feat: cache features template per _refine_angle

Cache LRU (chiave: angolo arrotondato a 0.05deg, scale) di
(fx, fy, fb) per evitare warpAffine + gradient + extract ripetuti
durante golden-search refine. Bucket condiviso tra match della stessa
find() e tra find() consecutive sulla stessa ricetta.

Cache invalidata in train(): il template puo essere cambiato.
Limite 256 entry (sufficiente per 32 candidati x 8 valutazioni).

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

pm2d/line_matcher.py

@@ -239,6 +239,8 @@ class LineShapeMatcher:
         self._train_mask = mask_full.copy()
 
         self.variants.clear()
+        # Invalida cache feature di refine: il template e cambiato.
+        self._refine_feat_cache = {}
         for s in self._scale_list():
             sw = max(16, int(round(w * s)))
             sh = max(16, int(round(h * s)))
@@ -293,42 +295,8 @@ 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:
@@ -467,17 +435,36 @@ class LineShapeMatcher:
         H, W = spread0.shape
         margin = 3
 
+        # Cache template features per angolo (chiave: int(round(ang*20)) =
+        # bucket di 0.05°). Golden-search ricontratto puo richiedere lo
+        # stesso bucket piu volte; evita re-warp+gradient+extract (costoso).
+        # Cache a livello matcher per riusare tra chiamate find() su scene
+        # diverse: la rotazione del template non dipende dalla scena.
+        if not hasattr(self, '_refine_feat_cache'):
+            self._refine_feat_cache = {}
+        feat_cache = self._refine_feat_cache
+        cache_scale_key = round(scale * 1000)
+
         def _score_at_angle(off: float) -> tuple[float, float, float]:
             """Ritorna (score, best_cx, best_cy) per angolo = angle_deg + off."""
             ang = angle_deg + off
-            M = cv2.getRotationMatrix2D(center, ang, 1.0)
+            ck = (round(ang * 20), cache_scale_key)
-            gray_r = cv2.warpAffine(gray_p, M, (diag, diag),
+            cached = feat_cache.get(ck)
-                                     flags=cv2.INTER_LINEAR,
+            if cached is not None:
-                                     borderMode=cv2.BORDER_REPLICATE)
+                fx, fy, fb = cached
-            mask_r = cv2.warpAffine(mask_p, M, (diag, diag),
+            else:
-                                     flags=cv2.INTER_NEAREST, borderValue=0)
+                M = cv2.getRotationMatrix2D(center, ang, 1.0)
-            mag, bins = self._gradient(gray_r)
+                gray_r = cv2.warpAffine(gray_p, M, (diag, diag),
-            fx, fy, fb = self._extract_features(mag, bins, mask_r)
+                                         flags=cv2.INTER_LINEAR,
+                                         borderMode=cv2.BORDER_REPLICATE)
+                mask_r = cv2.warpAffine(mask_p, M, (diag, diag),
+                                         flags=cv2.INTER_NEAREST, borderValue=0)
+                mag, bins = self._gradient(gray_r)
+                fx, fy, fb = self._extract_features(mag, bins, mask_r)
+                # LRU semplice: limita cache a ~256 angoli (8 angoli * 32 candidati)
+                if len(feat_cache) > 256:
+                    feat_cache.pop(next(iter(feat_cache)))
+                feat_cache[ck] = (fx, fy, fb)
             if len(fx) < 8:
                 return (0.0, cx, cy)
             dx = (fx - center[0]).astype(np.int32)