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 ------------------------------------------------------
 
@@ -415,7 +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)))
@@ -574,7 +593,6 @@ class LineShapeMatcher:
         verify_threshold: float = 0.4,
         coarse_angle_factor: int = 2,
         scale_penalty: float = 0.0,
-        search_roi: tuple[int, int, int, int] | None = None,
     ) -> list[Match]:
         """
         scale_penalty: se > 0, riduce lo score per match a scala diversa da 1.0:
@@ -582,30 +600,11 @@ class LineShapeMatcher:
         Utile se l'operatore vuole che match "identico al template anche per
         dimensione" abbia score più alto di match "stessa forma, dimensione
         diversa". scale_penalty=0 (default) = comportamento shape puro.
-
-        search_roi: (x, y, w, h) limita la ricerca a una regione della scena.
-        Equivalente a Halcon set_aoi: il matching opera su crop locale e le
-        coordinate output sono ri-traslate al sistema scena originale. Usare
-        quando si conosce a priori l'area in cui il pezzo può apparire (es.
-        feeder a posizione fissa) → costo proporzionale a w·h invece di W·H.
         """
         if not self.variants:
             raise RuntimeError("Matcher non addestrato: chiamare train() prima.")
 
-        gray_full = self._to_gray(scene_bgr)
-        # Applica ROI di ricerca: restringe scena a crop, ricorda offset per
-        # ri-traslare le coordinate dei match a fine pipeline.
-        if search_roi is not None:
-            rx, ry, rw, rh = search_roi
-            H_s, W_s = gray_full.shape
-            rx = max(0, int(rx)); ry = max(0, int(ry))
-            rw = max(1, min(int(rw), W_s - rx))
-            rh = max(1, min(int(rh), H_s - ry))
-            gray0 = gray_full[ry:ry + rh, rx:rx + rw]
-            roi_offset = (rx, ry)
-        else:
-            gray0 = gray_full
-            roi_offset = (0, 0)
+        gray0 = self._to_gray(scene_bgr)
         grays = [gray0]
         for _ in range(self.pyramid_levels - 1):
             grays.append(cv2.pyrDown(grays[-1]))
@@ -822,7 +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:
@@ -830,11 +829,8 @@ class LineShapeMatcher:
                 if ncc < verify_threshold:
                     continue
 
-            # Ri-traslo coord da spazio crop ROI a spazio scena originale.
-            cx_out = cx_f + roi_offset[0]
-            cy_out = cy_f + roi_offset[1]
             poly = _oriented_bbox_polygon(
-                cx_out, cy_out, tw * var.scale, th * var.scale, ang_f,
+                cx_f, cy_f, tw * var.scale, th * var.scale, ang_f,
             )
             # Penalità scala opzionale: score degrada con distanza da 1.0
             if scale_penalty > 0.0 and var.scale != 1.0:
@@ -842,7 +838,7 @@ class LineShapeMatcher:
                     0.0, 1.0 - scale_penalty * abs(var.scale - 1.0)
                 )
             kept.append(Match(
-                cx=cx_out, cy=cy_out,
+                cx=cx_f, cy=cy_f,
                 angle_deg=ang_f,
                 scale=var.scale,
                 score=score_f,