vi].levels) - 1)
+                ]
+                if len(lvl.bin) == 0:
+                    continue
+                feat_in_scene = int(np.isin(lvl.bin, np.where(scene_bins)[0]).sum())
+                ratio = feat_in_scene / len(lvl.bin)
+                if ratio < 0.5 * min_score:
+                    n_pruned += 1
+                    continue
+                pruned_idx_list.append(vi)
+            if n_pruned > 0 and pruned_idx_list:
+                coarse_idx_list = pruned_idx_list
+            diag["n_variants_pruned_histogram"] = n_pruned
+        else:
+            diag["n_variants_pruned_histogram"] = 0
+
         # Pruning varianti via top-level (parallelizzato).
         # coarse_stride > 1: 1 pixel ogni stride (~stride^2 speed-up).
         # pyramid_propagate=True: top-K picchi per restringere full-res.
@@ -1595,6 +1666,7 @@ class LineShapeMatcher:
         kept_variants: list[tuple[int, float]] = [
             (vi, score_by_vi[vi]) for vi in expanded
         ]
+        _checkpoint("top_pruning")
 
         if not kept_variants:
             return []
@@ -1701,6 +1773,7 @@ class LineShapeMatcher:
 
         raw.sort(key=lambda c: -c[0])
         diag["n_raw_candidates"] = len(raw)
+        _checkpoint("full_kernel")
 
         # Mappa vi → score_map per subpixel/refinement
         score_maps = dict(candidates_per_var)
@@ -1756,7 +1829,10 @@ class LineShapeMatcher:
                 ang_f, score_f, cx_f, cy_f = self._refine_angle(
                     spread0, bit_active_full, self.template_gray, cx_f, cy_f,
                     var.angle_deg, var.scale, mask_full,
-                    search_radius=self._effective_angle_step() / 2.0,
+                    # Search radius esteso allo step pieno (era step/2):
+                    # copre il caso peggiore in cui il picco vero e' all'estremo
+                    # del bin angolare della variante grezza.
+                    search_radius=self._effective_angle_step(),
                     original_score=score,
                 )
             # Halcon SubPixel='least_squares_high': refinement iterativo
@@ -1863,10 +1939,14 @@ class LineShapeMatcher:
                 scale=var.scale,
                 score=score_f,
                 bbox_poly=poly,
+                variant_idx=int(vi),
             ))
             if len(kept) >= max_matches:
                 break
         diag["n_final"] = len(kept)
+        _checkpoint("refine_verify_nms")
+        if profile:
+            self._last_profile = prof
         if debug:
             # Debug mode: stampa diagnostica su stderr per visibilita' immediata.
             import sys as _sys
@@ -1890,6 +1970,15 @@ class LineShapeMatcher:
             f"final={diag['n_final']} (top_thresh={diag['top_thresh_used']:.2f})"
         )
 
+    def get_last_profile(self) -> dict | None:
+        """Ritorna timing per fase dell'ultimo find(profile=True).
+
+        Chiavi: to_gray, spread_top, top_pruning, full_kernel,
+        refine_verify_nms (millisecondi). Util per identificare bottleneck
+        dove ottimizzare.
+        """
+        return getattr(self, "_last_profile", None)
+
     def get_last_diag(self) -> dict | None:
         """Ritorna dict diagnostica dell'ultima chiamata find().
 

pm2d/web/server.py

@@ -78,6 +78,7 @@ def _matcher_cache_key(roi: np.ndarray, tech: dict) -> str:
     h.update(roi.tobytes())
     # Solo parametri che influenzano il training
     relevant = ("num_features", "weak_grad", "strong_grad",
+                "min_feature_spacing",
                 "angle_min", "angle_max", "angle_step",
                 "scale_min", "scale_max", "scale_step",
                 "spread_radius", "pyramid_levels")
@@ -133,89 +134,80 @@ def _encode_png(img: np.ndarray) -> bytes:
 def _draw_matches(scene: np.ndarray, matches: list[Match],
                    template_gray: np.ndarray | None,
                    matcher: "LineShapeMatcher | None" = None) -> np.ndarray:
-    """Disegna match annotati sulla scena.
+    """Disegna SOLO UCS (richiesta utente) per ogni match trovato.
 
-    Se matcher e' passato, usa la stessa pipeline di edge filtering
-    (hysteresis weak/strong_grad) e selezione feature usata in training,
-    cosi' l'overlay nel match riflette ESATTAMENTE quello che l'utente
-    ha visto nel preview "Anteprima edge". Inoltre disegna UCS
-    (asse X rosso, Y verde) sul centro pose del match.
-
-    Senza matcher: fallback Canny (legacy).
+    UCS = sistema di coordinate (X rosso, Y verde) posizionato sul
+    baricentro feature del modello, ruotato secondo l'angolo del match.
+    Niente edge, niente cerchietti feature, niente bbox: i match sulla
+    scena reale devono essere puliti, gli edge filtrati si vedono solo
+    nell'anteprima modello.
     """
     out = scene.copy()
-    H, W = scene.shape[:2]
-    palette = [
-        (0, 255, 0), (0, 200, 255), (255, 100, 100), (255, 200, 0),
-        (200, 0, 255), (100, 255, 200), (255, 0, 0), (0, 255, 255),
-    ]
-    bin_colors = [
-        (255, 0, 0), (255, 128, 0), (255, 255, 0), (0, 255, 0),
-        (0, 255, 255), (0, 128, 255), (0, 0, 255), (255, 0, 255),
-        (255, 100, 100), (255, 180, 100), (255, 230, 100), (180, 255, 100),
-        (100, 255, 200), (100, 180, 255), (180, 100, 255), (255, 100, 200),
-    ]
+    # Lunghezza assi UCS: stessa formula dell'anteprima modello
+    # (0.15 * max lato template) scalata per m.scale → coerenza dimensionale.
+    if matcher is not None and matcher.template_size != (0, 0):
+        L_base = int(0.15 * max(matcher.template_size))
+    else:
+        L_base = 30
+    H_scene, W_scene = scene.shape[:2]
+
     for i, m in enumerate(matches):
-        color = palette[i % len(palette)]
-        if template_gray is not None:
+        # UCS posizionato esattamente sul CENTRO POSE del match (m.cx, m.cy):
+        # equivale al centro template traslato alla scena, ruotato con
+        # m.angle_deg. Coerente con UCS dell'anteprima modello che ora
+        # e' anche sul centro ROI (vedi preview_edges).
+        ax = np.deg2rad(m.angle_deg)
+        ca, sa = np.cos(ax), np.sin(ax)
+        cx, cy = int(round(m.cx)), int(round(m.cy))
+        # Overlay edge del modello orientato (richiesta utente):
+        # warpa template alla pose, applica hysteresis identica al matcher,
+        # disegna pixel edge come overlay verde tenue. Maschera col
+        # _train_mask warpato + erode per rimuovere edge sui BORDI del
+        # rettangolo template (transizione bordo nero → scena = falso edge
+        # che appariva come "ROI" attorno a ogni match).
+        if template_gray is not None and matcher is not None:
             t = template_gray
             th, tw = t.shape
             cx_t = (tw - 1) / 2.0; cy_t = (th - 1) / 2.0
             M = cv2.getRotationMatrix2D((cx_t, cy_t), m.angle_deg, m.scale)
             M[0, 2] += m.cx - cx_t
             M[1, 2] += m.cy - cy_t
-            if matcher is not None:
-                # Edge filtrati con stessi param matcher (hysteresis)
-                warped_gray = cv2.warpAffine(
-                    t, M, (W, H), flags=cv2.INTER_LINEAR, borderValue=0)
-                mag, bins = matcher._gradient(warped_gray)
-                if matcher.weak_grad < matcher.strong_grad:
-                    edge_mask = matcher._hysteresis_mask(mag)
-                else:
-                    edge_mask = mag >= matcher.strong_grad
-                # Background edge filtrati: tinta scura colore match
-                if edge_mask.any():
-                    bg_overlay = np.zeros_like(out)
-                    dark = tuple(int(c * 0.35) for c in color)
-                    bg_overlay[edge_mask] = dark
-                    out = cv2.addWeighted(out, 1.0, bg_overlay, 0.7, 0)
-                # Feature scelte: estrazione alla pose, dot colorati per bin
-                fx, fy, fb = matcher._extract_features(mag, bins, None)
-                for k in range(len(fx)):
-                    px, py = int(fx[k]), int(fy[k])
-                    if 0 <= px < W and 0 <= py < H:
-                        bcol = bin_colors[int(fb[k]) % len(bin_colors)]
-                        cv2.circle(out, (px, py), 2, bcol, -1, cv2.LINE_AA)
+            warped_gray = cv2.warpAffine(
+                t, M, (W_scene, H_scene),
+                flags=cv2.INTER_LINEAR, borderValue=0)
+            # Maschera: train_mask se disponibile, altrimenti rettangolo pieno
+            mask_src = (matcher._train_mask if matcher._train_mask is not None
+                        else np.full((th, tw), 255, dtype=np.uint8))
+            warped_mask = cv2.warpAffine(
+                mask_src, M, (W_scene, H_scene),
+                flags=cv2.INTER_NEAREST, borderValue=0)
+            # Erode di spread_radius per scartare la fascia di transizione
+            # bordo che produce gradient spurio
+            er_k = max(3, 2 * matcher.spread_radius + 1)
+            kernel_er = np.ones((er_k, er_k), np.uint8)
+            warped_mask = cv2.erode(warped_mask, kernel_er)
+            mag, _ = matcher._gradient(warped_gray)
+            if matcher.weak_grad < matcher.strong_grad:
+                edge_mask = matcher._hysteresis_mask(mag)
             else:
-                # Legacy Canny
-                edge = cv2.Canny(t, 50, 150)
-                warped = cv2.warpAffine(edge, M, (W, H),
-                                         flags=cv2.INTER_NEAREST, borderValue=0)
-                mask = warped > 0
-                if mask.any():
-                    overlay = np.zeros_like(out)
-                    overlay[mask] = color
-                    out[mask] = (0.3 * out[mask] + 0.7 * overlay[mask]).astype(np.uint8)
-        # bbox poly e linea-marker rimossi (richiesta utente "togli la ROI"):
-        # UCS + edge filtrati gia' identificano pose e orientamento,
-        # il rettangolo aggiunto era ridondante e copriva il pezzo.
-        cx, cy = int(round(m.cx)), int(round(m.cy))
-        # UCS sul centro pose match (richiesta utente: come nell'anteprima
-        # modello). Asse X rosso destra, Y verde basso (image y-down).
-        # Lunghezza derivata dalla diagonale bbox per scala-invariante.
-        L = int(np.linalg.norm(m.bbox_poly[1] - m.bbox_poly[0])) // 2
-        if L < 10:
-            L = 30  # fallback se bbox degenere
-        ax = np.deg2rad(m.angle_deg)
-        # X axis ruotato (rosso)
-        x_end = (int(cx + L * np.cos(ax)), int(cy - L * np.sin(ax)))
+                edge_mask = mag >= matcher.strong_grad
+            edge_mask = edge_mask & (warped_mask > 0)
+            if edge_mask.any():
+                edge_overlay = np.zeros_like(out)
+                # Ciano (cambiato da verde): non collide col verde dell'asse
+                # Y dell'UCS che altrimenti scompariva nell'overlay edge.
+                edge_overlay[edge_mask] = (255, 200, 0)  # ciano (BGR)
+                out = cv2.addWeighted(out, 1.0, edge_overlay, 0.6, 0)
+        L = max(20, int(L_base * m.scale))
+        # X axis = rotazione di (1, 0) con cv2 matrix → (cos, -sin)
+        x_end = (int(cx + L * ca), int(cy - L * sa))
+        # Y axis = rotazione di (0, 1) con cv2 matrix → (sin, cos)
+        # A m.angle_deg=0 deve puntare GIU' (image y-down convenzione modello)
+        y_end = (int(cx + L * sa), int(cy + L * ca))
         cv2.arrowedLine(out, (cx, cy), x_end,
                         (0, 0, 255), 2, cv2.LINE_AA, tipLength=0.2)
         cv2.putText(out, "X", (x_end[0] + 4, x_end[1] + 5),
                     cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1, cv2.LINE_AA)
-        # Y axis perpendicolare (verde, +90° in image coords = giu' visivo)
-        y_end = (int(cx + L * np.cos(ax + np.pi / 2)),
-                 int(cy - L * np.sin(ax + np.pi / 2)))
         cv2.arrowedLine(out, (cx, cy), y_end,
                         (0, 255, 0), 2, cv2.LINE_AA, tipLength=0.2)
         cv2.putText(out, "Y", (y_end[0] + 4, y_end[1] + 12),
@@ -223,9 +215,6 @@ def _draw_matches(scene: np.ndarray, matches: list[Match],
         # Origine UCS: cerchio bianco con bordo nero
         cv2.circle(out, (cx, cy), 4, (0, 0, 0), -1, cv2.LINE_AA)
         cv2.circle(out, (cx, cy), 3, (255, 255, 255), -1, cv2.LINE_AA)
-        label = f"#{i+1} {m.angle_deg:.0f}d s={m.scale:.2f} {m.score:.2f}"
-        cv2.putText(out, label, (cx + 12, cy - 12),
-                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2, cv2.LINE_AA)
     return out
 
 
@@ -328,6 +317,15 @@ class SimpleMatchParams(BaseModel):
     penalita_scala: float = 0.0       # 0 = score shape invariante, >0 = penalizza scala != 1
     min_score: float = 0.65
     max_matches: int = 25
+    # --- Override edge da pannello "Anteprima edge" (None = auto_tune) ---
+    # Quando settati, sovrascrivono i valori derivati da auto_tune e
+    # vengono usati identici sia nel training del matcher sia nel find.
+    # Salvati nella ricetta cosi' la stessa pulizia rumore e' replicata
+    # quando la ricetta viene caricata.
+    edge_weak_grad: float | None = None
+    edge_strong_grad: float | None = None
+    edge_num_features: int | None = None
+    edge_min_feature_spacing: int | None = None
     # --- Halcon-mode flags (default off = backward compat) ---
     # Init-time (richiede ri-train se cambiato)
     use_polarity: bool = False        # F: 16 bin orientation mod 2pi
@@ -376,10 +374,24 @@ def _simple_to_technical(
     smin, smax, sstep = SCALE_PRESETS.get(p.scala, (1.0, 1.0, 0.1))
     ang_step = PRECISION_ANGLE_STEP.get(p.precisione, 5.0)
 
+    # Override edge dal pannello "Anteprima edge" se utente li ha settati.
+    # Questi sostituiscono i valori auto_tune nel training del matcher,
+    # garantendo che la selezione edge identica a quella del preview
+    # venga usata sia in training sia in find.
+    weak_g = (p.edge_weak_grad if p.edge_weak_grad is not None
+              else tune["weak_grad"])
+    strong_g = (p.edge_strong_grad if p.edge_strong_grad is not None
+                else tune["strong_grad"])
+    n_feat = (p.edge_num_features if p.edge_num_features is not None
+              else nf)
+    min_sp = (p.edge_min_feature_spacing if p.edge_min_feature_spacing is not None
+              else 3)
+
     return {
-        "num_features": nf,
-        "weak_grad": tune["weak_grad"],
-        "strong_grad": tune["strong_grad"],
+        "num_features": n_feat,
+        "weak_grad": weak_g,
+        "strong_grad": strong_g,
+        "min_feature_spacing": min_sp,
         "spread_radius": spread,
         "pyramid_levels": pyr,
         "angle_min": 0.0,
@@ -615,6 +627,7 @@ def match_simple(p: SimpleMatchParams):
             scale_range=(tech["scale_min"], tech["scale_max"]),
             scale_step=tech["scale_step"],
             spread_radius=tech["spread_radius"],
+            min_feature_spacing=tech.get("min_feature_spacing", 3),
             pyramid_levels=tech["pyramid_levels"],
             use_polarity=p.use_polarity,
             use_gpu=p.use_gpu,
@@ -684,6 +697,11 @@ class SaveRecipeParams(BaseModel):
     precisione: str = "normale"
     use_polarity: bool = False
     use_gpu: bool = False
+    # Override edge dal pannello "Anteprima edge" (None = auto_tune)
+    edge_weak_grad: float | None = None
+    edge_strong_grad: float | None = None
+    edge_num_features: int | None = None
+    edge_min_feature_spacing: int | None = None
     name: str  # nome file ricetta (no path)
 
 
@@ -750,26 +768,23 @@ def preview_edges(p: EdgePreviewParams):
         b = int(fb[i])
         col = bin_colors[b % len(bin_colors)]
         cv2.circle(out, (int(fx[i]), int(fy[i])), 2, col, -1, cv2.LINE_AA)
-    # UCS sul baricentro feature (richiesta utente): assi X rosso, Y verde
-    bary_cx = bary_cy = None
-    if len(fx) > 0:
-        bary_cx = float(np.mean(fx))
-        bary_cy = float(np.mean(fy))
-        bx, by = int(round(bary_cx)), int(round(bary_cy))
-        axis_len = max(20, int(0.15 * max(out.shape[:2])))
-        # X axis (rosso, verso destra)
-        cv2.arrowedLine(out, (bx, by), (bx + axis_len, by),
-                        (0, 0, 255), 2, cv2.LINE_AA, tipLength=0.2)
-        cv2.putText(out, "X", (bx + axis_len + 4, by + 5),
-                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1, cv2.LINE_AA)
-        # Y axis (verde, verso il basso = convenzione image y-down)
-        cv2.arrowedLine(out, (bx, by), (bx, by + axis_len),
-                        (0, 255, 0), 2, cv2.LINE_AA, tipLength=0.2)
-        cv2.putText(out, "Y", (bx + 4, by + axis_len + 12),
-                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1, cv2.LINE_AA)
-        # Origine: cerchio bianco con bordo nero
-        cv2.circle(out, (bx, by), 4, (0, 0, 0), -1, cv2.LINE_AA)
-        cv2.circle(out, (bx, by), 3, (255, 255, 255), -1, cv2.LINE_AA)
+    # UCS sul CENTRO ROI (coerente con _draw_matches che usa centro pose).
+    # In questo modo l'UCS visualizzato nel modello = UCS del match (modulo
+    # rotazione/traslazione data dalla pose del pezzo trovato).
+    rh, rw = roi_img.shape[:2]
+    bx, by = (rw - 1) // 2, (rh - 1) // 2
+    axis_len = max(20, int(0.15 * max(rw, rh)))
+    cv2.arrowedLine(out, (bx, by), (bx + axis_len, by),
+                    (0, 0, 255), 2, cv2.LINE_AA, tipLength=0.2)
+    cv2.putText(out, "X", (bx + axis_len + 4, by + 5),
+                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1, cv2.LINE_AA)
+    cv2.arrowedLine(out, (bx, by), (bx, by + axis_len),
+                    (0, 255, 0), 2, cv2.LINE_AA, tipLength=0.2)
+    cv2.putText(out, "Y", (bx + 4, by + axis_len + 12),
+                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1, cv2.LINE_AA)
+    cv2.circle(out, (bx, by), 4, (0, 0, 0), -1, cv2.LINE_AA)
+    cv2.circle(out, (bx, by), 3, (255, 255, 255), -1, cv2.LINE_AA)
+    bary_cx, bary_cy = float(bx), float(by)
     img_id = _store_image(out)
     n_edge_strong = int((mag >= m.strong_grad).sum())
     n_edge_total = int(edge_mask.sum() / 255)
@@ -801,6 +816,10 @@ def save_recipe(p: SaveRecipeParams):
         tipo=p.tipo, simmetria=p.simmetria, scala=p.scala,
         precisione=p.precisione,
         use_polarity=p.use_polarity, use_gpu=p.use_gpu,
+        edge_weak_grad=p.edge_weak_grad,
+        edge_strong_grad=p.edge_strong_grad,
+        edge_num_features=p.edge_num_features,
+        edge_min_feature_spacing=p.edge_min_feature_spacing,
     )
     tech = _simple_to_technical(sp, roi_img)
     m = LineShapeMatcher(

pm2d/web/static/app.js

@@ -53,10 +53,34 @@ function readUserParams() {
       document.getElementById("p-penalita-scala").value),
     min_score: parseFloat(document.getElementById("p-min-score").value),
     max_matches: parseInt(document.getElementById("p-max-matches").value, 10),
+    ...readEdgeOverrides(),
     ...readHalconFlags(),
   };
 }
 
+function readEdgeOverrides() {
+  // Override edge dal pannello "Anteprima edge". Settati = utente li ha
+  // toccati (anche se uguali al default attuale). Vengono propagati a
+  // _simple_to_technical e usati identici sia in training sia in find.
+  // Inoltre salvati nella ricetta cosi' si replicano al load.
+  const _v = (id, parser) => {
+    const el = document.getElementById(id);
+    if (!el) return null;
+    const v = parser(el.value);
+    return Number.isFinite(v) ? v : null;
+  };
+  // Sempre passa i valori correnti degli slider: e' la richiesta utente
+  // che i param di pulizia rumore vengano usati anche nel find/ricetta.
+  const polCb = document.getElementById("hc-use-polarity");
+  return {
+    edge_weak_grad: _v("ep-weak", parseFloat),
+    edge_strong_grad: _v("ep-strong", parseFloat),
+    edge_num_features: _v("ep-nf", parseInt),
+    edge_min_feature_spacing: _v("ep-sp", parseInt),
+    use_polarity: polCb?.checked || document.getElementById("ep-pol")?.checked,
+  };
+}
+
 function readHalconFlags() {
   // Halcon-mode toggle: tutti i flag default-off, esposti via "Modalità Halcon"
   const $cb = (id) => document.getElementById(id)?.checked ?? false;
@@ -716,6 +740,10 @@ async function saveRecipe() {
     precisione: user.precisione,
     use_polarity: user.use_polarity,
     use_gpu: user.use_gpu,
+    edge_weak_grad: user.edge_weak_grad,
+    edge_strong_grad: user.edge_strong_grad,
+    edge_num_features: user.edge_num_features,
+    edge_min_feature_spacing: user.edge_min_feature_spacing,
     name: name,
   };
   try {

pm2d/web/static/index.html

@@ -102,8 +102,8 @@
     <div class="field">
       <label>Simmetria</label>
       <select id="p-simmetria">
+        <option value="nessuna" selected>Nessuna (0..360°)</option>
         <option value="invariante">Invariante (cerchi — no rotazione)</option>
-        <option value="nessuna">Nessuna (0..360°)</option>
         <option value="bilaterale">Bilaterale (speculare 180°)</option>
         <option value="rot_3">Rotazionale 3× (120°)</option>
         <option value="rot_4">Rotazionale 4× (90°)</option>

pyproject.toml

@@ -14,6 +14,7 @@ dependencies = [
 
 [project.scripts]
 pm2d-eval = "pm2d.eval:main"
+pm2d-bench = "pm2d.bench:main"
 
 [dependency-groups]
 dev = [