摘要：应用Cauchy—Schwarz不等式，推导出一个聚类搜索过程中剥离不必要计算的条件，早期预估后舍掉符合预设条件的候选聚类，提出了基于自然场景的快速简单线性迭代聚类算法（FSLIC算法）。对包含极端恶劣条件下的500幅苹果图像进行了边界召回率检验和运行速度测试；统计了极端恶劣条件下的30幅苹果图像的全局错误率GCE、假阳性率FPR和假阴性率FNR。试验表明，提出的FSLIC算法减小了后续迭代过程中的冗余误差，边界召回率较GB超像素分割算法平均提高了21．7％，速度是GB超像素分割算法的1．83倍；整个图像分割过程中基于超像素的分割算法（GB、FSLIC）的GCE值较常规分割算法（BP、WT、SVM）平均减小了13％，较常规算法的GCE值减小了19％。

关键词：苹果图像 超像素分割 自然场景 简单线性迭代聚类 

单位：南京农业大学工学院; 南京210031; 江苏省智能化农业装备重点实验室; 南京210031