(1) 影像分割。分割的目的是尽可能将同一种类型的地物分割在一起，最终形成一系列紧凑、区域一致性较强的同质区域。
(2) 特征提取。光谱特征是图像分析的基本特征；在图像上，如果同一地物或者地物的某一个部分具有相同的物质组成，理想情况下可以认为其在图像上表现为灰度值相同，所以每一个分割对象中的像素值基本相同，它们组成的图像分割对象能够反映出现实中的地物。本文选取前、后时相影像在不同波段上的均值(mean)、灰度比(ratio)、方差(STD)作为对象的光谱特征。此外，利用Gabor小波变换对原始两期影像进行处理，其中高斯函数的复制频率设置为ω=8，沿x轴和y轴方向的方差分别为σx=1、σy=2。对变换处理后的影像再做二维卷积运算，并提取Gabor特征影像在不同波段上的均值和方差，作为分类特征。将每个对象在前、后时相影像上的光谱特征和Gabor特征进行组合，并作为随机森林分类器的特征输入数据，用于模型的训练。
(3) 样本选择。假设初始像素级变化检测结果里面每个超像素Si内包含的像素总个数为Nimt，其中属于变化像素的个数为Nimc，未变化像素的个数为Nimu，显然Nimc+Nimu=Nimt。本文根据每个超像素区域内的变化像素比例w，计算公式如下
如果w=0，则该超像素作为未变化样本；如果w≥T，T为阈值，T∈(0, 1)，则该超像素作为变化样本；如果w∈(0,T)，则该超像素为不确定变化类别，需要进一步判断。在自动提取完变化/未变化样本之后，随机抽取其中80%的样本作为训练样本，用于模型训练；剩余样本作为测试样本用于评价分类的精度。针对阈值T的选取，本文在区间(0, 1)范围内，以步长0.1进行动态变化，通过计算100次测试数据集的平均正确率，当正确率最大时，此时对应的阈值T即为最佳阈值。
(4) 基于随机森林的面向对象变化检测。该过程主要包括训练和分类两个基本过程，训练过程根据训练样本和决策树理论，得到分类的模型，同时自动估计每个特征的重要性[18, 24]；分类过程即根据训练好的模型得到对象的变化类别。具体实现步骤如下：
step2--从总数为M的训练样本中有放回的随机抽取m个样本数据，得到一个自助训练数据集Lk(B)，其中k=1, 2, …,K，K为决策树总个数；以Lk(B)作为训练数据，创建一颗决策树Tk(x)。对决策树中每个节点的，重复以下步骤，直至决策树深度达到最小值为止：
step4--利用随机森林模型对新的特征向量X进行预测，取所有决策树的投票结果作为最终的分类结果。
为了综合验证所提方法的可行性和有效性，本文采用Matlab R2010b软件进行试验，试验为Inter(R) Core i5 CPU 2.5 GHz、4 GB内存、Windows7操作系统。采用的3组试验数据集均已提前配准，并进行相对辐射校正操作，影像灰度级均为256级，分别如图 4所示，它们的相关信息详情见表 1所示。