El clásico algoritmo de segmentación de imágenes interactivas GrabCut logra la segmentación a través de la optimización iterativa. Sin embargo, GrabCut requiere múltiples iteraciones, lo que resulta en un rendimiento más lento. Además, depender únicamente de un cuadro delimitador rectangular a veces puede llevar a inexactitudes, especialmente al tratar con formas complejas o límites de objetos intrincados. Para abordar estos problemas en GrabCut, se introduce una mejora al incorporar términos de superposición de apariencia para optimizar la función de energía de segmentación, logrando así resultados de segmentación óptimos en una sola iteración. Esta mejora reduce significativamente los costos computacionales al tiempo que mejora la velocidad de segmentación en general sin comprometer la precisión. Además, los usuarios pueden proporcionar directamente puntos de semilla en la imagen para indicar de manera más precisa las regiones de primer plano y fondo, en lugar de depender únicamente de un cuadro delimitador. Este enfoque interactivo no solo mejora la capacidad del algoritmo para segmentar con precisión objetos complejos, sino que también simplifica la experiencia del usuario. Evaluamos los resultados experimentales a través de análisis cualitativos y cuantitativos. En el análisis cualitativo, las mejoras en la precisión de la segmentación se demuestran claramente a través de imágenes segmentadas y resultados residuales de segmentación. En el análisis cuantitativo, el algoritmo mejorado supera a GrabCut y a los algoritmos min_cut en velocidad de procesamiento. Cuando se trata de escenas donde los objetos complejos o los objetos en primer plano son muy similares al fondo, el algoritmo mejorado mostrará resultados de segmentación más estables.