La segmentación de imágenes es uno de los pasos fundamentales en el procesamiento de imágenes debido a su enorme potencial de aplicación en el análisis de imágenes médicas, la minería de datos y el reconocimiento de patrones. De hecho, la segmentación de imágenes es el proceso de dividir una imagen en múltiples partes para proporcionar información detallada sobre diferentes aspectos de la imagen. Las técnicas tradicionales de segmentación de imágenes sufren de mínimos locales y problemas de convergencia prematura al explorar espacios de búsqueda complejos. Además, estas técnicas también requieren un tiempo considerable para encontrar los píxeles óptimos a medida que se aumentan los niveles de umbral. Por lo tanto, para superar la sobrecarga computacional y los problemas de convergencia del proceso de umbralización multinivel, se emplea un optimizador robusto, a saber, el Algoritmo de Búsqueda Gravitacional basado en Vuelo de Levy y Teoría del Caos (LCGSA), para realizar la segmentación de las imágenes de tomografías computarizadas de tórax de COVID-19. En LCGSA, la exploración se lleva a cabo mediante vuelo de Levy, mientras que los mapas caóticos garantizan la explotación del espacio de búsqueda. Mientras tanto, se utiliza el método de entropía de Kapur para segmentar la imagen en diversas regiones basadas en los valores de intensidad de píxeles. Para investigar el rendimiento de segmentación de diez versiones caóticas de LCGSA, en primer lugar, se consideran varias imágenes de referencia de la base de datos USC-SIPI para el análisis numérico. En segundo lugar, se examina la aplicabilidad de LCGSA para resolver problemas de procesamiento de imágenes del mundo real utilizando diversos conjuntos de datos de imágenes de tomografías computarizadas de tórax de COVID-19 de la base de datos de Kaggle. Además, se realiza un estudio de ablación en diferentes imágenes de tomografías computarizadas de tórax considerando imágenes de referencia. Además, se utilizan diversas métricas cualitativas y cuantitativas para la evaluación del rendimiento. El análisis general de los resultados experimentales indicó el rendimiento eficiente de LCGSA sobre otros algoritmos similares en términos de requerir menos tiempo computacional y proporcionar valores óptimos para las métricas de calidad de imagen.