Las aplicaciones de pesticidas altamente efectivas requieren un ajuste continuo de la tasa de flujo de pulverización de pesticidas que atienda a diferentes caracterizaciones de dosel. El procesamiento de imágenes en tiempo real con una rápida detección de objetivos y tecnologías de procesamiento de datos es vital para la aplicación precisa de pesticidas. Sin embargo, los estudios existentes no proporcionan un método eficiente y confiable para extraer árboles individuales con formas irregulares de copa de árbol y fondos complicados. Este estudio propone un modelo de segmentación basado en la distancia de Mahalanobis y campo aleatorio condicional (CRF) para extraer con precisión los cerezos en un entorno de huerto natural. Este estudio calculó la distancia de Mahalanobis a partir del color de la imagen, el brillo y las características de ubicación para adquirir una clasificación inicial del dosel y el fondo. Luego, se creó un CRF utilizando los cálculos de distancia de Mahalanobis como energía potencial unaria y la función del núcleo gaussiano basada en el color de la imagen y la distancia entre píxeles como energía potencial binaria. Finalmente, el estudio completó la segmentación de imágenes utilizando una aproximación de campo medio. Los resultados muestran que el método propuesto muestra una tasa de precisión más alta que los algoritmos tradicionales K-means y GrabCut y costos de etiquetado y entrenamiento más bajos que el algoritmo de aprendizaje profundo DeepLabv3+, con un 92.1%, 94.5% y 93.3% de la P, R y F1-score promedio, respectivamente. Además, los experimentos en conjuntos de datos con diferentes condiciones de superposición y tiempos de adquisición de imágenes, así como en diferentes años y estaciones, muestran que este método funciona bien bajo condiciones de fondo complejas, con un F1-score promedio superior al 87.7%.