# 实验演进记录（A → L）

> 最终方案与使用说明见 [solution.md](solution.md)。
> 本文记录每个方法的思路、失败原因与沉淀的经验教训，
> 原始实验脚本在 `try/`，输出在 `try/out/<方法字母>/`。

## 方法总览

| 方法 | 脚本 | 思路 | 结论 |
| --- | --- | --- | --- |
| A | method_a_template.py | 蒙版 CCORR 多尺度模板匹配 | 废弃 |
| A2 | method_a2_ccoeff.py | 蒙版 CCOEFF + 峰显著度 + NMS | 基线可用，但锁纹理 |
| B | method_b_sift.py | SIFT + RANSAC 迭代聚类 | 仅 2 样本可用，留作真值锚点 |
| C | method_c_rotation.py | NCC 粗扫 + 旋转响应二次评分 | 第一阶段候选即错 |
| D | method_d_shape.py | Chamfer 轮廓距离 | 小尺度纹理饱和 |
| E | method_e_shape_coverage.py | 轮廓边缘覆盖率 | 同上 |
| F | method_f_contour.py | Canny 轮廓 + matchShapes | 背景轮廓合并成超大块 |
| G | method_g_component.py | 固定暗度阈值连通域 | 阈值敏感 |
| H | method_h_silhouette.py | alpha 轮廓距离 + 局部对比度 | 分数归一化饱和 |
| I | method_i_adaptive_components.py | 自适应暗目标连通域 | 误检照片内容 |
| J | method_j_objects.py | 低饱和度暗色物体分割 | 同上 |
| K | method_k_objectness.py | 暗色覆盖物概率图 + 掩码 CCORR | 掩码 CCORR 边界产生 inf |
| **L** | `src/method_l_shape.py` | **方向感知倒角 + 洞内部特征 + 旋转扫描** | **最终方案，10/10** |

## 逐方法教训

### A / A2：RGB 模板匹配（不减小均值的代价）

- `TM_CCORR_NORMED` 不做均值中心化，亮背景上处处高分；
- 跨尺度直接比原始分数偏向小模板 → A2 改用峰显著度 `(max-median)/std`；
- A2 在 8/10 样本上候选位置合理，但 41ac 出现多峰分歧——
  后来证明这些 0.7 的高分全是**小尺度纹理巧合**，方向本身是错的。

### B：SIFT（意外价值）

- 平面图形缺少纹理，大部分样本匹配不足；
- 但在纹理丰富的 4db9、d7a7 上给出亚像素级真值
  （scale≈1.00、rot≈0°），成为后续所有方法的**交叉验证锚点**。

### C：旋转感知 NCC（两次评分救不了错误的候选）

- 旋转响应曲线本身有效（真目标 rot≈0），但候选来自 NCC 粗扫，
  粗扫错了旋转阶段无法挽回。

### D/E：倒角与覆盖率（尺度公平性问题）

- 覆盖率在小尺度上饱和到 1.0（背景纹理到处有边）；
- 倒角均值在密纹理区反而更低 → 必须限制尺度范围并加方向约束。

### F/G/H/I/J/K：分割路线的共同困境

- Canny 轮廓易把地面/山脉合并成超大块（F）；
- 固定/自适应暗度阈值对每张照片都不同（G/I/J）；
- K 的教训：`TM_CCORR_NORMED` 带 mask 在边界产生 inf 值，
  需要手写 filter2D 掩码 NCC（后来用于决定性实验）。

## 转折点实验（值得复用的诊断手段）

1. **掩码 NCC 全图扫描**（手写 filter2D 实现，无 inf 问题）：
   对 41ac/444d 在尺度 0.9–1.1 全图扫描，最高分仅 0.56/0.46
   → 证明 mark RGB 与洞内容无像素关系，RGB 路线全部判死。
2. **闭合轮廓 + matchShapes**（444d 上）：
   Canny 闭合轮廓直接命中两个洞，Hu≈0.003，左洞 rot=-0.6°、右洞 -15.5°
   → 证明"轮廓 + 尺度 + 旋转"路线成立，且给出 444d 独立真值。
3. **三特征分离度测量**：
   洞：内部边缘密度 ≤0.1、亮度差 -40~-104；
   草地误检：密度 0.36、亮度差 +6 → 直接给出 L 的特征权重依据。

## 调试中踩过的具体坑

- `np.flatnonzero` 对 2D 数组返回一维扁平索引，取坐标应用 `np.argwhere`；
- `filter2D` 输出是全尺寸，与手写滑窗比对时要裁剪有效相关区
  `[h//2 : h//2+H-h+1, w//2 : w//2+W-w+1]`；
- 方向桶不能越界重叠：角度已在 [0,180)，9 桶直接线性划分即可，
  最后一桶再做 wrap 会导致点被双计（表现为均值超上限）；
- `np.arange` 有浮点累积误差，参与区间比较前先 `round(s, 3)`；
- Canny 阈值过低（如 26/77）会让 JPEG 噪声淹没"内部平坦"特征。

## 无 ground truth 时的交叉验证方法

1. 找至少一个可用独立方法的样本建立锚点（如 SIFT 能用的纹理丰富样本）；
2. 用结构性证据补充锚点：候选 bbox 尺寸与 mark alpha bbox 完全一致
   （41ac：88×106 vs 88×106）；
3. 全部候选可视化后人工目检：真目标应落在几何图形上而非纹理上；
4. 结果叠加轮廓回贴大图（`src/verify_result.py`），观察贴合精度。