El desenfoque desenfocado se encuentra a menudo en imágenes tomadas con equipos de imagen óptica. Puede ser no deseado, pero también puede ser un efecto artístico deliberado, lo que significa que podría ayudar a cómo vemos el escenario en una imagen. En aplicaciones específicas como la restauración de imágenes o la detección de objetos, puede ser necesario dividir una imagen parcialmente borrosa en sus regiones borrosas y nítidas. La efectividad de la detección de desenfoque está influenciada por la forma en que se combinan las características. En este documento, proponemos una estrategia de optimización metaheurística sin parámetros conocida como optimización basada en el aprendizaje del profesor (TLBO) para encontrar un vector de peso óptimo para la combinación de mapas de desenfoque. Primero, calculamos mapas de desenfoque a múltiples escalas, es decir, características utilizando una métrica de desenfoque basada en LBP. Luego, aplicamos un esquema de regularización para refinar los mapas de desenfoque iniciales. Esto da como resultado un mapa de desenfoque suave que conserva los bordes y aprovecha la información estructural para una segmentación mejorada. Por último, se utiliza TLBO para encontrar los vectores de peso óptimos de cada mapa de desenfoque refinado para la combinación lineal de características. El modelo propuesto se valida a través de experimentos extensos en dos conjuntos de datos de referencia, y su rendimiento es comparable contra cinco métodos de vanguardia.