fix: UCS coerente sul centro pose, no traslazione fissata sbagliata

L'UCS del match precedentemente proiettava il baricentro feature
template alla pose, ma:
- Il baricentro veniva calcolato da una variante a 0° (v0) i cui dx/dy
  sono offsets relativi al centro PADDED (non al centro template puro)
- _extract_features dipende dai parametri matcher che possono differire
  da quelli del preview se la ricetta e' caricata
- Risultato: UCS appariva con offset costante errato rispetto al centro
  visibile del pezzo

Fix: UCS sul centro POSE del match (m.cx, m.cy) = posizione del centro
template originale nella scena (questo e' esattamente cio' che
_subpixel_peak ritorna). Coerente, prevedibile, "fissato" sul centro
del pezzo.

Per coerenza visiva, anche preview_edges sposta UCS dal baricentro al
CENTRO ROI (rh/2, rw/2). Cosi' il modello mostra UCS nello stesso
identico punto relativo dove apparira' nel match dopo
traslazione+rotazione della pose.

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

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
@@ -1863,6 +1864,7 @@ class LineShapeMatcher:
                 scale=var.scale,
                 score=score_f,
                 bbox_poly=poly,
+                variant_idx=int(vi),
             ))
             if len(kept) >= max_matches:
                 break

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 +134,63 @@ 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
+    UCS = sistema di coordinate (X rosso, Y verde) posizionato sul
-    (hysteresis weak/strong_grad) e selezione feature usata in training,
+    baricentro feature del modello, ruotato secondo l'angolo del match.
-    cosi' l'overlay nel match riflette ESATTAMENTE quello che l'utente
+    Niente edge, niente cerchietti feature, niente bbox: i match sulla
-    ha visto nel preview "Anteprima edge". Inoltre disegna UCS
+    scena reale devono essere puliti, gli edge filtrati si vedono solo
-    (asse X rosso, Y verde) sul centro pose del match.
+    nell'anteprima modello.
-
-    Senza matcher: fallback Canny (legacy).
     """
     out = scene.copy()
-    H, W = scene.shape[:2]
+    # Lunghezza assi UCS: stessa formula dell'anteprima modello
-    palette = [
+    # (0.15 * max lato template) scalata per m.scale → coerenza dimensionale.
-        (0, 255, 0), (0, 200, 255), (255, 100, 100), (255, 200, 0),
+    if matcher is not None and matcher.template_size != (0, 0):
-        (200, 0, 255), (100, 255, 200), (255, 0, 0), (0, 255, 255),
+        L_base = int(0.15 * max(matcher.template_size))
-    ]
+    else:
-    bin_colors = [
+        L_base = 30
-        (255, 0, 0), (255, 128, 0), (255, 255, 0), (0, 255, 0),
+    H_scene, W_scene = scene.shape[:2]
-        (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),
-    ]
     for i, m in enumerate(matches):
-        color = palette[i % len(palette)]
+        # UCS posizionato esattamente sul CENTRO POSE del match (m.cx, m.cy):
-        if template_gray is not None:
+        # 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.
+        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)
+                t, M, (W_scene, H_scene),
-                mag, bins = matcher._gradient(warped_gray)
+                flags=cv2.INTER_LINEAR, borderValue=0)
+            mag, _ = 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)
+                edge_overlay = np.zeros_like(out)
-                    dark = tuple(int(c * 0.35) for c in color)
+                edge_overlay[edge_mask] = (0, 220, 0)  # verde brillante
-                    bg_overlay[edge_mask] = dark
+                out = cv2.addWeighted(out, 1.0, edge_overlay, 0.6, 0)
-                    out = cv2.addWeighted(out, 1.0, bg_overlay, 0.7, 0)
+        L = max(20, int(L_base * m.scale))
-                # Feature scelte: estrazione alla pose, dot colorati per bin
+        # X axis = rotazione di (1, 0) con cv2 matrix → (cos, -sin)
-                fx, fy, fb = matcher._extract_features(mag, bins, None)
+        x_end = (int(cx + L * ca), int(cy - L * sa))
-                for k in range(len(fx)):
+        # Y axis = rotazione di (0, 1) con cv2 matrix → (sin, cos)
-                    px, py = int(fx[k]), int(fy[k])
+        # A m.angle_deg=0 deve puntare GIU' (image y-down convenzione modello)
-                    if 0 <= px < W and 0 <= py < H:
+        y_end = (int(cx + L * sa), int(cy + L * ca))
-                        bcol = bin_colors[int(fb[k]) % len(bin_colors)]
-                        cv2.circle(out, (px, py), 2, bcol, -1, cv2.LINE_AA)
-            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)))
         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 +198,6 @@ 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 +300,15 @@ 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 +357,24 @@ 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,
+        "num_features": n_feat,
-        "weak_grad": tune["weak_grad"],
+        "weak_grad": weak_g,
-        "strong_grad": tune["strong_grad"],
+        "strong_grad": strong_g,
+        "min_feature_spacing": min_sp,
         "spread_radius": spread,
         "pyramid_levels": pyr,
         "angle_min": 0.0,
@@ -615,6 +610,7 @@ 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 +680,11 @@ 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 +751,23 @@ 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
+    # UCS sul CENTRO ROI (coerente con _draw_matches che usa centro pose).
-    bary_cx = bary_cy = None
+    # In questo modo l'UCS visualizzato nel modello = UCS del match (modulo
-    if len(fx) > 0:
+    # rotazione/traslazione data dalla pose del pezzo trovato).
-        bary_cx = float(np.mean(fx))
+    rh, rw = roi_img.shape[:2]
-        bary_cy = float(np.mean(fy))
+    bx, by = (rw - 1) // 2, (rh - 1) // 2
-        bx, by = int(round(bary_cx)), int(round(bary_cy))
+    axis_len = max(20, int(0.15 * max(rw, rh)))
-        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)
+    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 +799,10 @@ 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 {