feat: angle_step auto adattivo a dimensione template

Halcon-style: angle_step_deg=0 attiva derivazione automatica
step = atan(2/max_side) deg, clampato [0.5, 10]. Template grande
ottiene step fine, piccolo step grosso. auto_tune emette il valore
calcolato direttamente.

_refine_angle ora usa _effective_angle_step() per coerenza con
training quando la modalita auto e attiva.

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

pm2d/auto_tune.py

@@ -220,8 +220,11 @@ def auto_tune(template_bgr: np.ndarray, mask: np.ndarray | None = None) -> dict:
     else:
         min_score = 0.45
 
-    # angle step: 5° default; se simmetria, mantengo step ma range ridotto
-    angle_step = 5.0
+    # angle step adattivo (Halcon-style): atan(2/max_side) deg, clampato.
+    # Template grande → step fine (rotazione minima visibile su perimetro).
+    # 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

@@ -197,12 +197,31 @@ 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
-        if self.angle_step_deg <= 0 or a0 >= a1:
+        step = self._effective_angle_step()
+        if step <= 0 or a0 >= a1:
             return [float(a0)]
-        n = int(np.floor((a1 - a0) / self.angle_step_deg))
-        return [float(a0 + i * self.angle_step_deg) for i in range(n)]
+        n = int(np.floor((a1 - a0) / step))
+        return [float(a0 + i * step) for i in range(n)]
 
     # --- Training ------------------------------------------------------
 
@@ -293,42 +312,8 @@ 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:
@@ -449,7 +434,7 @@ 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.angle_step_deg / 2.0
+            search_radius = self._effective_angle_step() / 2.0
 
         h, w = template_gray.shape
         sw = max(16, int(round(w * scale)))
@@ -836,7 +821,7 @@ 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.angle_step_deg / 2.0,
+                    search_radius=self._effective_angle_step() / 2.0,
                     original_score=score,
                 )
             if verify_ncc: