Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Adaptation visuelle visualisant

Published: April 24, 2017 doi: 10.3791/54038
Automatic Translation
1, 1
1Department of Psychology, University of Nevada, Reno

Summary

Cet article décrit une nouvelle méthode pour simuler et étudier l'adaptation dans le système visuel.

Abstract

De nombreuses techniques ont été développées pour visualiser comment une image apparaît à une personne ayant une sensibilité visuelle différente: par exemple, en raison des différences optiques ou l' âge, ou une carence en couleur ou d'une maladie. Ce protocole décrit une technique pour incorporer l'adaptation sensorielle dans les simulations. Le protocole est illustré par l'exemple de la vision des couleurs, mais il est généralement applicable à toute forme d'adaptation visuelle. Le protocole utilise un modèle simple de la vision humaine des couleurs fondées sur des hypothèses plausibles standard et sur les mécanismes de la rétine et du cortex codage couleur et comment ceux-ci ajustent leur sensibilité à la fois la couleur moyenne et la gamme de couleurs dans le stimulus qui prévaut. Les gains des mécanismes sont adaptés de sorte que leur réponse moyenne de moins d'un contexte est assimilé à un contexte différent. Les simulations permet de révéler les limites théoriques de l'adaptation et de générer des « images » qui sont adaptées de manière optimale correspond à un enviro spécifiquennement ou observateur. Ils fournissent également une mesure commune pour explorer les effets de l'adaptation au sein de différents observateurs ou des environnements différents. Perception visuelle et la caractérisation des performances avec ces images fournit un nouvel outil pour étudier les fonctions et les conséquences de l'adaptation à long terme dans la vision ou d'autres systèmes sensoriels.

Introduction

Que le monde pourrait ressembler à d'autres, ou pour nous-mêmes que nous changeons? Les réponses à ces questions sont d'une importance fondamentale pour comprendre la nature et les mécanismes de perception et les conséquences des deux variations normales et cliniques dans le codage sensoriel. Une grande variété de techniques et d'approches ont été développées pour simuler la façon dont les images peuvent apparaître à des personnes ayant des sensibilités visuelles différentes. Par exemple, ceux - ci comprennent des simulations des couleurs qui peuvent être discriminés par différents types d'irrégularités de couleur 1, 2, 3, 4, les différences spatiales et chromatiques qui peuvent être résolus par des enfants ou des observateurs âgés de 5, 6, 7, 8, 9 , comment les images apparaissent dans la vision périphérique up class = "xref"> 10, et les conséquences des erreurs optiques ou de maladie 11, 12, 13, 14. Ils ont également été appliquées pour visualiser les discriminations qui sont possibles pour d' autres espèces 15, 16, 17. En règle générale, ces simulations utilisent des mesures des pertes de sensibilité dans différentes populations pour filtrer une image et ainsi réduire ou éliminer la structure qu'ils ont du mal à voir. Par exemple, les formes de cécité des couleurs reflètent une perte de l' un des deux photorécepteurs sensibles aux longueurs d' onde moyenne ou longue durée, et les images filtrées pour éliminer leurs signaux apparaissent généralement dépourvus de teintes « rougeâtre verdâtre » 1. De même, les enfants ont une acuité plus faible, et donc les images traitées pour leur sensibilité spatiale réduite sont floues . f "> 5 Ces Les techniques donnent des exemples précieux de ce qu'une personne peut voir qu'un autre ne peut toutefois, ils ne le font pas -. et souvent ne sont pas destinés à - l'expérience vécue par la perception réelle de l'observateur, et dans certains cas , peut déformer la quantité et les types d'informations disponibles à l'observateur.

Cet article décrit une nouvelle technique développée pour simuler des différences dans l' expérience visuelle qui intègre une caractéristique fondamentale du codage visuel - adaptation 18, 19. Tous les systèmes sensoriels et moteurs ajustent en permanence au contexte, ils sont exposés. Une odeur âcre dans une pièce s'estompe rapidement, tandis que la vision accueille à la façon claire ou assombrir la pièce est. Fait important, ces ajustements se produisent pour presque tous les attributs de relance, y compris les perceptions « haut niveau », comme les caractéristiques du visage d' une personne 20,class = « xref »> 21 ou la voix 22, 23, ainsi que le calibrage des commandes motrices faites lors du déplacement des yeux ou d' atteindre un objet 24, 25. En fait, l'adaptation est probablement une propriété essentielle de presque tous les traitements de neurones. Cet article montre comment incorporer ces effets d'adaptation dans les simulations de l'apparition d'images, en gros « adapter l'image » de prédire comment il semble à un observateur spécifique dans un état spécifique d'adaptation 26, 27, 28, 29. De nombreux facteurs peuvent modifier la sensibilité d'un observateur, mais l'adaptation peut souvent compenser les aspects importants de ces changements, de sorte que les pertes de sensibilité sont moins visibles que serait prédit sans supposer que le système adapte. A l'inverse, parce quel'adaptation ajuste la sensibilité en fonction du contexte de relance actuel, ces ajustements sont également importants pour incorporer pour prédire combien la perception peut varier lorsque l'environnement varie.

Le protocole suivant illustre la technique en adaptant le contenu des couleurs des images. La vision des couleurs présente l'avantage que les étapes de neurones initiaux de codage couleur sont relativement bien compris, de même que les motifs d'adaptation 30. Les mécanismes et des ajustements réels sont complexes et variées, mais les principales conséquences de l' adaptation peuvent être capturées à l' aide d' un simple et un modèle classique en deux étapes (figure 1a). Dans la première étape, les signaux de couleur sont d'abord codés par trois types de photorécepteurs de cône qui sont au maximum sensibles à de courtes longueurs d'ondes moyennes ou longues (S, M et L) des cônes. Dans la deuxième étape, les signaux des différents cônes sont combinés dans des cellules post-receptoral pour former « color-adversaire » channels qui reçoivent des entrées antagonistes des différents cônes (et donc transmettre la « couleur » d'informations) canaux, et « non » adversaire qui résument ainsi que les entrées de cône (donc codage de l'information « luminosité »). L' adaptation se produit aux deux étapes, et ajuste à deux aspects différents de la couleur - la moyenne (dans les cônes) et la variance (dans les canaux post-receptoral) 30, 31. Le but des simulations est d'appliquer ces ajustements aux mécanismes du modèle et de rendre l'image de leurs sorties adaptées.

Le processus d'adaptation des images comporte six composantes principales. Ceux-ci sont 1) choisir les images; 2) choisir le format pour les spectres d'image; 3) définissant le changement de couleur de l'environnement; 4) définissant la variation de la sensibilité de l'observateur; 5) en utilisant le programme pour créer les images adaptées; et 6) en utilisant les images pour évaluer les conséquences de l'adaptation. Toici considère chacune de ces étapes en détail. Le modèle de base et les réponses mécanisme sont illustrés sur la figure 1, tandis que les figures 2 - 5 montrent des exemples d'images rendues avec le modèle.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

REMARQUE: Le protocole illustré utilise un programme qui permet de sélectionner les images et les adapter en utilisant les options choisies par les différents menus déroulants.

1. Sélectionnez l'image à adapter

  1. Cliquez sur l'image et recherchez le nom de l'image de travailler avec. Observer l'image d'origine dans le volet supérieur gauche.

2. Spécifiez le stimulus et l'observateur

  1. Cliquez sur le menu « Format » pour choisir la façon de représenter l'image et l'observateur.
  2. Cliquez sur l'option « observateur standard » pour modéliser un observateur standard ou moyenne adaptation à une distribution de couleur spécifique. Dans ce cas, en utilisant des équations standards pour convertir les valeurs RVB de l'image à la sensibilité du cône 32.
  3. Cliquez sur l'option « d'observateur individuel » pour modéliser les sensibilités spectrales d'un observateur spécifique. Parce que ces sensibilités dépendent de la longueur d'onde, le con de programmeverts les valeurs RVB de l'image dans les spectres des armes à feu en utilisant les spectres d'émission standard ou mesurée pour l'affichage.
  4. Cliquez sur l'option « spectres naturels » pour rapprocher les spectres réels dans le monde. Cette option convertit les valeurs RVB de spectres, par exemple en utilisant des fonctions de base standard 33 ou 34 spectres gaussienne pour approcher le spectre correspondant à la couleur de l' image.

3. Sélectionnez la condition d'adaptation

  1. Adapter soit le même observateur à différents environnements (par exemple, aux couleurs d'une forêt par rapport à paysage urbain), ou différents observateurs au même environnement (par exemple, un observateur déficient par rapport à la normale de la couleur).
    1. Dans le premier cas, utilisez les menus pour sélectionner les environnements. Dans ce dernier, en utilisant les menus pour définir la sensibilité de l'observateur.
  2. Pour définir les environnements, sélectionnez la « référence » et envir « test »ronnements à partir des menus déroulants. Ils contrôlent les deux états différents de l'adaptation en chargeant les réponses du mécanisme pour différents environnements.
    1. Choisissez le menu « de référence » pour contrôler l'environnement de départ. Tel est l'environnement le sujet est adapté à tout en regardant l'image d'origine.
      NOTE: Les choix indiqués ont été précalculées pour différents environnements. Ceux-ci ont été calculées à partir des mesures des gammes de couleurs pour les différentes collections d'images. Par exemple, une application a examiné comment la perception des couleurs peut varier avec des changements dans les saisons, en utilisant des images calibrées prises du même endroit à des moments différents 27. Une autre étude, en explorant la façon dont l' adaptation pourrait affecter percepts de couleur dans différents endroits, les lieux représentés par des images d' échantillonnage de différentes catégories de scène 29.
    2. Sélectionnez l'environnement « utilisateur défini » pour charger les valeurs pour un environnement personnalisé. obsErve une fenêtre pour rechercher et sélectionner un fichier particulier. Pour créer ces fichiers pour les images indépendantes, afficher chaque image à inclure (comme dans l'étape 1), puis cliquez sur le bouton « Enregistrer les réponses d'image ».
      REMARQUE: Cette affiche une fenêtre où l'on peut créer ou ajouter à un fichier Excel stockant les réponses à chaque image. Pour créer un nouveau fichier, entrez le nom du fichier, ou recherchez un fichier existant. Pour les fichiers existants, les réponses à l'image actuelle sont ajoutés et les réponses à toutes les images automatiquement en moyenne. Ces moyennes sont entrées pour l'environnement de référence lorsque le fichier avec l'option « défini par l'utilisateur » est sélectionné.
    3. Sélectionnez le menu « test » pour accéder à une liste des environnements pour l'image à régler pour. Sélectionnez l'option « image actuelle » d'utiliser les réponses du mécanisme pour l'image affichée.
      NOTE: Cette option suppose que les sujets s'adaptent aux couleurs de l'image qui est actuellement en cours de visualisation. Sinon, sélectionnez l'un des til précalculée environnements ou l'option « défini par l'utilisateur » pour charger l'environnement de test.

4. Sélectionnez la sensibilité spectrale de l'observateur

NOTE: Pour les effets d'adaptation de différents environnements, l'observateur demeure généralement constante, et est réglé sur la valeur par défaut « observateur standard » avec sensibilité spectrale moyenne. Il y a 3 menus pour régler une sensibilité spectrale individuelle, qui contrôlent la quantité de pigment de contrôle ou les sensibilités spectrales de l'observateur.

  1. Cliquez sur le menu « objectif » pour sélectionner la densité du pigment de la lentille. Les différentes options permettent de choisir une caractéristique de densité de différents âges.
  2. Cliquez sur le menu « macula » pour sélectionner de façon similaire la densité du pigment maculaire. Observez ces options en termes de la densité maximale du pigment.
  3. Cliquez sur le menu « cônes » de choisir entre les observateurs sansrMal trichromacy ou différents types de trichromacy anormale.
    NOTE: En fonction des choix du programme définit les cônes sensibilités spectrales de l'observateur et un ensemble de 26 canaux postreceptoral combinant linéairement les signaux de cône à peu près uniformément échantillon différentes combinaisons de couleurs et de luminance.

5. Adapter l'image

  1. Cliquez sur le bouton « adapter ».
    REMARQUE: Cette exécute le code pour le calcul des réponses des cônes et des mécanismes post-receptoral à chaque pixel dans l'image. La réponse est dimensionnée de telle sorte que la réponse moyenne de la répartition des couleurs est égal à adapter les réponses moyennes de la distribution de référence, ou de telle sorte que la réponse moyenne est la même pour un observateur individuel ou de référence. La mise à l' échelle est multiplicatif pour simuler l' adaptation von Kries 35. La nouvelle image est ensuite rendu en additionnant les réponses du mécanisme et de reconversion des valeurs RVB pour l'affichage. Détails du algorithm sont donnés dans le 26, 27, 28, 29.
  2. Observez trois nouvelles images à l'écran. Ceux-ci sont étiquetés comme 1) « non adapté » - comment l'image de test devrait apparaître à quelqu'un complètement adapté à l'environnement de référence; 2) « adaptation conique » - ce qui montre l'image ajustée que pour l'adaptation dans les récepteurs; et 3) « pleine adaptation » - ce qui montre l'image prédite par une adaptation complète au changement de l'environnement ou l'observateur.
  3. Cliquez sur le bouton « enregistrer des images » pour enregistrer les trois images calculées. Observez une nouvelle fenêtre sur l'écran pour rechercher le dossier et sélectionnez le nom du fichier.

6. Évaluer les conséquences de l'adaptation

NOTE: La référence originale et des images adaptées simulent la façon dont la même image doit apparaître sous les deux états de Adapta modélisétion, et surtout, diffèrent seulement en raison de l'état d'adaptation. Les différences dans les images offrent ainsi un aperçu des conséquences de l'adaptation.

  1. regarder visuellement les différences entre les images.
    REMARQUE: Une simple inspection des images peuvent aider à montrer comment la vision beaucoup de couleur peut varier en vivant dans des environnements différents de couleurs, ou combien d'adaptation pourrait compenser un changement de sensibilité à l'observateur.
  2. Quantifier ces effets d'adaptation en utilisant des analyses ou des mesures comportementales avec les images pour évaluer de manière empirique les conséquences de l'adaptation 29.
    1. Mesurer comment les changements d'apparence des couleurs. Par exemple, comparez les couleurs des deux images pour mesurer les catégories de couleurs ou changement de perception dans différents saillance environnements ou observateurs. Par exemple, l' utilisation des analyses des changements de couleur avec adaptation pour calculer combien les teintes uniques (par exemple, jaune ou bleu pur) pourrait théoriquement vvier en raison des variations de l'environnement couleur 29 de l'observateur.
    2. Demandez-lui comment l'adaptation affecte la sensibilité visuelle ou la performance. Par exemple, utiliser les images adaptés pour comparer si la recherche visuelle pour une couleur nouvelle est plus rapide lorsque les observateurs sont d'abord adaptés aux couleurs de l'arrière-plan. Réaliser l'expérience en superposant sur les images d' un tableau de cibles et distracteurs de couleurs différentes qui ont été adaptés , ainsi que les images, avec les temps de réaction mesurés pour localiser la cible 29 impair.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Les figures 2-4 illustrent les simulations d'adaptation pour les variations de l'observateur ou de l'environnement. La figure 2 compare l'apparition prévue de Nature morte de Cézanne aux pommes pour un observateur plus jeune et plus qui ne diffèrent que par la densité du pigment de la lentille 28. L'image originale comme on le voit à travers les yeux plus jeune (figure 2a) apparaît beaucoup et yellower gradateur à travers la lentille plus forte densité pigmentée (Figure 2b). (Les changements correspondants dans les réponses de couleur chromatique moyenne et est illustrée sur la figure 1c). Cependant, l' adaptation aux réductions de changement spectrale moyenne quasi - totalité de la modification de l' aspect des couleurs (figure 2c). La réponse de la couleur d'origine est presque complètement récupéré par l'adaptation dans les cônes, de sorte que les changements de contraste ultérieurs ont un effet négligeable.

nt » fo: keep-together.within-page = « 1 »> La figure 3 montre les iris de Van Gogh filtrés afin de simuler l' apparence de couleur dans un observateur deutéranomalie, dont photopigment normale M est décalée dans la sensibilité de crête à l' intérieur de 6 nm de la L photopigment 28 . adaptation dans les cônes ajuste à nouveau pour le stimulus moyen chromaticité, mais le l vs M contraste des pigments anormaux sont faibles (figure 3b), ce qui comprime les réponses du mécanisme le long de cet axe (figure 1d). Il a été suggéré que van Gogh aurait exagéré l'utilisation de la couleur pour compenser une carence en couleur, puisque les couleurs qu'il peignait peut apparaître plus naturel quand filtré pour une carence. Cependant, le contraste adaptation aux contrastes réduits prédit que l'image doit « apparaître » très similaire à la trichromie normal et anormal (Figure 3c), même si cette dernière a bien plus faible sensibilité intrinsèque à la l 36, 37.

La figure 4 montre les simulations pour un changement environnemental, en simulant la façon dont l'image floue dépeint par Sunrise (Marine) de Monet peut apparaître à un observateur totalement adapté à la voile (ou à un artiste entièrement adapté à sa peinture). Avant d' adaptation de l'image apparaît sombre et en grande partie monochrome (figure 4a), et de manière correspondante les réponses de mécanisme pour le contraste de l' image sont faibles (Figure 1E). Cependant, l'adaptation à la fois le biais chromatique moyenne et le contraste chromatique réduite (dans ce cas pour faire correspondre les réponses du mécanisme pour les scènes extérieures typiques) et élargit la normalise gamme de couleur perçue afin qu'il soit comparable àla gamme de percepts de couleurs connu pour la scène en plein air bien éclairé (figure 4b).

Enfin, la figure 5 illustre les deux exemples mentionnés à la section 6.2 du protocole pour utiliser le modèle pour étudier la vision des couleurs. La figure 5a montre la palette de Munsell sous adaptation à un environnement de verdure ou arides, tandis que la figure 5b trace les changements dans les stimuli de la palette pour être présent rouge pur, vert, bleu ou jaune, quand le même observateur est conçu pour une gamme de différents simulé environnements. Cette gamme est comparable à des mesures de la gamme de stimulation réelle de ces couleurs focales mesurée de manière empirique dans l'enquête World Color 29. La figure 5c montre plutôt comment un ensemble de couleurs apparaissent est avant ou après l' adaptation à un paysage martien. L'adaptation de l'ensemble de l'image conduit à des temps de réaction plus courts significativement pour trouver lacouleurs uniques dans une tâche de recherche visuelle 29.

Figure 1
Figure 1: Le modèle. a) Les réponses sont modélisés pour les mécanismes à la sensibilité des cônes (qui adaptent au moyen du stimulus) ou des combinaisons de postreceptoral des cônes (qui adaptent à la variance du stimulus. b) Chaque mécanisme postreceptoral est accordé sur une direction différente de la couleur- l'espace de luminance, comme indiqué par les vecteurs. Pour les simulations 26 mécanismes sont calculées, quel échantillon dans l'espace intervalles de 45 ° (montré pour la L Vs. plan LM Vs. M et S et le L Vs. M et le plan de luminance). c) Réponses des mécanismes dans le plan equiluminant (L Vs. M et S Vs. LM) pour les images dans la partie supérieure et panneau central de la figure 2. La moyenne des réponses de contraste sont shpropre à 22.5 ° à des intervalles plus dépeignent complètement la répartition de réponse, si le modèle est basé sur les canaux à intervalles de 45 °. Dans l'image d' origine (Figure 2a) de la chromaticité moyenne est proche de gris (0,0) et les couleurs sont polarisées le long d' un axe bleu-jaunâtre. L' augmentation de la densité optique de l'observateur produit un grand changement dans la moyenne vers le jaune (figure 2b). d) Contraste réponses pour les images montrées sur la figure 3a et 3b. Les contrastes de cône de l'original (figure 3a) sont compressées le long de la L Vs. Axe M pour l'observateur déficient en couleur (figure 3b). e) Contraste réponses pour les images représentées sur la figure 4a et 4b. Les réponses à faible contraste de l'image originale (Figure 4a) sont élargis adaptation suivante, qui correspond aux réponses moyennes à la peinture pour les réponses fora distribution des couleurs typique des scènes naturelles en plein air (figure 4b). S'il vous plaît cliquer ici pour voir une version plus grande de ce chiffre.

Figure 2
Figure 2: Simuler les conséquences du vieillissement de Lens. Nature morte de Cézanne aux pommes (a) traité pour simuler une lentille de vieillissement (b) et l' adaptation à la lentille (c). avec la permission d'image numérique du programme de contenu Open du Getty. S'il vous plaît cliquer ici pour voir une version plus grande de ce chiffre.

figure 3
Figure 3: simulating Anomalous trichromacy. Les iris de Van Gogh (a) simulant la couleur contraste réduit dans un observateur déficient en couleur (b), et l'apparition prédite en observateurs parfaitement adaptés au contraste réduite (c). avec la permission d'image numérique du programme de contenu Open du Getty. S'il vous plaît cliquer ici pour voir une version plus grande de ce chiffre.

Figure 4
Figure 4: Simuler Adaptation à un environnement à faible contraste. Lever du soleil de Monet (Marine). L'image originale (a) est traité pour simuler l'apparence de la couleur pour un observateur adapté pour les faibles contrastes de la scène (b). Cela a été fait en ajustant la sensibilité de la sensibilité de chaque mécanisme afinque la réponse moyenne aux couleurs des peintures est égale à la moyenne des réponses aux couleurs mesurées pour une collection de scènes extérieures naturelles. avec la permission d'image numérique du programme de contenu Open du Getty. S'il vous plaît cliquer ici pour voir une version plus grande de ce chiffre.

Figure 5
Figure 5. Utilisation du modèle pour examiner la performance visuelle. a) La palette Munsell rendue sous l' adaptation aux couleurs d'un environnement de verdure ou arides. b) Chips dans la palette qui doit apparaître pur rouge, vert, bleu ou jaune après adaptation à une gamme de différents environnements de couleurs. symboles lumineux ombragé complotent la gamme de sélections de puce moyenne des langues de l'enquête World Color. c) Les images de la surface deMars comme ils pourraient apparaître à un observateur adapté à la Terre ou à Mars. patches Superposition montrent des exemples des stimuli ajoutés à la tâche de recherche visuelle, et comprennent un ensemble de distracteurs de couleur uniforme et une cible de couleur différente. d) Dans le temps de recherche expérience ont été mesurées pour localiser la cible impair, et sont sensiblement plus courts à l' intérieur des images Mars- personnalisées adaptées. S'il vous plaît cliquer ici pour voir une version plus grande de ce chiffre.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Le protocole illustré montre comment les effets de l'adaptation à un changement dans l'environnement ou l'observateur peuvent être représentés dans les images. La forme de cette représentation prend dépendra des hypothèses retenues pour le modèle - par exemple, la façon dont la couleur est codée et comment réagissent les mécanismes de codage et d'adaptation. Ainsi, l'étape la plus importante est de décider sur le modèle de la vision des couleurs - par exemple ce que les propriétés des canaux sont émis l'hypothèse, et comment ils sont supposés adapter. Les autres étapes importantes doivent définir les paramètres appropriés pour les propriétés des deux environnements ou deux sensibilités d'observateurs, que vous l'adaptez entre.

Le modèle illustré est très simple, et il y a plusieurs façons dont il est incomplet et pourrait être étendue en fonction de l'application. Par exemple, les informations de couleur ne sont pas codées indépendamment de la forme, et les simulations illustrées ne tiennent pas compte de la structure spatiale deles images ou des champs récepteurs neuronaux, ou des interactions connues à travers des mécanismes tels que la normalisation du contraste 38. De même, tous les pixels dans les images ont le même poids, et donc les simulations ne tiennent pas compte des facteurs spatiaux tels que la façon dont les scènes sont échantillonnés avec des mouvements oculaires. L'adaptation du modèle est également supposé représenter échelle simple multiplicatif. Ceci est approprié pour certaines formes d'adaptation chromatique mais ne peut pas décrire correctement les changements de réponse au niveau post-receptoral. De même, les fonctions de réponse de contraste dans le modèle sont linéaires et donc ne simulent pas les fonctions de réponse réelles des neurones. Une autre limitation importante est que les simulations illustrées ne comportent pas de bruit. Si ce bruit se produit au moment ou avant les sites de l'adaptation, puis l' adaptation peut régler à la fois le signal et le bruit et peut par conséquent avoir des effets très différents sur l' apparence et la performance visuelle 39. Une façon desimuler les effets du bruit est d'introduire des perturbations aléatoires dans le stimulus 28. Cependant, cela ne sera pas imiter ce que ce bruit « ressemble » à un observateur.

Comme le suggèrent les exemples illustrés, les simulations peuvent capturer de nombreuses propriétés d'expérience des couleurs qui ne sont pas évidentes lorsque l'on considère que la sensibilité spectrale et le contraste de l'observateur, et en fonction notamment de mettre en évidence l'importance de l'adaptation dans la normalisation perception des couleurs et compenser la limites de sensibilité de l'observateur. À cet égard, la technique fournit un certain nombre d'avantages et d'applications pour visualiser ou prédire percepts visuels. Ceux-ci comprennent les éléments suivants:

De meilleures simulations de la variante Vision

Comme il est indiqué, le filtrage d'une image pour une sensibilité différente révèle ce que l'on ressent lorsque l'information dans l'image est modifiée, mais fait moins bien à prédire quelobservateur que la sensibilité connaîtrait. À titre d'exemple, un patch gris filtré pour simuler la lentille jaunissement de l'oeil d'un observateur regarde plus 9 yellower. Mais les observateurs plus âgés qui sont habitués à leurs lentilles âgés de décrire la place et voir probablement littéralement le stimulus en gris 40. Comme on le voit ici, cela est une conséquence naturelle de l' adaptation dans le système visuel 28 et intégrant ainsi cette adaptation est importante pour la visualisation de mieux les percepts d'un individu.

Un mécanisme commun Prédire Différences entre les observateurs et entre les milieux

La plupart des techniques de simulation sont axées sur la prévision des changements de l'observateur. Pourtant , l' adaptation est également entraîné régulièrement par des changements dans le monde 18, 19. Les individus plongés dans des environnements différents visuels (par exemple, en milieu urbain ou rural, ou arid Vs. luxuriante) sont exposés à des modèles très différents de stimulation qui peut conduire à des états très différents d'adaptation 41, 42. De plus, ces différences sont accentuées entre les individus occupant différentes niches dans une société de plus en plus spécialisée et technique (par exemple, un artiste, radiologue, joueur de jeu vidéo, ou plongée sous - marine). L' apprentissage perceptif et de l' expertise ont été largement étudiés et dépendent de nombreux facteurs 43, 44, 45. Mais l' un d' entre eux peut être simple exposition 46, 47. Par exemple, un compte de l'effet « autre race », où les observateurs sont mieux distinguer face à notre propre ethnie, parce qu'ils sont adaptés aux visages qu'ils rencontrent généralement 48, 49. L'adaptation est une coMmon métrique pour évaluer l'impact d'un changement de sensibilité Vs. changement de stimulus sur la perception, et donc pour prédire comment deux observateurs différents pourraient éprouver le même monde Vs. placer le même observateur dans deux mondes différents.

L'évaluation des conséquences à long terme de l'adaptation

En fait, l'adaptation des observateurs, puis en mesurant la façon dont leur sensibilité et le changement de perception est une technique psychophysique bien établie et étudiée de manière approfondie. Cependant, ces mesures sont généralement limitées à des expositions à court terme d'une durée minutes ou quelques heures. Des preuves croissantes suggèrent que l' adaptation fonctionne aussi sur beaucoup plus que des échelles de temps sont beaucoup plus difficiles à tester empiriquement 50, 51, 52, 53, 54. adaptation simulant présente l'avantage de pousser adaptation précise à leurs limites théoriques à long terme et ainsi d'explorer des échelles de temps qui ne sont pas expérimentalement pratique. Il permet également de tester les conséquences de la perception des changements progressifs tels que le vieillissement ou une maladie progressive.

L'évaluation des avantages potentiels de l'adaptation

Un problème connexe est que, bien que de nombreuses fonctions ont été proposées pour l'adaptation, l'amélioration des performances ne sont souvent pas évidents dans les études d'adaptation à court terme, et cela peut être en partie parce que ces améliorations ne se produisent que sur des échelles de temps plus longues. Tester la manière dont les observateurs peuvent effectuer des tâches visuelles différentes avec des images adaptées pour simuler ces échelles de temps fournit une nouvelle méthode pour explorer les avantages de la perception et les coûts d'adaptation 29.

Mécanismes d'essai de codage visuel et adaptation

Les simulations peuvent aider à visualiser et comparer les différents modèles de moi visuellechanisms et différents modèles de la façon dont ces mécanismes régler leur sensibilité. Ces comparaisons peuvent aider à révéler l'importance relative des différents aspects de codage visuel pour la performance et la perception visuelle.

Images aux observateurs Adaptation

Dans la mesure où l'adaptation d'une aide à mieux voir, ces simulations fournissent un outil potentiellement puissant pour le développement de modèles de traitement d'image qui permet de mieux mettre en évidence des informations pour les observateurs. De telles techniques d'amélioration de l'image sont très répandues, mais l'approche actuelle est conçu pour ajuster une image de façon dont le cerveau réel ajuste, et ainsi simuler les stratégies de codage réelles que le système visuel a évolué pour exploiter. Images prétraiter de cette manière pourrait , en principe , éliminer la nécessité d'observateurs visuellement acclimater à un nouvel environnement, par l' ajustement des images à la place pour correspondre à l'adaptation précise que les observateurs sont actuellement 26,

Il peut sembler irréaliste de penser que l' adaptation pourrait en réduction de la pratique presque entièrement un changement de sensibilité de nos percepts, mais il y a de nombreux exemples où percepts ne semblent pas affectés par les différences de sensibilité dramatique 55, et il est une question empirique comment complète l'adaptation est pour tout compte tenu de cas - qui adaptés images peuvent également être utilisés pour répondre. Dans tous les cas, si l'objectif est de visualiser l'expérience de perception d'un observateur, ces simulations sont sans doute beaucoup plus proche de caractériser cette expérience que des simulations traditionnelles basées uniquement sur le filtrage de l'image. De plus, ils fournissent un nouvel outil pour prédire et tester les conséquences et les fonctions de l' adaptation sensorielle 29. Encore une fois cette adaptation est omniprésente dans le traitement sensoriel et des modèles similaires pourrait être exploitée pour explorer l'impact de l'adaptation sur d'autres attributs visuels et d'autres senses.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n'ont rien à dévoiler.

Acknowledgments

Pris en charge par les instituts nationaux de EY-10834 de subvention de la santé (NIH).

Materials

Name Company Catalog Number Comments
Computer
Images to adapt
Programming language (e.g., Visual Basic or Matlab)
Program for processing the images
Observer spectral sensitivities (for applications involving observer-specific adaptation)
Device emmission spectra (for device-dependent applications)

DOWNLOAD MATERIALS LIST

References

  1. Vienot, F., Brettel, H., Ott, L., Ben M'Barek, A., Mollon, J. D. What do colour-blind people see? Nature. 376, 127-128 (1995).
  2. Brettel, H., Vienot, F., Mollon, J. D. Computerized simulation of color appearance for dichromats. J Opt Soc Am A Opt Image Sci Vis. 14, 2647-2655 (1997).
  3. Flatla, D. R., Gutwin, C. So that's what you see: building understanding with personalized simulations of colour vision deficiency. Proceedings of the 14th international ACM SIGACCESS conference on Computers and accessibility. , 167-174 (2012).
  4. Machado, G. M., Oliveira, M. M., Fernandes, L. A. A physiologically-based model for simulation of color vision deficiency. IEEE Trans. Vis. Comput. Graphics. 15, 1291-1298 (2009).
  5. Teller, D. Y. First glances: the vision of infants. the Friedenwald lecture. Invest. Ophthalmol. Vis. Sci. 38, 2183-2203 (1997).
  6. Wade, A., Dougherty, R., Jagoe, I. Tiny eyes. , Available from: http://www.tinyeyes.com/ (2016).
  7. Ball, L. J., Pollack, R. H. Simulated aged performance on the embedded figures test. Exp. Aging Res. 15, 27-32 (1989).
  8. Sjostrom, K. P., Pollack, R. H. The effect of simulated receptor aging on two types of visual illusions. Psychon Sci. 23, 147-148 (1971).
  9. Lindsey, D. T., Brown, A. M. Color naming and the phototoxic effects of sunlight on the eye. Psychol Sci. 13, 506-512 (2002).
  10. Raj, A., Rosenholtz, R. What your design looks like to peripheral vision. Proceedings of the 7th Symposium on Applied Perception in Graphics and Visualization. , 88-92 (2010).
  11. Perry, J. S., Geisler, W. S. Gaze-contingent real-time simulation of arbitrary visual fields. International Society for Optics and Photonics: Electronic Imaging. , 57-69 (2002).
  12. Vinnikov, M., Allison, R. S., Swierad, D. Real-time simulation of visual defects with gaze-contingent display. Proceedings of the 2008 symposium on Eye tracking research. , 127-130 (2008).
  13. Hogervorst, M. A., van Damme, W. J. M. Visualizing visual impairments. Gerontechnol. 5, 208-221 (2006).
  14. Aguilar, C., Castet, E. Gaze-contingent simulation of retinopathy: some potential pitfalls and remedies. Vision res. 51, 997-1012 (2011).
  15. Rowe, M. P., Jacobs, G. H. Cone pigment polymorphism in New World monkeys: are all pigments created equal? Visual neurosci. 21, 217-222 (2004).
  16. Rowe, M. P., Baube, C. L., Loew, E. R., Phillips, J. B. Optimal mechanisms for finding and selecting mates: how threespine stickleback (Gasterosteus aculeatus) should encode male throat colors. J. Comp. Physiol. A Neuroethol. Sens. Neural. Behav. Physiol. 190, 241-256 (2004).
  17. Melin, A. D., Kline, D. W., Hickey, C. M., Fedigan, L. M. Food search through the eyes of a monkey: a functional substitution approach for assessing the ecology of primate color vision. Vision Res. 86, 87-96 (2013).
  18. Webster, M. A. Adaptation and visual coding. J vision. 11 (5), 1-23 (2011).
  19. Webster, M. A. Visual adaptation. Annu Rev Vision Sci. 1, 547-567 (2015).
  20. Webster, M. A., Kaping, D., Mizokami, Y., Duhamel, P. Adaptation to natural facial categories. Nature. 428, 557-561 (2004).
  21. Webster, M. A., MacLeod, D. I. A. Visual adaptation and face perception. Philos. Trans. R. Soc. Lond., B, Biol. Sci. 366, 1702-1725 (2011).
  22. Schweinberger, S. R., et al. Auditory adaptation in voice perception. Curr Biol. 18, 684-688 (2008).
  23. Yovel, G., Belin, P. A unified coding strategy for processing faces and voices. Trends cognit sci. 17, 263-271 (2013).
  24. Shadmehr, R., Smith, M. A., Krakauer, J. W. Error correction, sensory prediction, and adaptation in motor control. Annu rev neurosci. 33, 89-108 (2010).
  25. Wolpert, D. M., Diedrichsen, J., Flanagan, J. R. Principles of sensorimotor learning. Nat rev Neurosci. 12, 739-751 (2011).
  26. McDermott, K., Juricevic, I., Bebis, G., Webster, M. A. Human Vision and Electronic Imaging. SPIE. Rogowitz, B. E., Pappas, T. N. 68060, V-1-10 (2008).
  27. Juricevic, I., Webster, M. A. Variations in normal color vision. V. Simulations of adaptation to natural color environments. Visual neurosci. 26, 133-145 (2009).
  28. Webster, M. A., Juricevic, I., McDermott, K. C. Simulations of adaptation and color appearance in observers with varying spectral sensitivity. Ophthalmic Physiol Opt. 30, 602-610 (2010).
  29. Webster, M. A. Probing the functions of contextual modulation by adapting images rather than observers. Vision res. , (2014).
  30. Webster, M. A. Human colour perception and its adaptation. Network: Computation in Neural Systems. 7, 587-634 (1996).
  31. Webster, M. A., Mollon, J. D. Colour constancy influenced by contrast adaptation. Nature. 373, 694-698 (1995).
  32. Brainard, D. H., Stockman, A. OSA Handbook of Optics. Bass, M. , 10-11 (2010).
  33. Maloney, L. T. Evaluation of linear models of surface spectral reflectance with small numbers of parameters. J Opt Soc Am A Opt Image Sci Vis. 3, 1673-1683 (1986).
  34. Mizokami, Y., Webster, M. A. Are Gaussian spectra a viable perceptual assumption in color appearance? J Opt Soc Am A Opt Image Sci Vis. 29, A10-A18 (2012).
  35. Chichilnisky, E. J., Wandell, B. A. Photoreceptor sensitivity changes explain color appearance shifts induced by large uniform backgrounds in dichoptic matching. Vision res. 35, 239-254 (1995).
  36. Boehm, A. E., MacLeod, D. I., Bosten, J. M. Compensation for red-green contrast loss in anomalous trichromats. J vision. 14, (2014).
  37. Regan, B. C., Mollon, J. D. Colour Vision Deficiencies. Vol. XIII. Cavonius, C. R. , Springer. Dordrecht. 261-270 (1997).
  38. Carandini, M., Heeger, D. J. Normalization as a canonical neural computation. Nature reviews. Neurosci. 13, 51-62 (2011).
  39. Rieke, F., Rudd, M. E. The challenges natural images pose for visual adaptation. Neuron. 64, 605-616 (2009).
  40. Hardy, J. L., Frederick, C. M., Kay, P., Werner, J. S. Color naming, lens aging, and grue: what the optics of the aging eye can teach us about color language. Psychol sci. 16, 321-327 (2005).
  41. Webster, M. A., Mollon, J. D. Adaptation and the color statistics of natural images. Vision res. 37, 3283-3298 (1997).
  42. Webster, M. A., Mizokami, Y., Webster, S. M. Seasonal variations in the color statistics of natural images. Network. 18, 213-233 (2007).
  43. Sagi, D. Perceptual learning in Vision Research. Vision res. , (2011).
  44. Lu, Z. L., Yu, C., Watanabe, T., Sagi, D., Levi, D. Perceptual learning: functions, mechanisms, and applications. Vision res. 50, 365-367 (2009).
  45. Bavelier, D., Green, C. S., Pouget, A., Schrater, P. Brain plasticity through the life span: learning to learn and action video games. Annu rev neurosci. 35, 391-416 (2012).
  46. Kompaniez, E., Abbey, C. K., Boone, J. M., Webster, M. A. Adaptation aftereffects in the perception of radiological images. PloS one. 8, e76175 (2013).
  47. Ross, H. Behavior and Perception in Strange Environments. , George Allen & Unwin. (1974).
  48. Armann, R., Jeffery, L., Calder, A. J., Rhodes, G. Race-specific norms for coding face identity and a functional role for norms. J vision. 11, 9 (2011).
  49. Oruc, I., Barton, J. J. Adaptation improves discrimination of face identity. Proc. R. Soc. A. 278, 2591-2597 (2011).
  50. Kording, K. P., Tenenbaum, J. B., Shadmehr, R. The dynamics of memory as a consequence of optimal adaptation to a changing body. Nature neurosci. 10, 779-786 (2007).
  51. Neitz, J., Carroll, J., Yamauchi, Y., Neitz, M., Williams, D. R. Color perception is mediated by a plastic neural mechanism that is adjustable in adults. Neuron. 35, 783-792 (2002).
  52. Delahunt, P. B., Webster, M. A., Ma, L., Werner, J. S. Long-term renormalization of chromatic mechanisms following cataract surgery. Visual neurosci. 21, 301-307 (2004).
  53. Bao, M., Engel, S. A. Distinct mechanism for long-term contrast adaptation. Proc Natl Acad Sci USA. 109, 5898-5903 (2012).
  54. Kwon, M., Legge, G. E., Fang, F., Cheong, A. M., He, S. Adaptive changes in visual cortex following prolonged contrast reduction. J vision. 9 (2), 1-16 (2009).
  55. Webster, M. A. Handbook of Color Psychology. Elliott, A., Fairchild, M. D., Franklin, A. , Cambridge University Press. 197-215 (2015).

Tags

Comportement numéro 122 les neurosciences la vision la perception l'adaptation couleur traitement d'image psychophysique modélisation simulations
Adaptation visuelle visualisant
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Webster, M. A., Tregillus, K. E. M.… More

Webster, M. A., Tregillus, K. E. M. Visualizing Visual Adaptation. J. Vis. Exp. (122), e54038, doi:10.3791/54038 (2017).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter