La segmentación de objetos es un tema ampliamente estudiado en el procesamiento digital de imágenes, ya que puede ser utilizado para innumerables aplicaciones en varios campos. Este proceso se logra tradicionalmente mediante el cálculo de un umbral óptimo a partir del histograma de intensidad de la imagen. Varios algoritmos han sido propuestos para encontrar este umbral basado en diferentes principios estadísticos. Sin embargo, los resultados generados por estos algoritmos se contradicen entre sí debido a las múltiples variables que pueden perturbar una imagen. Una estrategia aceptada para lograr el umbral óptimo del histograma, para distinguir entre el objeto y el fondo, es estimar dos distribuciones de datos y encontrar su intersección. Este trabajo propone una estrategia basada en el Algoritmo de Búsqueda del Cucú (CSA) y la distribución Gaussiana Generalizada (GG) para evaluar el umbral óptimo. Para probar esta metodología, llevamos a cabo varios experimentos en escenarios sintéticos y prácticos y comparamos nuestros resultados con otros algoritmos conocidos de la literatura. Estos casos prácticos comprenden una base de datos de imágenes médicas y nuestra propia base de datos generada. Los resultados en un entorno simulado muestran una clara ventaja de la estrategia propuesta frente a otros algoritmos. En un entorno real, esto se sitúa entre los mejores algoritmos, convirtiéndolo en una alternativa confiable.