La falta de imágenes etiquetadas de alta calidad y altamente especializadas, así como el alto costo de anotación, son siempre problemas críticos en el campo de la segmentación de imágenes. Sin embargo, la mayoría de los métodos actuales, como el aprendizaje profundo, generalmente requieren un alto costo de entrenamiento y conjuntos de datos de alta calidad. Por lo tanto, se propone un método de segmentación de imágenes optimizable (OISM) basado en el clúster iterativo lineal simple (SLIC), un modelo de migración de características y un clasificador de bosque aleatorio (RF) para resolver el problema de segmentación de imágenes de muestras pequeñas. En el enfoque, se utiliza el SLIC para extraer el contorno de la imagen mediante agrupamiento, el modelo de migración de características Unet se utiliza para obtener características de superpíxeles multidimensionales, y el clasificador RF se utiliza para predecir y actualizar los resultados de segmentación de imágenes. Se demuestra que el OISM propuesto tiene una precisión aceptable y retiene un mejor contorno del objetivo que el modelo Unet mejorado. Además, el OISM muestra potencial para abordar la identificación de imágenes de fatiga de las palas de turbina, lo que también puede ser un método prometedor para la segmentación efectiva de imágenes que revele los daños microscópicos y las propagaciones de grietas en estructuras de alto rendimiento para componentes de motores aéreos.