植被覆盖度是重要的农学指标,图像法作为一种方便快捷、准确度较高的地面测量方式,在该领域得到了广泛的应用。图像背景分割是获取植被覆盖度最关键的步骤,已有分割算法的分割对象局限于大叶植物或者长势较为稀疏的作物,甚少有针对细叶作物的研究,或者未根据分割结果得出更为有价值的规律。因此,本文以小麦为例,提出了基于HSV空间的自适应果蝇均值聚类算法(IFOA-K-means)用来分割图像背景,以此作为获取覆盖度变化的理论基础。采用小波分析按比例去噪算法单独对亮度分量去噪,主体分割算法采用自适应步长果蝇算法(IFOA)改进的K-means算法对小麦图像进行背景分割,综合了自适应果蝇算法的全局最优和K-means算法的局部最优特点,使得分割效果达到最优化。本文分割效果优于基于遗传算法的最大类间方差分割法,较好的去除了滴灌带等较明显干扰因素,并将其与传统的K-means算法做对比,在运行时间和峰值信噪比指标上都优于传统算法,在小麦覆盖度的计算上准确率在90%以上,与作物系数之间的拟合度高达95.31%,为小麦生长状况的预估提供了可靠的技术手段。