feat: dedup varianti con feature-set identico post-quantizzazione

Hash byte-exact su (dx, dy, bin) ordinati + scale. Se due varianti
post-rasterizzazione hanno lo stesso feature-set, ne tiene solo una.

Tipico caso d'uso: template con simmetrie discrete (quadrati, croci,
forme regolari) generano duplicati esatti per rotazioni multiple
del periodo. Su quadrato 80x80 con angle_step=10 deg: 36 -> 27 varianti
(~25% in meno di lavoro top-pruning).

Approccio conservativo (byte-exact): zero rischio di rimuovere varianti
distinte. Forme arrotondate (cerchi) o template asimmetrici non beneficiano
ma non vengono compromessi.

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

pm2d/auto_tune.py

@@ -220,11 +220,8 @@ def auto_tune(template_bgr: np.ndarray, mask: np.ndarray | None = None) -> dict:
     else:
         min_score = 0.45
 
-    # angle step adattivo (Halcon-style): atan(2/max_side) deg, clampato.
+    # angle step: 5° default; se simmetria, mantengo step ma range ridotto
-    # Template grande → step fine (rotazione minima visibile su perimetro).
+    angle_step = 5.0
-    # Template piccolo → step grosso (over-sampling = sprecato).
-    max_side = max(h, w)
-    angle_step = float(np.clip(np.degrees(np.arctan2(2.0, max_side)), 1.0, 8.0))
 
     result = {
         "backend": "line",

pm2d/line_matcher.py

@@ -197,31 +197,12 @@ class LineShapeMatcher:
         n = int(np.floor((s1 - s0) / self.scale_step)) + 1
         return [float(s0 + i * self.scale_step) for i in range(n)]
 
-    def _auto_angle_step(self) -> float:
-        """Step angolare derivato da dimensione template (Halcon-style).
-
-        Formula: step ≈ atan(2 / max_side) gradi. Garantisce che la
-        rotazione minima produca uno spostamento di ≥2 px sul perimetro
-        del template (sotto sample il matching coarse perde candidati).
-        Clampato in [0.5°, 10°].
-        """
-        max_side = max(self.template_size) if self.template_size != (0, 0) else 64
-        step = math.degrees(math.atan2(2.0, float(max_side)))
-        return float(np.clip(step, 0.5, 10.0))
-
-    def _effective_angle_step(self) -> float:
-        """Risolve angle_step_deg gestendo modalità auto (<=0)."""
-        if self.angle_step_deg <= 0:
-            return self._auto_angle_step()
-        return self.angle_step_deg
-
     def _angle_list(self) -> list[float]:
         a0, a1 = self.angle_range_deg
-        step = self._effective_angle_step()
+        if self.angle_step_deg <= 0 or a0 >= a1:
-        if step <= 0 or a0 >= a1:
             return [float(a0)]
-        n = int(np.floor((a1 - a0) / step))
+        n = int(np.floor((a1 - a0) / self.angle_step_deg))
-        return [float(a0 + i * step) for i in range(n)]
+        return [float(a0 + i * self.angle_step_deg) for i in range(n)]
 
     # --- Training ------------------------------------------------------
 
@@ -312,8 +293,42 @@ class LineShapeMatcher:
                     kh=kh, kw=kw,
                     cx_local=float(cx_local), cy_local=float(cy_local),
                 ))
+        self._dedup_variants()
         return len(self.variants)
 
+    def _dedup_variants(self) -> int:
+        """Rimuove varianti con feature-set identico (post-quantizzazione).
+
+        Halcon-style: con angle range = (0, 360) e simmetrie del template,
+        molte rotazioni producono lo stesso set quantizzato di feature.
+        Es: quadrato a 0/90/180/270 deg → stesse features (modulo permutazione).
+        Hash su feature ordinate (livello 0, full-res) elimina i duplicati.
+
+        Vantaggio: meno varianti = meno chiamate kernel JIT al top-level
+        senza perdere copertura angolare effettiva. Per template asimmetrici
+        non rimuove nulla.
+        """
+        seen: dict[bytes, int] = {}
+        kept: list[_Variant] = []
+        removed = 0
+        for var in self.variants:
+            lvl0 = var.levels[0]
+            order = np.lexsort((lvl0.bin, lvl0.dy, lvl0.dx))
+            key = (
+                lvl0.dx[order].tobytes()
+                + b"|" + lvl0.dy[order].tobytes()
+                + b"|" + lvl0.bin[order].tobytes()
+                + b"|" + str(round(var.scale, 4)).encode()
+            )
+            h = key  # diretto, senza hash crypto (collision ok solo se identici)
+            if h in seen:
+                removed += 1
+                continue
+            seen[h] = len(kept)
+            kept.append(var)
+        self.variants = kept
+        return removed
+
     # --- Matching ------------------------------------------------------
 
     def _response_map(self, gray: np.ndarray) -> np.ndarray:
@@ -434,7 +449,7 @@ class LineShapeMatcher:
         if original_score is not None and original_score >= 0.99:
             return (angle_deg, original_score, cx, cy)
         if search_radius is None:
-            search_radius = self._effective_angle_step() / 2.0
+            search_radius = self.angle_step_deg / 2.0
 
         h, w = template_gray.shape
         sw = max(16, int(round(w * scale)))
@@ -821,7 +836,7 @@ 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=self.angle_step_deg / 2.0,
                     original_score=score,
                 )
             if verify_ncc: