(1) 传统的像素级方法如CVA、MRF-ICM、PCA-k-means等在3组试验数据集中的变化检测结果精度较低。这主要是由于3种方法在检测过程中仅利用两期影像的光谱信息，而原始影像受到噪声的影响较大。从3组试验结果图中也可以看出，3种方法的检测结果都存在严重的椒盐现象，并且存在较多孤立的像素点，导致最终的试验效果不佳。在算法的时间消耗方面，MRF-ICM算法需要不停迭代优化，时间上要明显长于CVA与PCA-k-means方法。
(2) 基于水平集演化分割的改进算法，其在对差异影像进行分割时能够顾及像素之间的邻域信息。从3组试验结果中可以看出，距离规则水平集演化(DRLSE)模型相较于传统的CV模型，能够进一步提高变化检测结果的精度。由于在分割演化的过程中，考虑了影像上区域之间的邻接关系，所以在算法的时间消耗方面，DRLSE算法时间最长，其次是传统的CV方法，且二者的时间消耗均长于CVA和PCA-k-means方法。而基于面向对象分析的变化向量分析(OCVA)法，其结果在3组试验中并没有明显优于传统的像素级变化检测方法，在对差异影像进行自动阈值分割时，分割结果的好坏对最终的变化检测影响较大。这主要是由于其过分依赖阈值选取的好坏，以及对象的灰度均值信息，而未能有效利用其灰度分布信息，导致最终的检测效果不佳。
(3) 本文将面向对象理论与随机森林进行结合，利用最优超像素个数评价指数来获取最佳的影像分割结果；同时，针对分类样本的自动选取阈值参数以及随机森林模型中的决策树个数进行了试验分析，所得的变化检测结果其总体正确率最高，且虚检率和漏检率也低于其他算法，进一步证明了该方法的有效性和可行性。在算法的时间消耗方面，也明显优于MRF-ICM、DRLSE等算法。
综上所述，在实际的变化检测应用中，可以将基于像素和基于对象的变化检测过程有机结合起来，并利用随机森林分类器的优势来获取最终的对象级检测结果。该结果不仅较为规整，而且检测对象都对应着实际意义的地理实体。因此，可以有效集成多种方法的优势，以获取最佳的检测精度。
本文提出了一种利用随机森林分类器进行面向对象的遥感影像变化检测算法，并详细阐述了该算法的流程。该方法能够在像素级变化检测结果之上，自动进行分类样本选择及自动构建分类模型的优势，相比较当前其他的非监督算法，能够进一步提高变化检测结果的精度。但是也仍然存在一定的不足之处，在针对高分辨率遥感影像的变化检测问题时，由于其“同物异谱”和“同谱异物”的现象较为严重，仅利用光谱特征信息和Gabor特征信息仍然存在不足。在今后的研究中，可进一步引入边缘等特征信息，从而进一步有效地提高变化检测精度。