图像分割是图像处理和计算机视觉领域中极为重要的内容之一,是实现图像分析和模式识别的首要问题,也是图像处理的经典难题之一。图像分割的质量、区域界限定位的精度直接影响后续的区域描述以及图像的分析和理解。　　 曲线演化(curve evolution)是解决静止或运动图像中分割和目标检测问题的一种有效方法。采用Mumford Shah模型(简称MS模型)的图像分割和轮廓提取技术是目前流行的曲线演化中的主动轮廓方法之一。Mumford Shah模型依赖的是同质区域的全局信息,对强噪音、边缘模糊或边缘不连续图像都可获得较好的分割结果,突破了经典模型基于局部信息的局限性限制。　　 本文首先介绍了Mumford Shah算法的研究现状,针对Mumford Shah算法的优点以及Mumford Shah算法的缺点中的分割速度慢,参数选择困难等提出了一种改进的快速自适应Mumford Shah算法。算法建立在顺接模型上,首先采用Otsu算法对图像进行预分割,将初始水平集定位到离最佳分割边界不远处,减少了在后续计算中的迭代次数,整体上提高分割的速度。第二,采用长度参数自适应方式计算参数,减少参数对人工经验的依赖,免去了人工调整参数所耗费的时间,总体上减少了图像分割的时间。第三,距离函数的计算采用源点扫描法快速计算初距离函数,采用源点扫描法只要四次扫描即可计算出距离函数,提高了分割速度；第四,在能量函数中新增了参数p的调节功能,对多灰度层次的图像起到调节功能,让分割结果在多个选择中选择更加合适的分割图像。算法成功地将源点扫描算法、u参数自动化、可调目标选择参数p等方法综合考虑融合在顺接模型上,将所需目标分割出来了。　　 从对噪声图像,模糊图像,蛋白质图像的处理实验结果中表明本文算法能精确的分割出图像目标,并且从时间上,分割精度上要优于传统Chan-Vese算法,优于遗传算法,且适宜对模糊图像做分割,特别是对于像素大的图像,本文算法有明显优势。