数字图像处理是指利用计算机对图像进行处理的方法。图像是人类视觉的基础,而视觉是人类感知世界的重要手段之一。图像分割是图像处理中的基本问题之一,它是将一幅图像中感兴趣的对象分离出来,即将图像分为若干个有意义的子区域或对象。图像分割是图像识别至关重要的预处理,正确的分割才会带来正确的识别结果,因此图像分割是图像处理中比较重要的研究技术。研究者提出了很多种图像分割算法,基于统计学的图像分割方法对图像处理领域有着重要的意义。在本文中,我们利用统计学中的Maximum A Posteriori-Markov Random Field(MAP-MRF)框架以及滤波器、随机场与最大熵(FRAME)模型推导出Rudin-Osher-Fatemi(ROF)模型,并介绍 了改进 ROF 模型得到 Modified Mumford-Shah(MMS)模型的过程,进而利用统计学方法推导出MMS模型的创新。MRF模型是一种描述图像像素之间相互关系的统计模型,它可以用一定的概率分布来表示图像的像素值,进而图像的像素值就可以用随机变量来表示。MAP是MRF模型中最常用的一种最优化准则,可以将概率最大化问题转化为函数最小化问题。为了计算MMS模型,我们利用不动点迭代的高效算法和Split-Bregman(SB)算法。最后利用经典的OTSU阈值分割模型以及Canny边缘检测算子与本文的SB算法做数值对比试验,试验结果表明本文的SB算法去噪能力强,检测的边缘最清晰,分割结果最准确。