接着，本文采用OSTU算法对归一化后的影像N′1和N′2进行阈值分割，并采用图 2所示的逻辑运算规则来获取初始像素级变化检测结果，其中变化像素值为1，未变化像素值为0，并将该结果作为对象级变化检测分析执行的前提，以获取更佳的影像分析结果。
本文采用基于熵率的分割(entropy rate super-pixel segmentation)算法[21]将遥感影像划分为一个个超像素区域，便于后续的变化信息提取试验。在分割过程中，超像素个数的选取，即平衡性的问题，对影像的分割结果有着举足轻重的作用，是提高影像分割质量的关键。
对于面向对象遥感信息提取方法中的多尺度超像素分割来说，最优超像素个数定义指：地类能用一个或几个超像素来表达，超像素大小与地物目标大小接近，超像素多边形不会太破碎，超像素边界比较分明，内部异质性尽量小，不同类别之间的异质性尽量大[22]；而且超像素能够表达某种地物的基本特征，其中内部同质性超像素的纯度，而超像素之间的异质性超像素的可分性[22]。本文采用超像素的加权方差表示其内部同质性，利用Moran’s I指数来表示超像素之间的异质性，计算公式如下
式中，H为同质性指数；ak表示超像素k的面积大小，实际以超像素内部像元个数表示；vk表示超像素k的标准差；n为影像分割时超像素的总个数。式(5)在计算过程中，相当于加入面积权重，面积比较大的超像素具有较大的权重，这样能够降低小超像素引起的不稳定性，H越大，超像素内部同质性越高。在式(6)中，MI为异质性指数，wij表示超像素i和超像素j是否相邻；如果wij=1，则表示相邻，如果wij=0，则表示不相邻。yi表示超像素i的平均灰度值，yj表示超像素j的平均灰度值，y表示影像的平均灰度值，MI的值越小，表示超像素之间的相关性越低，超像素之间的分割边界越明确。
本文采用文献[23]提出的式(7)来表示最优超像素个数评价指数。它是利用超像素的同质性指数和异质性指数来构建衡量分割好坏的质量函数，其公式如下
式中，F(H)表示同质性评价指数；F(MI)表示异质性评价指数；ρ为异质性权重，ρ∈[0, 1]，在本文的研究中，ρ=0.5。综合同质性指数和异质性指数对最优超像素个数进行评价前，需要将它们进行归一化处理，如下
当函数s3(x)在超像素个数区间[xmin,xmax]取最大值时，所对应的超像素个数x，即为最优的超像素个数。
随机森林是一种采用决策树作为基预测器的集成学习方法，结合Bagging和随机子空间理论，集成众多决策树进行预测，通过各个决策树的预测值进行平均或投票，得到最终的预测结果[18, 24]，其方法流程如图 3所示。首先采用基于Bootstrap方法重采样，产生多个训练集；由每个自助数据集生成一棵决策树，由于采用了Bagging采样的自助数据集仅包含部分原始训练数据，将没有被Bagging采用的数据称为OOB(out-of-bag)数据，把OOB数据用生成的决策树进行预测，对每个OOB数据的预测结果错误率进行统计，得到的平均错误率即为随机森林的错误估计率[18, 24]。本文基于随机森林面向对象的变化检测方法，其主要流程主要包括：影像分割、对象特征提取、样本自动选择、随机森林分类等几个关键步骤。