3. 地形特征提取：地形粗糙度、地形熵、地形标准差、地形坡度与坡向、特征选择原则

各位同学，咱们今天聊点硬核的——地形特征提取。

说实话，做地形匹配导航，核心就一句话：你得让飞行器认路。怎么认？靠的就是从地形数据里抠出来的那些“特征”。我这些年调试过的系统，十有八九的问题都出在特征选得不对上。你想想看，如果特征本身就没区分度，再牛的匹配算法也白搭。

3.1 地形粗糙度

粗糙度，说白了就是地形的“毛刺感”。

我习惯用这个公式来算：

R = (1/N) * Σ|h(i) - h̄|

其中 h(i) 是窗口内每个格网点的高程，h̄ 是窗口平均高程，N 是格网点数。

嗯，这里要注意：窗口大小很关键。窗口选小了，噪声会被当成特征；选大了，真实的地形起伏又被抹平了。我在某次无人机项目中就吃过这个亏——窗口设成 3×3，结果把一片乱石岗识别成了平坦区域，差点让飞机撞山。

3.2 地形熵

地形熵这个概念，我第一次接触时也觉得有点玄乎。其实它衡量的是地形高程值的“混乱程度”。

公式长这样：

E = -Σ p(i) * log₂(p(i))

p(i) 是第 i 个高程区间出现的概率。

为什么会用到熵？我举个例子你就明白了。一片平坦的沙漠，高程值几乎都一样，熵值就很低。而一片喀斯特地貌，高低错落，熵值就高。地形匹配时，我们当然希望熵值高的区域——信息量大，匹配才可靠。

3.3 地形标准差

标准差，大家应该不陌生。它反映的是地形起伏的剧烈程度。

σ = sqrt((1/N) * Σ(h(i) - h̄)²)

我个人觉得，标准差和粗糙度有点像，但侧重点不同。粗糙度更关注“局部突变”，标准差更关注“整体离散程度”。

实际应用中，我一般把标准差和粗糙度配合使用。比如：

• 标准差大 + 粗糙度大 → 地形剧烈起伏，适合做匹配
• 标准差大 + 粗糙度小 → 可能有缓坡或台阶，要小心
• 标准差小 + 粗糙度小 → 平坦区域，匹配价值低

3.4 地形坡度与坡向

坡度和坡向，这俩是“地形导航”里的老搭档了。

坡度，就是地面倾斜的程度。坡向，就是倾斜的方向。我习惯用 3×3 窗口的差分法来算：

// 坡度计算（度）
slope = atan(sqrt(dz/dx² + dz/dy²)) * 180 / π

// 坡向计算（度，从北顺时针）
aspect = atan2(dz/dy, -dz/dx) * 180 / π

你想想看，为什么坡度坡向重要？因为飞行器飞过山脊时，雷达测距的变化规律和坡度坡向直接相关。我做过一个实验：在坡度 30° 以上的区域，匹配成功率比平坦区域高出 40%。

3.5 特征选择原则

好了，特征都讲完了。但问题来了：这么多特征，到底选哪些？

我总结了几条原则，都是拿真金白银换来的教训：

1. 互补性原则：选的特征之间不要高度相关。比如粗糙度和标准差，如果相关系数超过 0.8，留一个就够了。
2. 稳定性原则：特征对噪声要鲁棒。我曾经试过用二阶导数做特征，结果数据稍微有点噪声，特征就面目全非了。
3. 可区分性原则：特征在不同地形类型之间要有明显差异。比如，平原和山地的熵值差异要足够大。
4. 计算效率原则：嵌入式系统资源有限，别选太复杂的特征。我一般控制在 3-5 个特征以内。

下面这张图，是我自己总结的地形特征选择流程：

最后说一句：没有万能特征。我在不同项目里用的特征组合都不一样。山地项目偏爱坡度和粗糙度，平原项目更看重地形熵和标准差。关键是要根据你的应用场景和数据特点来选。

好了，这一章就到这里。记住我上面说的那些坑，做项目时能少走不少弯路。

---

公众号:蓝海资料掘金营，微信deep3321