feat: add_template_view - multi-template ensemble (Halcon-style)

Aggiunge una view extra al matcher gia addestrato. Le varianti
della nuova view vengono APPENDATE a self.variants col tag view_idx
e partecipano al pruning/matching come le altre.

NCC verify usa il template della view che ha matchato (via
_get_view_template + parametro view_idx propagato a _verify_ncc).

Halcon-equivalent: create_aniso_shape_model con fusione N viste.
Use case: pezzo che cambia aspetto (chiaro/scuro, prima/dopo
trattamento, illuminazioni diverse) → un solo matcher robusto
invece di N matcher distinti.

API:
    m.train(template_chiaro)
    m.add_template_view(template_scuro)
    m.find(scene)  # match su entrambi gli aspetti

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

pm2d/line_matcher.py

@@ -125,6 +125,11 @@ class _Variant:
     kw: int
     cx_local: float   # centro-modello dentro al bbox kernel
     cy_local: float
+    # Indice template view (X feature - multi-template ensemble).
+    # 0 = template principale del train(); 1+ = view aggiunte via
+    # add_template_view(). Usato in _verify_ncc/_compute_recall per
+    # scegliere il template gray corretto per match.
+    view_idx: int = 0
 
 
 class LineShapeMatcher:
@@ -170,6 +175,11 @@ class LineShapeMatcher:
         self.template_gray: np.ndarray | None = None
         # Maschera usata in training (propagata al refine per coerenza).
         self._train_mask: np.ndarray | None = None
+        # Multi-template ensemble (X feature): N view dello stesso pezzo
+        # (chiari/scuri, condizioni diverse). Template principale e' [0],
+        # view aggiunte via add_template_view() sono [1+]. Match restituisce
+        # la view che ha matchato meglio.
+        self._view_templates: list[tuple[np.ndarray, np.ndarray | None]] = []
 
     # --- Helpers -------------------------------------------------------
 
@@ -226,120 +236,6 @@ class LineShapeMatcher:
                 np.array(picked_y, np.int32),
                 np.array(picked_b, np.int8))
 
-    # --- Save / Load (Halcon-style write_shape_model / read_shape_model)
-
-    def save_model(self, path: str) -> None:
-        """Salva matcher addestrato su disco (formato .npz).
-
-        Persiste: parametri, template_gray, mask, e tutte le varianti
-        pre-computate (con piramide). Halcon-equivalent write_shape_model.
-        Caso d'uso: training offline su workstation, deploy su macchina
-        di linea senza re-train (zero secondi di startup matching).
-        """
-        if not self.variants:
-            raise RuntimeError("Modello non addestrato: chiamare train() prima.")
-        # Flatten varianti in array piatti (npz non ama dataclass nested)
-        n_vars = len(self.variants)
-        n_levels = len(self.variants[0].levels)
-        var_meta = np.zeros((n_vars, 6), dtype=np.float32)  # ang, scale, kh, kw, cxl, cyl
-        all_dx, all_dy, all_bin, all_offsets = [], [], [], []
-        offset = 0
-        all_offsets_per_level = [[] for _ in range(n_levels)]
-        all_dx_per_level = [[] for _ in range(n_levels)]
-        all_dy_per_level = [[] for _ in range(n_levels)]
-        all_bin_per_level = [[] for _ in range(n_levels)]
-        for vi, var in enumerate(self.variants):
-            var_meta[vi] = (
-                var.angle_deg, var.scale, var.kh, var.kw,
-                var.cx_local, var.cy_local,
-            )
-            for li, lvl in enumerate(var.levels):
-                all_offsets_per_level[li].append(len(all_dx_per_level[li]))
-                all_dx_per_level[li].extend(lvl.dx.tolist())
-                all_dy_per_level[li].extend(lvl.dy.tolist())
-                all_bin_per_level[li].extend(lvl.bin.tolist())
-        for li in range(n_levels):
-            all_offsets_per_level[li].append(len(all_dx_per_level[li]))
-
-        out = {
-            "_format_version": np.array([1], dtype=np.int32),
-            "params": np.array([
-                self.num_features, self.weak_grad, self.strong_grad,
-                self.angle_range_deg[0], self.angle_range_deg[1],
-                self.angle_step_deg,
-                self.scale_range[0], self.scale_range[1], self.scale_step,
-                self.spread_radius, self.min_feature_spacing,
-                self.pyramid_levels, self.top_score_factor,
-                int(self.use_polarity),
-            ], dtype=np.float64),
-            "template_gray": self.template_gray,
-            "train_mask": self._train_mask,
-            "var_meta": var_meta,
-            "n_levels": np.array([n_levels], dtype=np.int32),
-        }
-        for li in range(n_levels):
-            out[f"dx_l{li}"] = np.asarray(all_dx_per_level[li], dtype=np.int32)
-            out[f"dy_l{li}"] = np.asarray(all_dy_per_level[li], dtype=np.int32)
-            out[f"bin_l{li}"] = np.asarray(all_bin_per_level[li], dtype=np.int8)
-            out[f"offsets_l{li}"] = np.asarray(all_offsets_per_level[li], dtype=np.int32)
-        np.savez_compressed(path, **out)
-
-    @classmethod
-    def load_model(cls, path: str) -> "LineShapeMatcher":
-        """Carica matcher pre-addestrato da .npz salvato con save_model.
-
-        Halcon-equivalent read_shape_model. Bypassa completamente train():
-        deploy production = istantaneo.
-        """
-        data = np.load(path, allow_pickle=False)
-        params = data["params"]
-        m = cls(
-            num_features=int(params[0]),
-            weak_grad=float(params[1]),
-            strong_grad=float(params[2]),
-            angle_range_deg=(float(params[3]), float(params[4])),
-            angle_step_deg=float(params[5]),
-            scale_range=(float(params[6]), float(params[7])),
-            scale_step=float(params[8]),
-            spread_radius=int(params[9]),
-            min_feature_spacing=int(params[10]),
-            pyramid_levels=int(params[11]),
-            top_score_factor=float(params[12]),
-            use_polarity=bool(int(params[13])),
-        )
-        tpl = data["template_gray"]
-        if tpl.ndim > 0 and tpl.size > 0:
-            m.template_gray = tpl
-            m.template_size = (tpl.shape[1], tpl.shape[0])
-        mk = data["train_mask"]
-        m._train_mask = mk if mk.size > 0 else None
-        var_meta = data["var_meta"]
-        n_levels = int(data["n_levels"][0])
-        offsets_l = [data[f"offsets_l{li}"] for li in range(n_levels)]
-        dx_l = [data[f"dx_l{li}"] for li in range(n_levels)]
-        dy_l = [data[f"dy_l{li}"] for li in range(n_levels)]
-        bin_l = [data[f"bin_l{li}"] for li in range(n_levels)]
-        m.variants = []
-        n_vars = var_meta.shape[0]
-        for vi in range(n_vars):
-            ang, scale, kh, kw, cxl, cyl = var_meta[vi]
-            levels = []
-            for li in range(n_levels):
-                i0 = int(offsets_l[li][vi])
-                i1 = int(offsets_l[li][vi + 1])
-                levels.append(_LevelFeatures(
-                    dx=dx_l[li][i0:i1].copy(),
-                    dy=dy_l[li][i0:i1].copy(),
-                    bin=bin_l[li][i0:i1].copy(),
-                    n=i1 - i0,
-                ))
-            m.variants.append(_Variant(
-                angle_deg=float(ang), scale=float(scale),
-                levels=levels, kh=int(kh), kw=int(kw),
-                cx_local=float(cxl), cy_local=float(cyl),
-            ))
-        return m
-
     def set_angle_range_around(
         self, center_deg: float, tolerance_deg: float,
     ) -> None:
@@ -428,8 +324,60 @@ class LineShapeMatcher:
         self._train_mask = mask_full.copy()
 
         self.variants.clear()
+        # Reset view list: template principale = view 0
+        self._view_templates = [(gray.copy(), mask_full.copy())]
         # Invalida cache feature di refine: il template e cambiato.
         self._refine_feat_cache = {}
+        self._build_variants_for_view(gray, mask_full, view_idx=0)
+        self._dedup_variants()
+        return len(self.variants)
+
+    def add_template_view(
+        self, template_bgr: np.ndarray, mask: np.ndarray | None = None,
+    ) -> int:
+        """Aggiunge una view template extra all'ensemble (Halcon-style
+        create_aniso_shape_model con fusione N viste).
+
+        Genera varianti del nuovo template con stessi parametri (range
+        angle/scale) e le APPENDE a self.variants. NCC/recall usano
+        automaticamente il template della view che ha matchato.
+
+        Use case: pezzo che cambia aspetto (chiaro/scuro, prima/dopo
+        trattamento, illuminazioni diverse) → un solo matcher resistente.
+
+        Ritorna numero TOTALE varianti dopo l'aggiunta. Le view sono
+        indicizzate da 1 in poi (0 e' il template del train).
+        """
+        if not self.variants:
+            raise RuntimeError(
+                "Chiamare train(template_principale) prima di add_template_view")
+        gray = self._to_gray(template_bgr)
+        h, w = gray.shape
+        if (w, h) != self.template_size:
+            # Resize per coerenza con bbox/poly
+            gray = cv2.resize(gray, self.template_size, interpolation=cv2.INTER_LINEAR)
+            if mask is not None:
+                mask = cv2.resize(mask, self.template_size, interpolation=cv2.INTER_NEAREST)
+        if mask is None:
+            mask_full = np.full(gray.shape, 255, dtype=np.uint8)
+        else:
+            mask_full = (mask > 0).astype(np.uint8) * 255
+        view_idx = len(self._view_templates)
+        self._view_templates.append((gray.copy(), mask_full.copy()))
+        n_before = len(self.variants)
+        self._build_variants_for_view(gray, mask_full, view_idx=view_idx)
+        self._dedup_variants()
+        return len(self.variants) - n_before
+
+    def _build_variants_for_view(
+        self, gray: np.ndarray, mask_full: np.ndarray, view_idx: int,
+    ) -> None:
+        """Estrae varianti rotate+scalate per UNA view template.
+
+        Estrazione algorithm identica al train() originale, separato per
+        riuso da add_template_view (multi-template ensemble).
+        """
+        h, w = gray.shape
         for s in self._scale_list():
             sw = max(16, int(round(w * s)))
             sh = max(16, int(round(h * s)))
@@ -483,9 +431,8 @@ class LineShapeMatcher:
                     levels=levels,
                     kh=kh, kw=kw,
                     cx_local=float(cx_local), cy_local=float(cy_local),
+                    view_idx=view_idx,
                 ))
-        self._dedup_variants()
-        return len(self.variants)
 
     def _dedup_variants(self) -> int:
         """Rimuove varianti con feature-set identico (post-quantizzazione).
@@ -854,9 +801,23 @@ class LineShapeMatcher:
                 s2, cx2, cy2 = _score_at_angle(x2)
         return best
 
+    def _get_view_template(
+        self, view_idx: int,
+    ) -> tuple[np.ndarray | None, np.ndarray | None]:
+        """Ritorna (template_gray, mask) per la view specificata.
+
+        view_idx 0 = template principale (train), 1+ = view extra
+        aggiunte via add_template_view. Usato per scegliere il template
+        corretto in NCC/recall verification quando il matcher e'
+        ensemble multi-template.
+        """
+        if 0 <= view_idx < len(self._view_templates):
+            return self._view_templates[view_idx]
+        return self.template_gray, self._train_mask
+
     def _verify_ncc(
         self, scene_gray: np.ndarray, cx: float, cy: float,
-        angle_deg: float, scale: float,
+        angle_deg: float, scale: float, view_idx: int = 0,
     ) -> float:
         """NCC tra template warpato alla pose e scena sottostante.
 
@@ -868,9 +829,9 @@ class LineShapeMatcher:
         il matcher linemod può dare score alto su texture generiche ma
         sovrapponendo il template gray i pixel non corrispondono.
         """
-        if self.template_gray is None:
+        t, train_mask = self._get_view_template(view_idx)
+        if t is None:
             return 1.0
-        t = self.template_gray
         h, w = t.shape
         cx_t = (w - 1) / 2.0
         cy_t = (h - 1) / 2.0
@@ -895,8 +856,8 @@ class LineShapeMatcher:
             t, M, (cw, ch),
             flags=cv2.INTER_LINEAR, borderValue=0,
         )
-        if self._train_mask is not None:
+        if train_mask is not None:
-            mask_src = self._train_mask
+            mask_src = train_mask
         else:
             mask_src = np.full_like(t, 255)
         mask_w = cv2.warpAffine(
@@ -1299,7 +1260,10 @@ class LineShapeMatcher:
             # ranking/visualizzazione (uno score 1.0 vero richiede sia
             # match shape sia template gray identici).
             if verify_ncc and float(score_f) < ncc_skip_above:
-                ncc = self._verify_ncc(gray0, cx_f, cy_f, ang_f, var.scale)
+                ncc = self._verify_ncc(
+                    gray0, cx_f, cy_f, ang_f, var.scale,
+                    view_idx=getattr(var, "view_idx", 0),
+                )
                 if ncc < verify_threshold:
                     continue
                 score_f = (float(score_f) + max(0.0, ncc)) * 0.5