La segmentación de imágenes es un proceso que clasifica densamente los píxeles de la imagen en diferentes regiones correspondientes a objetos del mundo real. Sin embargo, esta correspondencia no siempre es exacta en las imágenes debido a muchos factores de incertidumbre, por ejemplo, la duda en el reconocimiento, el equipo de imagen, la condición y el entorno atmosférico. Para lograr el resultado de segmentación con baja incertidumbre y reducir la influencia en los procedimientos posteriores, por ejemplo, el análisis de imágenes y la comprensión de imágenes, proponemos un nuevo modelo de contorno activo estocástico basado en un conjunto difuso intuitivista, en el que el grado de duda se utiliza para modelar la incertidumbre de reconocimiento en la segmentación de imágenes. Los beneficios de nuestro modelo son los siguientes: (1) Apoyado por la partición difusa, nuestro modelo es robusto contra el ruido e inhomogeneidad de la imagen. (2) Beneficiándose del proceso estocástico, nuestro modelo cruza fácilmente los puntos de silla de la función de energía. (3) Nuestro modelo realiza la segmentación de imágenes con baja incertidumbre y produce el grado de incertidumbre cuantitativa en los resultados de segmentación, lo cual es útil para mejorar la confiabilidad de los sistemas de imágenes inteligentes. Los experimentos asociados sugirieron que nuestro modelo podría obtener resultados de segmentación competitivos en comparación con los modelos de contorno activo relevantes de última generación y podría proporcionar segmentación con un grado de incertidumbre píxel a píxel.