La segmentación de imágenes no supervisada es una de las tareas más importantes y fundamentales en muchos sistemas de visión por computadora. El modelo de mezcla es un marco convincente para la segmentación de imágenes no supervisada. Una imagen segmentada se obtiene agrupando los valores de color de píxeles de la imagen con un modelo de mezcla estimado. Los problemas surgen cuando el modelo de mezcla óptimo seleccionado contiene un gran número de componentes de mezcla. Entonces, múltiples componentes del modelo de mezcla estimado son más adecuados para describir segmentos individuales de la imagen. Investigamos métodos para fusionar los componentes del modelo de mezcla y su utilidad para la segmentación de imágenes no supervisada. Definimos una heurística simple para la segmentación óptima con la fusión de los componentes del modelo de mezcla. Los experimentos se realizaron con imágenes en escala de grises y a color. Los resultados informados y las comparaciones realizadas con enfoques de agrupamiento populares muestran claros beneficios de fusionar componentes del modelo de mezcla para la segmentación de imágenes no supervisada.