随机森林(random forest, RF)是由数据驱动的非参数分类方法，通过给定样本进行学习训练，形成分类规则，无需先验知识，对于噪声数据具有很好的鲁棒性，同时可以估计特征的重要性，具有较快的学习速度，相比当前的同类算法具有较高的准确度[18]。本文充分利用面向对象分析方法的优势，并将其与随机森林模型进行结合，对分类样本的自动选取、样本特征提取及决策树个数对最终分类器性能的影响进行了深入分析，提出了一种利用随机森林进行面向对象的遥感影像变化检测算法。
本文所提出的变化检测算法，整体流程如图 1所示。主要包括以下3个步骤：①对两时相影像进行光谱特征和Gabor特征差异分析，并对两种特征的变化检测结果进行逻辑运算，将获得的结果作为对象级变化检测分析执行的前提；②将两时相影像进行叠合，对叠加影像进行主成分分析，并利用基于熵率的方法对第1主成分影像进行分割，通过改变超像素数目来获取多层次不同尺寸大小的超像素区域；然后，利用超像素个数评价指数来获取最佳的影像分割结果；③在像素级检测结果基础之上，自动进行分类样本选择并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据，用于模型的训练；并利用训练好的分类器来获取最终的对象级检测结果。
假设x1和x2分别是T1时相和T2时相同一的两个像元，由它们在各个波段的像元值构成它们的特征向量，分别表示为p1(p11,p12, …,p1n)和p2(p21,p22, …,p2n)，其中n为波段数，那么变化向量就可以表示为pc(p21-p11,p22-p12, …,p2n-p1n)。通过计算每个像元的变化强度pc，就可以获取两个时相影像的变化强度影像N1。如果pcδ(δ为变化阈值)，则说明像元x1和x2发生变化，否则没有发生变化。
Gabor小波函数是由高斯函数经过傅里叶变换得到的，它可以在不同尺度和方向上提取图像相关特征[19]。Gabor滤波器与人们的认知系统是一致的，能获得频率域和空间域的局部最优化，实现对空间域和频率域的最好表达，对影像的纹理信息能够进行充分的表达[20]。本文利用Gabor小波提取遥感影像的纹理特征，用于变化检测。二维Gabor函数Fφ(x,y)表示为
式中，ω是高斯函数的复制频率；x和σy分别是Gabor小波基函数沿x轴和y轴方向的方差。假若将试验影像I(x,y)与Fφ(x,y)作二维卷积运算，并取运算结果实部
式中，Gφ(x,y)为原始图像I(x,y)经过Gabor滤波后提取的特征图像；*表示二维卷积运算[20]。接着，本文对Gabor特征图进行差值运算，形成差异影像N2。为了使光谱差异影像和Gabor差异影像具有相同的取值区间，需要对这两种数据进行归一化处理，计算公式如下