Waiting
Login processing...

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

Behavior

Visualisierung Visuelle Adaptation

Published: April 24, 2017 doi: 10.3791/54038

Summary

Dieser Artikel beschreibt ein neues Verfahren zur Simulation und Anpassung im visuellen System zu studieren.

Abstract

Viele Techniken wurden zur Visualisierung entwickelt , wie ein Bild an eine natürliche Person mit einer anderen Sichtempfindlichkeit erscheinen würde: zB aufgrund von optischen oder Altersunterschiede, oder einen Farbmangel oder Krankheit. Dieses Protokoll beschreibt eine Technik für die sensorische Anpassung in den Simulationen enthält. Das Protokoll wird mit dem Beispiel des Farbensehens dargestellt, sondern ist auf jede Form der visuellen Anpassung allgemein anwendbar. Das Protokoll verwendet ein einfaches Modell des menschlichen Farbsehens auf Basis von Standard und plausible Annahmen über die Netzhaut- und kortikale Mechanismen Kodierung Farbe und wie diese passen ihre Empfindlichkeit sowohl für die durchschnittliche Farbe und Farbbereich in dem vorherrschenden Reiz. Die Verstärkungen der Mechanismen angepasst werden, so dass ihre mittlere Antwort unter einem Kontext für einen anderen Kontext gleichgesetzt wird. Die Simulationen helfen, die theoretischen Grenzen der Anpassung zeigen und erzeugen „angepasst Bilder“, die einem bestimmten Enviro optimal aufeinander abgestimmt sind,nment oder Beobachter. Sie bieten auch eine gemeinsame Metrik die Auswirkungen der Anpassung innerhalb verschiedenen Beobachter oder unterschiedlicher Umgebungen zu erkunden. Charakterisieren visuelle Wahrnehmung und Leistung mit diesen Bildern stellt ein neues Werkzeug für die Untersuchung der Funktionen und Folgen der langfristigen Anpassung des Sehvermögens oder andere Sinnessysteme.

Introduction

Was könnte die Welt aussehen zu anderen oder uns selbst, wie wir ändern? Antworten auf diese Fragen sind von grundlegender Bedeutung für das Verständnis der Natur und Mechanismen der Wahrnehmung und die Folgen von sowohl normalen als auch klinischen Variationen in sensorischer Kodierung. Eine große Vielfalt von Techniken und Ansätzen entwickelt wurde, um zu simulieren, wie Bilder auf Personen mit unterschiedlichen visuellen Empfindlichkeiten erscheinen. Zum Beispiel umfasst diese Simulationen der Farben , die 1 durch verschiedene Arten von Farbmangel unterschieden werden kann, 2, 3, 4, die räumlichen und chromatische Abweichungen , die 5 von Kleinkindern oder älteren Beobachtern aufgelöst werden können, 6, 7, 8, 9 , wie Bilder erscheinen in peripherem Sehen up class = "Xref"> 10, und die Folgen von optischen Fehlern oder Krankheit 11, 12, 13, 14. Sie haben auch die Diskriminierung zu visualisieren angewandt worden ist, die möglich sind für andere Arten 15, 16, 17. Typischerweise verwenden solche Simulationen Messungen der Empfindlichkeitsverluste in verschiedenen Populationen, ein Bild zu filtern und somit zu reduzieren oder um die Struktur zu sehen, haben sie Schwierigkeiten entfernen. Zum Beispiel üblichsten Formen der Farbenblindheit reflektieren einen Verlust von einem der beiden Fotorezeptoren empfindlich auf mittlere oder lange Wellenlängen, und die Bilder gefiltert , um ihre Signale zu entfernen erscheinen typischerweise frei von „rötlich-grünlich“ Farbtöne 1. In ähnlicher Weise haben Kinder schlechtere Schärfen und damit die Bilder für ihre reduzierte räumliche Empfindlichkeit verarbeitet verschwommen erscheinen f . "> 5 Diese Techniken bieten wertvolle Darstellungen dessen , was eine Person sieht , dass ein anderer kann nicht jedoch sie es nicht tun -. und oft sind nicht dazu gedacht - porträtieren die eigentliche Wahrnehmungserfahrung des Betrachters, und in einigen Fällen kann das falsch darstellen Menge und Art der Informationen für den Betrachter zur Verfügung.

Dieser Artikel beschreibt eine neue Technik zu simulieren Unterschiede in der visuellen Erfahrung entwickelt , die eine grundlegende Eigenschaft der visuellen Codierung beinhaltet - Anpassung 18, 19. Alle sensorischen und motorischen Systeme anpassen kontinuierlich auf den Kontext, denen sie ausgesetzt sind. Ein stechender Geruch in einem Raum schnell verblasst, während Vision nimmt zu, wie hell oder dimmen das Zimmer ist. Wichtig ist , treten diese Anpassung für fast jeden Reiz Attribut, einschließlich „High-Level“ Wahrnehmungen wie die Merkmale von jemandes Gesicht 20,class = „Xref“> 21 oder ihre Stimme 22, 23, sowie die Kalibrierung der Motorbefehle aus , wenn die Augen zu bewegen oder für ein Objekt 24 zu erreichen, 25. In der Tat ist die Anpassung wahrscheinlich eine wesentliche Eigenschaft von fast allen neuronalen Verarbeitung. Dieses Papier zeigt , wie diese Anpassungseffekte in Simulationen der Darstellung von Bildern zu übernehmen, indem im Grunde „ die Anpassung des Bildes“ vorherzusagen , wie es zu einem bestimmten Beobachter unter einem bestimmten Zustand der Anpassung 26, 27, 28, 29 erscheinen würde. Viele Faktoren können die Empfindlichkeit eines Betrachters verändern, aber Anpassung kann für wichtige Aspekte dieser Veränderungen oft kompensieren, so dass die Empfindlichkeitsverluste weniger auffällig sind, als dies ohne die Annahme vorhergesagt werden, dass das System anpasst. Im Gegensatz dazu daAnpassung passt Empfindlichkeit entsprechend dem aktuellen Stimulus Kontext sind diese Anpassungen auch wichtig für die Vorhersage zu übernehmen, wie viel Wahrnehmung kann variieren, wenn die Umgebung ändert.

Das folgende Protokoll zeigt die Technik, die von dem Farbgehalt der Bilder anzupassen. Farbe Vision hat den Vorteil , dass die anfänglichen neuronalen Stufen der Farbcodierung relativ gut verstanden werden, wie die Anpassungsmuster 30. Die tatsächlichen Mechanismen und Anpassungen sind komplex und vielfältig, aber die wichtigsten Folgen der Anpassung kann unter Verwendung eines einfachen und herkömmlichen zweistufigen Modell (Abbildung 1a) eingefangen werden. In der ersten Stufe werden Farbsignale werden zunächst von drei Arten von Zapfenrezeptoren kodiert wird, die maximal empfindlich sind, um kurze, mittlere oder lange Wellenlängen (S, M, L und Kegel). In der zweiten Stufe werden die Signale von verschiedenen Kegeln innerhalb post-receptoral Zellen kombiniert „color-Gegner“ cha zu bildennnels die antagonistischen Eingaben von den verschiedenen Kegeln erhalten, und „nicht-Gegner“ -Kanäle (und damit „Farbe“ Informationen vermitteln), die die Eingänge cone summiert zusammen (also coding „Helligkeit“ Information). Die Anpassung erfolgt in beiden Phasen, und stellt sich auf zwei verschiedene Aspekte der Farbe - der Mittelwert (in den Kegeln) und die Varianz (in post-receptoral Kanäle) 30, 31. Das Ziel der Simulationen ist es, diese Anpassungen der Modell Mechanismen anzuwenden und dann das Bild von ihren angepasst Ausgänge machen.

Der Prozess der Anpassung der Bilder umfasst sechs Hauptkomponenten. Diese sind 1) die Auswahl der Bilder; 2) das Format für die Bildspektren der Wahl; 3), der die Änderung in der Farbe der Umwelt; 4), die die Änderung der Empfindlichkeit des Betrachters; 5) das Programm mit den angepasst Bilder zu erzeugen; und 6) unter Verwendung der Bilder, die Folgen der Anpassung zu bewerten. Ter folgende Auffassung, jeden dieser Schritte im Detail. Das Grundmodell und den Mechanismus Antworten sind in Abbildung 1 dargestellt, während die Figuren 2 bis 5 zeigen Beispiele von Bildern mit dem Modell gerendert.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

HINWEIS: Das Protokoll dargestellt verwendet ein Programm, das man Bilder auswählen und dann passen sie Optionen von verschiedenen Dropdown-Menüs ausgewählt werden.

1. Wählen Sie das Bild anpassen

  1. Klicken Sie auf das Bild, und suchen Sie nach dem Dateinamen des Bildes mit zu arbeiten. Beachten Sie das Originalbild in der linken oberen Fensterbereich.

2. die Stimulus angeben und den Observer

  1. Klicken Sie auf das Menü „Format“ zu wählen, wie das Bild und dem Betrachter darzustellen.
  2. Klicken Sie auf den „Normalbeobachter“ Option, um einen Standard oder durchschnittlichen Beobachter an eine bestimmte Farbverteilung Anpassung zu modellieren. In diesem Fall Standardgleichungen verwenden , den RGB - Wert des Bildes auf die Kegeln Empfindlichkeiten 32 zu konvertieren.
  3. Klicken Sie auf „einzelne Beobachter“ Option, um die spektrale Empfindlichkeit eines bestimmten Beobachter zu modellieren. Da diese Empfindlichkeiten sind wellenlängenabhängig ist, das Programm converts den RGB-Wert des Bildes in gun Spektren durch die Standard oder gemessene Emissionsspektren für die Anzeige verwendet wird.
  4. Klicken Sie auf „natürliche Spektren“ Option tatsächlichen Spektren in der Welt anzunähern. Diese Option wandelt die RGB - Werte zu Spektren, beispielsweise unter Verwendung von Standard - Basisfunktionen 33 oder Gaussian Spektren 34 das entsprechende Spektrum für die Bildfarbe anzunähern.

3. Wählen Sie die Anpassung Zustand

  1. Passen Sie entweder den gleichen Beobachter an unterschiedliche Umgebungen (zB in den Farben eines Waldes gegen Stadtlandschaft) oder verschiedene Beobachter zu der gleichen Umgebung (zB eine normale vs. Farbe defizienten Beobachter).
    1. Im ersteren Fall, verwenden Sie die Menüs, um die Umgebungen zu wählen. Im letzteren, Menüs, die Empfindlichkeit des Betrachters zu definieren.
  2. Um die Umgebungen zu setzen, wählen Sie die „Referenz“ und „test“ environments aus dem Dropdown-Menü. Diese steuern die beiden unterschiedlichen Zustände der Anpassung durch den Mechanismus Antworten für verschiedene Umgebungen geladen werden.
    1. Wählen Sie das „Referenz“ Menü der Startumgebung zu steuern. Dies ist die Umgebung, die vorbehaltlich angepasst ist, während das Originalbild angezeigt wird.
      HINWEIS: Die Auswahlmöglichkeiten sind für verschiedene Umgebungen gezeigt vorberechnet. Diese wurden aus Messungen der Farbumfänge abgeleitet für verschiedene Sammlungen von Bildern. Zum Beispiel untersuchte eine Anwendung wie die Farbwahrnehmung mit den Veränderungen in den Jahreszeit variieren könnte, durch kalibrierte Bilder von der gleichen Stelle zu unterschiedlichen Zeiten 27 genommen werden. Eine weitere Studie, zu untersuchen , wie die Anpassung könnte Farbe Perzepte an verschiedenen Standorten beeinflussen, vertreten die Positionen von Bildern verschiedener Szene Kategorien 29 abgetastet wird .
    2. Wählen Sie die „benutzerdefiniert“ -Umgebung, die Werte für eine benutzerdefinierte Umgebung zu laden. ObsErve ein Fenster zu durchsuchen und eine bestimmte Datei auswählen. Um diese Dateien für unabhängige Bilder zu erstellen, zeigen Sie jedes Bild aufgenommen werden (wie in Schritt 1) ​​und dann auf die Schaltfläche „Bild speichern Antworten“.
      Hinweis: das wird ein Fenster angezeigt, in dem man in eine Excel-Datei erstellen oder anfügen können die Antworten auf jedes Bild zu speichern. Um eine neue Datei zu erstellen, geben Sie die Dateinamen ein, oder suchen Sie eine bestehende Datei. Für bestehende Dateien werden die Antworten auf das aktuelle Bild hinzugefügt und die Antworten auf alle Bilder automatisch gemittelt. Diese Mittelwerte sind Input für die Referenzumgebung, wenn die Datei mit dem „benutzerdefiniert“ Option ausgewählt ist.
    3. Wählen Sie das Menü „Test“ für den Zugriff auf eine Liste von Umgebungen für das Bild eingestellt werden für. Wählen Sie die „aktuelles Bild“ Option den Mechanismus Antworten für das angezeigte Bild zu verwenden.
      HINWEIS: Diese Option setzt voraus, die Themen, um die Farben in dem Bild passen, die derzeit angezeigt wird. Ansonsten eine von t wählener vorberechnet Umgebungen oder die „benutzerdefiniert“ Option, um die Testumgebung zu laden.

4. Wählen Sie die spektrale Empfindlichkeit des Observer

HINWEIS: Für die Anpassung Auswirkungen verschiedener Umgebungen, wird der Beobachter bleibt in der Regel konstant, und wird auf den Standard „Normalbeobachter“ mit durchschnittlicher spektraler Empfindlichkeit eingestellt. Es gibt 3 Menüs für eine individuelle spektrale Empfindlichkeitseinstellung, die die Menge der Screenings Pigments oder die spektralen Empfindlichkeiten des Beobachters steuern.

  1. Klicken Sie auf die „Linse“ Menü, um die Dichte der Linse Pigment auszuwählen. Die verschiedenen Optionen ermöglichen, die Dichte charakteristisch unterschiedlichen Alters zu wählen.
  2. Klicken Sie auf dem „Makula“ -Menü auf ähnliche Weise die Dichte des Makulapigments wählen. Beachten Sie diese Optionen in Bezug auf die Spitzendichte des Pigments.
  3. Klicken Sie auf den „Kegel“ Menü wählen zwischen Beobachtern keinermal trichromacy oder verschiedene Arten von anomalen trichromacy.
    HINWEIS: Auf der Grundlage der Auswahl des Programms der Kegel spektralen Empfindlichkeiten des Beobachters, und einen Satz von 26 postreceptoral Kanäle definiert, die linear die cone Signale auf etwa gleichmäßig Probe unterschiedliche Farbe und Luminanz Kombinationen zusammenfassen.

5. Passen Sie das Bild

  1. Klicken Sie auf die „anpassen“ -Taste.
    HINWEIS: Dieser führt den Code für die Antworten des Kegels Berechnung und Post-receptoral Mechanismen zu jedem Pixel im Bild. Die Antwort ist so skaliert, dass die mittlere Reaktion auf die Anpassung der Farbverteilung der mittleren Antworten auf die Referenzverteilung entspricht, oder so, dass die durchschnittliche Antwort das gleiche für eine Person oder Referenz Beobachter ist. Die Skalierung ist multiplikative von Kries Anpassung 35 zu simulieren. Das neue Bild wird dann gemacht, indem der Mechanismus Antworten Summieren und zurück in RGB-Werte für die Anzeige umzuwandeln. Details des algorithm ist in 26, 27, 28, 29 gegeben.
  2. Beachten Sie drei neue Bilder auf dem Bildschirm. Diese sind gekennzeichnet als 1) „unangepassten“ - wie das Testbild mit jemandem voll auf die Referenzumgebung angepasst erscheinen soll; 2) „cone Adaptation“ - dieser zeigt das Bild, angepasst nur für die Anpassung in den Rezeptoren; und 3) „vollständige Anpassung“ - das zeigt das Bild durch eine vollständige Anpassung an die Veränderung der Umgebung oder den Beobachter vorhergesagt.
  3. Klicken Sie auf „Speichern von Bildern“, um die drei berechneten-Bilder zu speichern. Beachten Sie ein neues Fenster auf dem Bildschirm für den Ordner zu durchsuchen und die Dateinamen auswählen.

6. Bewerten Sie die Folgen der Anpassung

HINWEIS: Die ursprüngliche Referenz und angepasst Bilder simulieren, wie das gleiche Bild unter den beiden Staaten modellierter adapta erscheinen solltion, und wichtiger ist, unterscheiden sich nur wegen der Anpassung Zustand. Die Unterschiede in den Bildern so Einblick in die Folgen der Anpassung bieten.

  1. aussehen visuell auf die Unterschiede zwischen den Bildern.
    HINWEIS: Einfache Inspektion der Bilder kann zeigen helfen, wie viel Farbe Vision kann variieren, wenn sie in verschiedenen Farb Umgebungen leben, oder wie viel Anpassung könnte für eine Empfindlichkeitsänderung im Beobachter zu kompensieren.
  2. Quantifizierung dieser Anpassungseffekte durch Analysen oder Verhaltensmessungen mit den Bildern , um empirisch zu bewerten die Folgen der Anpassung 29 verwendet wird .
    1. Messen Sie, wie Farbe Aussehen ändert. Man vergleiche beispielsweise die Farben in den beiden Bildern, wie Farbkategorien oder Wahrnehmungs salience Verschiebung in verschiedenen Umgebungen oder Beobachter zu messen. Zum Beispiel analysiert Verwendung der Veränderungen in der Farbe mit Anpassung , wie sehr die einzigartigen Farben (zB reinen gelb oder blau) könnte theoretisch zu berechnen vary aufgrund von Schwankungen in der Farbumgebung des Betrachters 29.
    2. Fragen Sie, wie die Anpassung der visuellen Empfindlichkeit oder die Leistung auswirkt. Verwenden Sie zum Beispiel der angepassten Bilder zu vergleichen, ob visuelle Suche nach einer neuen Farbe schneller als Beobachter zuerst zu den Farben des Hintergrunds angepasst ist. Leitet das Experiment auf den Bildern eine Reihe von Zielen , die durch Überlagerung und unterschiedlich gefärbte Distraktoren , die zusammen mit den Bildern angepasst wurden, wobei die Reaktionszeiten gemessen für das ungeradzahligen Ziel 29 zu lokalisieren.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Die Figuren 2 bis 4 die Anpassung Simulationen für Veränderungen des Betrachters oder die Umwelt darstellen. 2 vergleicht die vorhergesagte Auftreten von Cézannes Stillleben mit Äpfeln für einen jüngeren und älteren Beobachter, der nur in der Dichte der Linse Pigment 28 unterscheiden. Das Originalbild , wie durch das jüngere Auge (Abbildung 2a) gesehen erscheint vielen yellower und Dimmer durch die dichten pigmentierte Linse (Abbildung 2b). (Die entsprechenden Verschiebungen der mittlere Farbe und Farbreaktionen sind in Abbildung 1c dargestellt.) Jedoch eine Anpassung an den durchschnittlichen spektrale Veränderung Rabatte fast alle der Farbdarstellung ändern (Abbildung 2c). Die ursprüngliche Farbe Antwort wird fast vollständig durch die Anpassung in den Zapfen zurückgewonnen, so dass nachfolgende Kontraständerungen vernachlässigbaren Effekt haben.

nt“fo: keep-together.within-page =‚1‘> 3 zeigt Iris van Gogh filternde Farberscheinung in einem deuteranomalous Beobachter zu simulieren, deren normale M Photopigment wird in Spitzenempfindlichkeit innerhalb von 6 nm des L verschoben Photopigment 28 . Adaptation in den Zapfen passt wieder für die mittlere Chromatizität Stimulus, aber die L vs. M kontrastiert von den anomalen Pigmente schwach sind (Abbildung 3b), entlang dieser Achse (1d) der Mechanismus Antworten zu komprimieren. Es wurde vorgeschlagen, dass van Gogh könnte die Verwendung von Farbe übertrieben für einen Farbmangel, da die Farben zu kompensieren er portraitiert kann natürlicher erscheinen, wenn für einen Mangel gefiltert. Allerdings prognostizierte Anpassung an den reduzierten Kontraste Kontrast, dass das Bild „erscheinen“ sollte wieder sehr ähnlich die normale und anomale Trichromie (3c), auch wenn diese auf den L viel schwächer intrinsische Empfindlichkeit 36 durch ihre Photopigment Empfindlichkeiten vorausgesagt werden würde, 37.

Abbildung 4 zeigt die Simulationen für eine Umgebungsänderung, durch die Simulation , wie das trübe Bild portraitiert von Monets Sonnenaufgang (Meer) zu einem Betrachter erscheinen könnte vollständig auf den Dunst angepasst (oder einen Künstler voll auf seine Malerei angepasst). Vor der Anpassung wird das Bild trübt und weitgehend monochromes (4a) und entsprechend die Mechanismus Antworten auf den Bildkontrast schwach sind (Figur 1e). Allerdings Anpassung an sowohl die mittlere chromatische Vorspannung und dem reduzierten Farbkontrast (in diesem Fall der Mechanismus Antworten für typische Szenen im Freien angepasst) normalisiert und erweitert den Farbraum wahrgenommen, so dass es vergleichbar istder Bereich der Farb Perzepte erfahren für gut beleuchtete Outdoor - Szene (Abbildung 4b).

Schließlich zeigt 5 Abbildung die beide in Abschnitt erwähnten Beispiele 6.2 des Protokolls für die Verwendung des Modells Farbensehen zu studieren. 5a zeigt die Munsell - Palette unter Anpassung an eine üppigen oder trockene Umgebung, während 5b die Verschiebungen in der Palette Stimuli erforderlich Plots rein rot erscheinen, grün, blau oder gelb, wenn der gleiche Beobachter zu einer Reihe von verschiedenen simulierten angepasst ist , Umgebungen. Dieser Bereich ist vergleichbar mit Messungen des tatsächlichen Reiz Bereich dieser Fokus Farben wie empirisch in der World Color Umfrage 29 gemessen. 5c stattdessen zeigt , wie ein Satz von eingebetteten Farben erscheint vor oder nach der Anpassung an eine Marslandschaft. Die Anpassung des Satzes für das Bild führte zu deutlich kürzeren Reaktionszeiten für die Suche nach dereinzigartige Farben in einer visuellen Suchaufgabe 29.

Abbildung 1
Abbildung 1: Das Modell. a) Die Antworten werden für Mechanismen mit den Empfindlichkeiten der Konen (die auf den Stimulus Mittelwert anzupassen modelliert) oder postreceptoral Kombinationen der Konen (die auf den Stimulus Varianz anzupassen. b) Jeder postreceptoral Mechanismus in eine andere Richtung in der farb- abgestimmt ist Luminanzraum, wie durch die Vektoren angegeben. Für die Simulationen 26 Mechanismen werden berechnet, die Probe in den Raum 45 ° -Intervallen (für die L Vs. M und S Vs. LM - Ebene dargestellt, und die L Vs. M und Luminanz - Ebene). c) die Reaktionen der Mechanismen in der equiluminant (L Vs. M und S Vs. LM) Ebene zu den Bildern in der oberen und der mittleren Platte von 2. Der mittlere Kontrast Antworten sind shselbst bei 22,5 ° -Intervallen um mehr vollständig darzustellen die Antwortverteilung, wenn das Modell auf den Kanälen auf 45 ° Intervallen basiert. In dem Originalbild (Figur 2a) die mittlere Chromatizität nahe bis grau (0,0) und Farben sind entlang eines bläulich-gelbliches Achse vorgespannt ist . Eine Erhöhung der Linsendichte des Betrachters erzeugt eine große Verschiebung in den mittleren Richtung Gelb (Abbildung 2b). d) Contrast Antworten für die Bilder in 3a & 3b gezeigt. Die Kegel Kontrasten in der ursprünglichen (3a) entlang der L Vs. komprimiert M - Achse für die Farbe defizienten Beobachter (Abbildung 3b). e) Contrast Antworten für die Bilder in 4a & 4B gezeigt. Die geringe Kontrast Antworten für das Originalbild (Figur 4a) sind folgende Anpassung erweitert, der die mittleren Antworten auf das Bild zu den Antworten entspricht fora Farbverteilung typisch für Außen natürliche Szenen (Abbildung 4b). Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Figur 2
Abbildung 2: Die Folgen von Lens Alterung zu simulieren. Cézannes Stillleben mit Äpfeln (a) verarbeitet eine alternde Linse (b) und Anpassung an die Linse (c) zu simulieren. Digitales Bild mit freundlicher Genehmigung der Open Content Programms Getty. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Abbildung 3
Abbildung 3: SimuAnomale Trichromacy ng. van Gogh Iris (a) kontrastiert die reduzierten Farb Simulieren in einem farb defizienten Beobachtern (b), und die vorhergesagten Auftreten in Beobachtern völlig angepasst an den verringerten Kontrast (c). Digitales Bild mit freundlicher Genehmigung der Open Content Programms Getty. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Abbildung 4
Abbildung 4: Simulieren Anpassung an einen geringen Kontrast Umwelt. Monets Sonnenaufgang (Meer). Das Originalbild (a) wird verarbeitet , um die Farberscheinung für einen Beobachter zu den niedrigen Kontrasten in der Szene (b) angepasst zu simulieren. Dies wurde durch Einstellung der Empfindlichkeit jeden Mechanismus Empfindlichkeit getan,dass die durchschnittliche Antwort in den Bildern der Farben ist auf die durchschnittliche Reaktion auf Farben für eine Sammlung von natürlichen Szenen im Freien gemessen gleich. Digitales Bild mit freundlicher Genehmigung der Open Content Programms Getty. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Abbildung 5
Abbildung 5. Verwendung des Modells Visual Performance zu untersuchen. a) Die Munsell - Palette unter Anpassung an die Farben einer üppigen oder trockenen Umgebung gemacht. b) Chips in der Palette , die rein rot, grün, blau oder gelb nach Anpassung an eine Reihe von verschiedenen Farbumgebungen erscheinen soll. Licht schattierten Symbole stellen den Bereich der durchschnittlichen Chip-Auswahlen aus den Sprachen der Welt Farbe Survey. c) Bilder der Oberfläche vonMars, wie sie für einen Beobachter angepasst zur Erde oder zum Mars erscheinen. Überlagerte Flecke zeigen Beispiele für die Impulse für die visuelle Suche Aufgabe hinzugefügt, und beinhalten eine Reihe von gleichmäßig gefärbt Distraktoren und einem verschiedenfarbigen Ziel. d) Im Experiment Suchzeiten wurden gemessen zum Lokalisieren des Ziels odd und waren wesentlich kürzer innerhalb der angepasst Mars adaptierten Bilder. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Das dargestellte Protokoll zeigt, wie die Auswirkungen der Anpassung an eine Veränderung in der Umwelt oder der Betrachter kann in Bildern dargestellt werden. Die Form dieser Darstellung auf den Annahmen, hängt für das Modell gemacht nimmt - zum Beispiel, wie Farbe codiert ist, und wie die Verschlüsselungsmechanismen reagieren und sich anzupassen. Somit ist der wichtigste Schritt auf dem Modell für das Farbsehen ist zu entscheiden - zum Beispiel, was die Eigenschaften der Hypothese Kanäle sind, und wie sie davon ausgegangen sind, anzupassen. Die anderen wichtigen Schritte sind, um geeignete Parameter für die Eigenschaften der beiden Umgebungen oder zwei Beobachter Empfindlichkeiten eingestellt, die Sie zwischen passen.

Das beschriebene Modell ist sehr einfach, und es gibt viele Möglichkeiten, in denen sie unvollständig ist und könnte je nach Anwendung erweitert werden. Zum Beispiel wird die Farbinformation nicht unabhängig von Form codiert sind, und die dargestellten Simulationen berücksichtigen nicht die räumliche StrukturDie Bilder oder neuraler rezeptiven Feldern, oder von bekannten Wechselwirkungen über Mechanismen wie Kontrastnormalisierungs 38. In ähnlicher Weise werden alle Pixel in den Bildern der gleiche Gewicht gegeben und damit die Simulationen enthalten keine räumlichen Faktoren wie, wie Szenen mit Augenbewegungen abgetastet werden. Die Anpassung des Modells wird auch verwendet, um einfache multiplikative Skalierung angenommen. Dies ist angemessen, für einige Formen der chromatischen Anpassung kann aber die Antwort Änderungen an post-receptoral Ebenen nicht richtig beschreiben. In ähnlicher Weise sind die Kontrastantwortfunktionen im Modell linear und somit nicht die tatsächlichen Antwortfunktionen von Neuronen simulieren. Eine weitere wichtige Einschränkung ist, dass die dargestellten Simulationen inkorporieren keine Geräusche. Wenn dieses Rauschen bei oder vor den Seiten der Anpassung stattfindet, dann kann eine Anpassung kann sowohl Signal und Rauschen einstellen und damit sehr unterschiedliche Auswirkungen auf Aussehen und Sehleistung 39. Ein Weg, umdie Auswirkungen von Rauschen simulieren ist zufällig Störungen in der Stimulus 28 einzuführen. Dies wird jedoch nicht imitieren, was dieses Geräusch „sieht aus wie“ für einen Beobachter.

Wie von den dargestellten Beispielen vorgeschlagen, können die Simulationen viele Eigenschaften von Farberlebnis erfassen, die nicht offensichtlich sind, wenn nur die spektrale und Kontrastempfindlichkeit des Betrachters, insbesondere Funktion zu unterstreichen die Bedeutung der Anpassung unter Berücksichtigung der Farbwahrnehmung bei der Normalisierung und für den Ausgleich Empfindlichkeitsgrenzen des Betrachters. In dieser Hinsicht stellt die Technik eine Reihe von Vorteilen und Anwendungen zur Visualisierung oder Vorhersage von visuellen Wahrnehmungen. Dazu gehören die folgenden:

Bessere Simulationen von Variant Sicht

Wie bereits erwähnt, Filtern ein Bild für eine andere Empfindlichkeit zeigen, was man empfindet, wenn Informationen in dem Bild verändert, aber tun weniger gut bei der Vorhersage, was einerBeobachter mit dieser Empfindlichkeit erfahren würden. Als Beispiel gefiltert ein grauer Fleck das Vergilben Linse eines älteren Auge des Betrachters zu simulieren Aussehen 9 yellower. Aber auch ältere Beobachter , die an ihre im Alter von Linsen gewöhnt sind , statt beschreiben und wahrscheinlich buchstäblich den Reiz als grau 40 sehen. Wie hier gezeigt, ist dies eine natürliche Folge der Anpassung im visuellen System 28, und damit diese Anpassung enthält für eine bessere wichtig ist die individuelle Wahrnehmungen zu visualisieren.

Ein gemeinsamer Mechanismus Vorhersage Unterschiede zwischen Beobachtern und zwischen den Umgebungen

Die meisten Simulationstechniken werden auf der Vorhersage Veränderungen des Betrachters fokussiert. Doch auch die Anpassung wird routinemäßig durch Veränderungen in der Welt 18, 19 angetrieben. Personen , die in verschiedenen visuellen Umgebungen eingetaucht (zB städtische Vs. ländlichen oder arid Vs. üppigen) werden sehr unterschiedliche Muster der Stimulation ausgesetzt , die zu sehr unterschiedlichen Zustände der Anpassung 41, 42 führen kann. Darüber hinaus sind diese Unterschiede zwischen den Individuen akzentuieren verschiedene Nischen in einer zunehmend spezialisierten und technischen Gesellschaft einnehmen (zB Künstler, Radiologe, Videospiel - Spieler, oder Taucher). Perceptual Lernen und Know - how wurden weitgehend untersucht und hängen von vielen Faktoren 43, 44, 45. Aber eine von ihnen kann einfach sein , Belichtung 46, 47. Zum Beispiel Wirkung ein Konto der „andere Rasse“, in dem Beobachter bei Scheidungs besser sind Gesichter mit unserer eigenen ethnischen Zugehörigkeit, ist , weil sie auf die Flächen angepasst sind sie üblicherweise 48, 49 stoßen. Die Anpassung stellt eine Common Metrik für die Auswirkungen einer Empfindlichkeitsänderung Vs. Auswerten Reizänderung auf die Wahrnehmung und damit zur Vorhersage , wie zwei verschiedene Beobachter die gleiche Welt erleben könnte Vs. Platzieren die gleichen Beobachter in zwei verschiedenen Welten.

Die Bewertung der langfristigen Folgen der Anpassung

Eigentlich Beobachter Anpassung und dann messen, wie sie ihre Sensibilität und Wahrnehmungsänderung ist eine gut etablierte und ausgiebig psycho-physische Technik untersucht. Allerdings sind diese Messungen typischerweise auf kurzfristige Forderungen beschränkt Minuten oder Stunden dauern. Zunehmende Hinweise darauf , dass auch die Anpassung über viel längere Zeiträume arbeitet , die viel schwieriger empirisch 50 zu testen, 51, 52, 53, 54. Anpassung Simulieren hat den Vorteil des Drückens ADAPtation heißt es, um ihre theoretischen Grenzen langfristigen und damit Zeitskalen zu erforschen, die experimentell nicht praktikabel sind. Es ermöglicht auch die Prüfung der Wahrnehmungs Folgen der allmählichen Veränderungen wie Alterung oder eine fortschreitende Erkrankung.

Die Bewertung der potenziellen Vorteile der Anpassung

Ein verwandtes Problem ist, dass viele Funktionen zur Anpassung vorgeschlagen, Leistungsverbesserungen sind oft nicht ersichtlich, in Studien der kurzfristigen Anpassung, und das teilweise sein kann, da diese Verbesserungen nur über längere Zeiträume entstehen. Testen , wie gut angepasst unterschiedlichen Sehaufgaben mit Bildern durchführen können Beobachter diese Zeitpläne zu simulieren stellt ein neues Verfahren für die Erkundung der Wahrnehmungs Vorteile und Kosten der Anpassung 29.

Prüfmechanismen von Visual Coding and Adaptation

Die Simulationen können dazu beitragen, die beiden unterschiedlichen Modelle der visuell mir zu visualisieren und vergleichenchanisms und verschiedene Modelle, wie diese Mechanismen passen ihre Empfindlichkeit. Solche Vergleiche können helfen, die relative Bedeutung der verschiedenen Aspekte der visuellen Codierung für die Sehleistung und Wahrnehmung zu offenbaren.

Die Anpassung von Bildern auf Beobachter

In dem Maße, dass die Anpassung eines besser zu sehen hilft, solche Simulationen bieten eine potentiell leistungsfähiges Werkzeug für die Modelle der Bildverarbeitung zu entwickeln, die eine bessere Information für Beobachter hervorheben können. Solche Bildverbesserungstechniken sind weit verbreitet, aber der vorliegende Ansatz ist so konzipiert, um ein Bild in einer Weise, in der das eigentliche Gehirn paßt, einzustellen und somit die tatsächlichen Kodierungsstrategien zu simulieren, die das visuelle System zu nutzen, entwickelt. Vorbearbeitung Bilder auf diese Weise im Prinzip könnte die Notwendigkeit für Beobachter entfernen, zu einer neuen Umgebung visuell akklimatisieren , indem stattdessen die Anpassung anzupassen Einstellen von Bildern , heißt es, dass Beobachter zur Zeit in 26 sind,

Es mag unrealistisch erscheinen , dass die Anpassung vorschlagen könnte fast in der Praxis Rabatt vollständig eine Empfindlichkeitsänderung unserer Wahrnehmungen, doch gibt es viele Beispiele , in denen Perzepte 55 unbeeinflusst von dramatischen Empfindlichkeitsunterschiede erscheinen zu tun, und es ist eine empirische Frage , wie vollständig die Anpassung für alle ist gegebenen Fall - eine, die auch adressiert werden angepasst Bilder könnten. In jedem Fall, wenn das Ziel, die Wahrnehmungserfahrung eines Betrachters sichtbar zu machen ist, dann kommen diese Simulationen wohl viel näher an diese Erfahrung als herkömmliche Simulationen charakterisieren, basierend nur das Bild auf Filtern. Darüber hinaus bieten sie ein neues Werkzeug für die Vorhersage und Prüfung der Folgen und Funktionen der sensorischen Anpassung 29. Auch hier ist diese Anpassung allgegenwärtig in sensorischen Verarbeitung und ähnliche Modelle genutzt werden, um die Auswirkungen der Anpassung auf andere visuelle Attribute und andere s zu erkundenenses.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts zu offenbaren.

Acknowledgments

Unterstützt von National Institutes of Health (NIH) Zuschuss EY-10834.

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

Verhalten Ausgabe 122 Neuroscience Vision Wahrnehmung Anpassung Farbe Bildverarbeitung Psychophysik Modellierung Simulationen
Visualisierung Visuelle Adaptation
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