遥感影像分割的理想结果是分割所得到的对象内部具有良好的同质性，相邻对象间具有良好的异质性[22]。为了获取最佳的超像素分割结果，本文采用最优超像素个数评价指数来确定最终的超像素数目。在分割试验时，通过改变超像素个数来获取多层次不同尺寸大小的超像素区域。在试验数据集1中，选择的超像素范围从100增至1000，步长为100，计算分割后每个尺度下的总体评价值F(H,I)，并对其进行三次样条插值(图 5(a))。结果显示，在分割个数为592时，F(H,I)最高，即整体上来说，在超像素个数为592时，超像素内部多呈现均质，不同超像素间多呈现异质，因此本文选取超像素个数592作为试验数据集1的最优超像素分割值。同理，在试验数据集2中，超像素范围从300增至1200，步长为100，从图 5(b)中可以看出，最优超像素个数为783。在试验数据集3中，超像素范围从900增至1800，步长为100，从图 5(c)中可以看出，最优超像素个数为1703。
在分割完成之后，本文选取每个超像素在前、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。在自动选择分类样本的时候，针对阈值T的选取，本文对3组试验影像，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，从图 6所示的结果中可以看出：在试验数据集DS1中，当阈值T=0.7时，此时测试数据集的平均正确率最大，分类精度达到92.2%，即最佳选择阈值为0.7。同理，在试验数据集DS2中，最佳选择阈值为0.6，此时测试数据集的分类精度最大，达到94.6%；在试验数据集DS3中，最佳选择阈值为0.5，此时测试数据集的分类精度最大，达到94.3%。
为了评估随机森林中决策树个数K对分类器性能的影响，本文对3组试验影像在区间[50,1000]范围内，以步长50进行动态变化；通过计算100次OOB误差的平均值，从图 7所示的结果中可以看出：在试验数据集DS1中，当决策树个数K为250时，此时OOB误差达到最小值；随着K的增加，OOB误差值趋于稳定，而此时分类器的训练时间随着K的增加而增加，当K=250时，OOB误差值为0.077，此时测试数据集分类精度达到92.3%。同理，在试验数据集DS2中，当决策树个数K为450时，此时OOB误差达到最小值，OOB误差值为0.071，此时测试数据集分类精度达到92.9%。在试验数据集DS3中，当决策树个数K为700时，此时OOB误差达到最小值，OOB误差值为0.072，此时测试数据集分类精度达到92.8%。
为了对所提出的方法性能进行定量评估，本文通过构建混淆矩阵的方式来计算变化检测结果的精度，并采用虚检率、漏检率、总体正确率以及Kappa指数4个指标来衡量[25]。本文采用基于像素的变化向量分析法(change vector analysis，CVA)来构造光谱差异图。接着，利用Gabor小波变换对原始两期影像进行处理，提取Gabor特征差异图，并对获取的多时相差异影像进行自适应阈值分割(CVA-Gabor-OSTU)，采用图 2所示的逻辑运算规则来获取初始的变化检测结果。然后，在像素级检测结果基础之上，自动进行分类样本选择并利用基于随机森林面向对象的变化检测流程来获取最终的对象级变化检测结果。与此同时，将本文方法与基于迭代条件模式的马尔科夫模型(MRF-ICM)、基于对象的变化向量分析方法(OCVA)，文献[9]中所用的Chan-Vese (CV)水平集模型、距离规则水平集演化(distance regularized level set evolution，DRLSE)模型以及文献[10]所提出的PCA-k-means方法进行了对比分析。其中，MRF-ICM、CV、DRLSE 3种方法是对光谱差异图进行分割，以获取最终的变化检测结果；在MRF-ICM算法中，分类数class=2，固定势函数β=0.5，迭代次数InterMax=30，并使用K均值算法计算初始分割结果；在PCA-k-means方法中，分块大小H=5，特征向量维数S=5。利用3组试验数据集所得到的变化检测结果分别如图 8-10所示，它们对应的精度评定结果分别如表 2-4所示，其中图 8(a)、图 9(a)、图 10(a)是根据目视解译结果和实地调绘相结合而制作的标准变化检测影像，黑色区域表示未变化的区域，白色区域表示变化的区域。