La segmentación de imágenes en color divide la imagen en áreas que representan diferentes objetos y puntos de enfoque. Uno de los mayores problemas en la segmentación de imágenes en color es la falta de homogeneidad en el color de las imágenes urbanas reales, lo que genera áreas de sobre-segmentación cuando se utilizan técnicas tradicionales de segmentación de color. Este artículo describe un enfoque para detectar y clasificar objetos en entornos urbanos basado en una nueva segmentación cromática para localizar puntos de enfoque. Basándonos en componentes y en el espacio CIELab, definimos un espacio complejo para determinar los valores de umbral más altos mediante la comparación de bloques vecinos y así dividir varias áreas de la imagen automáticamente. Aunque los umbrales pueden resultar en áreas de segmentación amplias, son suficientes para localizar centroides de parches en la imagen en color que luego se clasifican utilizando una red neuronal convolucional (CNN). Por lo tanto, esta imagen ampliamente segmentada ayuda a recortar solo las áreas periféricas en lugar de clasificar la imagen completa. La CNN se entrena para usar seis clases basadas en los parches extraídos de la base de datos de imágenes de referencia de entornos urbanos. Los resultados experimentales muestran una puntuación alta para la precisión de la clasificación que confirma la contribución de este enfoque de segmentación.