Coronavirus disease 2019 (COVID-19) is pervasive worldwide, posing a high risk to people’s safety and health. Many algorithms were developed to identify COVID-19. One way of identifying COVID-19 is by computed tomography (CT) images. Some segmentation methods are proposed to extract regions of interest from COVID-19 CT images to improve the classification. In this paper, an efficient version of the recent manta ray foraging optimization (MRFO) algorithm is proposed based on the oppositionbased learning called the MRFO-OBL algorithm. The original MRFO algorithm can stagnate in local optima and requires further exploration with adequate exploitation. Thus, to improve the population variety in the search space, we applied Opposition-based learning (OBL) in the MRFO’s initialization step. MRFO-OBL algorithm can solve the image segmentation problem using multilevel thresholding. The proposed MRFO-OBL is evaluated using Otsu’s method over the COVID-19 CT images and compared with six meta-heuristic algorithms: sine-cosine algorithm, moth flame optimization, equilibrium optimization, whale optimization algorithm, slap swarm algorithm, and original MRFO algorithm. MRFO-OBL obtained useful and accurate results in quality, consistency, and evaluation matrices, such as peak signal-to-noise ratio and structural similarity index. Eventually, MRFO-OBL obtained more robustness for the segmentation than all other algorithms compared. The experimental results demonstrate that the proposed method outperforms the original MRFO and the other compared algorithms under Otsu’s method for all the used metrics.

2019 年冠状病毒病 (COVID-19) 在全球范围内普遍存在，对人们的安全和健康构成了高风险。开发了许多算法来识别 COVID-19。识别 COVID-19 的一种方法是通过计算机断层扫描 (CT) 图像。提出了一些分割方法来从 COVID-19 CT 图像中提取感兴趣区域以改进分类。在本文中，提出了一种基于对立学习的近期蝠鲼觅食优化 (MRFO) 算法的高效版本，称为 MRFO-OBL 算法。原始 MRFO 算法可能会停滞在局部最优，需要进一步探索和充分利用。因此，为了提高搜索空间中的种群多样性，我们在 MRFO 的初始化步骤中应用了基于对立的学习 (OBL)。MRFO-OBL算法可以使用多级阈值来解决图像分割问题。所提出的 MRFO-OBL 使用 Otsu 的方法对 COVID-19 CT 图像进行评估，并与六种元启发式算法进行比较：正余弦算法、飞蛾火焰优化、平衡优化、鲸鱼优化算法、拍击群算法和原始 MRFO 算法. MRFO-OBL 在质量、一致性和评估矩阵（如峰值信噪比和结构相似性指数）方面获得了有用且准确的结果。最终，MRFO-OBL 获得了比所有其他比较算法更强的分割鲁棒性。实验结果表明，对于所有使用的指标，所提出的方法优于原始 MRFO 和 Otsu 方法下的其他比较算法。所提出的 MRFO-OBL 使用 Otsu 的方法对 COVID-19 CT 图像进行评估，并与六种元启发式算法进行比较：正余弦算法、飞蛾火焰优化、平衡优化、鲸鱼优化算法、拍击群算法和原始 MRFO 算法. MRFO-OBL 在质量、一致性和评估矩阵（如峰值信噪比和结构相似性指数）方面获得了有用且准确的结果。最终，MRFO-OBL 获得了比所有其他比较算法更强的分割鲁棒性。实验结果表明，对于所有使用的指标，所提出的方法优于原始 MRFO 和 Otsu 方法下的其他比较算法。所提出的 MRFO-OBL 使用 Otsu 的方法对 COVID-19 CT 图像进行评估，并与六种元启发式算法进行比较：正余弦算法、飞蛾火焰优化、平衡优化、鲸鱼优化算法、拍击群算法和原始 MRFO 算法. MRFO-OBL 在质量、一致性和评估矩阵（如峰值信噪比和结构相似性指数）方面获得了有用且准确的结果。最终，MRFO-OBL 获得了比所有其他比较算法更强的分割鲁棒性。实验结果表明，对于所有使用的指标，所提出的方法优于原始 MRFO 和 Otsu 方法下的其他比较算法。正余弦算法、飞蛾优化、平衡优化、鲸鱼优化算法、拍打群算法、原始MRFO算法。MRFO-OBL 在质量、一致性和评估矩阵（如峰值信噪比和结构相似性指数）方面获得了有用且准确的结果。最终，MRFO-OBL 获得了比所有其他比较算法更强的分割鲁棒性。实验结果表明，对于所有使用的指标，所提出的方法优于原始 MRFO 和 Otsu 方法下的其他比较算法。正余弦算法、飞蛾优化、平衡优化、鲸鱼优化算法、拍打群算法、原始MRFO算法。MRFO-OBL 在质量、一致性和评估矩阵（如峰值信噪比和结构相似性指数）方面获得了有用且准确的结果。最终，MRFO-OBL 获得了比所有其他比较算法更强的分割鲁棒性。实验结果表明，对于所有使用的指标，所提出的方法优于原始 MRFO 和 Otsu 方法下的其他比较算法。如峰值信噪比和结构相似性指数。最终，MRFO-OBL 获得了比所有其他比较算法更强的分割鲁棒性。实验结果表明，对于所有使用的指标，所提出的方法优于原始 MRFO 和 Otsu 方法下的其他比较算法。如峰值信噪比和结构相似性指数。最终，MRFO-OBL 获得了比所有其他比较算法更强的分割鲁棒性。实验结果表明，对于所有使用的指标，所提出的方法优于原始 MRFO 和 Otsu 方法下的其他比较算法。