Waiting
Login processing...

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

Behavior

Visualizzazione visiva Adattamento

Published: April 24, 2017 doi: 10.3791/54038

Summary

Questo articolo descrive un nuovo metodo per la simulazione e lo studio di adattamento nel sistema visivo.

Abstract

Molte tecniche sono state sviluppate per visualizzare come un'immagine sembrerebbe un individuo con una diversa sensibilità visiva: ad esempio, a causa delle differenze ottici o di età, oppure un deficit di colore o di malattia. Questo protocollo descrive una tecnica per introdurre l'adattamento sensoriale in simulazioni. Il protocollo è illustrato con l'esempio della visione del colore, ma è generalmente applicabile a qualsiasi forma di adattamento visivo. Il protocollo utilizza un semplice modello di colore visione umana basata su ipotesi standard e plausibili circa il colore della retina e meccanismi corticali codifica e come questi regolare la loro sensibilità sia al colore medio e la gamma di colori nello stimolo prevalente. I guadagni dei meccanismi sono adattate in modo che la loro risposta media sotto un contesto viene assimilato per un contesto diverso. Le simulazioni aiutano a rivelare i limiti teorici di adattamento e di generare "immagini" adattati in modo ottimale abbinati ad una specifica environment o osservatore. Essi forniscono inoltre una metrica comune per esplorare gli effetti di adattamento all'interno di diversi osservatori o ambienti diversi. Caratterizzazione percezione visiva e le prestazioni con queste immagini fornisce un nuovo strumento per studiare le funzioni e le conseguenze di adattamento a lungo termine in visione o altri sistemi sensoriali.

Introduction

Quale potrebbe essere il mondo simile ad altri, o per noi stessi come si cambia? Le risposte a queste domande sono di fondamentale importanza per comprendere la natura e meccanismi di percezione e le conseguenze di entrambe le varianti normali e clinici codifica sensoriale. Una grande varietà di tecniche e approcci sono stati sviluppati per simulare come le immagini possono apparire alle persone con diverse sensibilità visiva. Ad esempio, questi includono simulazioni di colori che possono essere discriminati da diversi tipi di difetto di colore 1, 2, 3, 4, le differenze spaziali e cromatiche che possono essere risolti da neonati o osservatori anziani 5, 6, 7, 8, 9 , come le immagini appaiono in visione periferica up class = "xref"> 10, e le conseguenze di errori ottiche o malattia 11, 12, 13, 14. Essi sono anche stati applicati per visualizzare le discriminazioni che sono possibili altre specie 15, 16, 17. Tipicamente, tali simulazioni utilizzano misurazioni delle perdite di sensibilità in diverse popolazioni di filtrare un'immagine e quindi ridurre o eliminare la struttura hanno difficoltà a vedere. Ad esempio, forme comuni di daltonismo riflettono una perdita di una delle due fotorecettori sensibili alle lunghezze d'onda medie o lunghe, e immagini filtrate per rimuovere i loro segnali tipicamente appaiono privi di tonalità "rosso-verdastro" 1. Analogamente, i bambini hanno più povera acuità, e così le immagini elaborate per la loro ridotta sensibilità spaziale appaiono sfocati . f "> 5 Queste tecniche forniscono preziose illustrazioni di ciò che una persona può vedere che un altro non può tuttavia, non lo fanno -. e spesso non sono destinati a - ritrarre l'esperienza reale percettiva dell'osservatore, e in alcuni casi può travisare la quantità e il tipo di informazioni disponibili per l'osservatore.

Questo articolo descrive una nuova tecnica sviluppata per simulare le differenze di esperienza visiva che incorpora una caratteristica fondamentale della codifica visiva - adattamento 18, 19. Tutti i sistemi sensoriali e motori adattano continuamente al contesto a cui sono esposti. Un odore pungente in una stanza svanisce rapidamente, mentre la visione può ospitare a come brillante o dim la stanza è. È importante sottolineare che questi aggiustamenti si verificano per quasi qualsiasi attributo stimolo, tra cui percezioni "di alto livello", come le caratteristiche del volto di qualcuno 20,class = "xref"> 21 o la voce 22, 23, nonché la calibratura dei comandi motori realizzati durante il movimento degli occhi o raggiungendo per un oggetto 24, 25. In realtà, l'adattamento è probabile una proprietà essenziale di quasi tutti i processi neurali. Questo documento illustra come incorporare questi effetti di adattamento nelle simulazioni l'aspetto delle immagini, da fondamentalmente "adattando l'immagine" per prevedere come sembrerebbe ad un osservatore specifico in uno stato specifico di adattamento 26, 27, 28, 29. Molti fattori possono alterare la sensibilità di un osservatore, ma adattamento spesso può compensare per importanti aspetti di queste modifiche, in modo che le perdite di sensibilità sono meno cospicuo di quanto sarebbe previsto senza assumere che il sistema si adatta. Viceversa, poichéadattamento regola la sensibilità in base al contesto di stimolo attuale, queste regolazioni sono importanti anche per incorporare per prevedere quanto la percezione può variare quando l'ambiente varia.

Il seguente protocollo illustra la tecnica adattando il contenuto del colore delle immagini. Visione colore ha il vantaggio che le fasi iniziali neurali di codifica a colori sono relativamente ben compresi, come sono i modelli di adattamento 30. I meccanismi reali e regolazioni sono complesse e vario, ma le principali conseguenze di adattamento possono essere acquisite utilizzando una semplice e modello a due stadi convenzionale (Figura 1a). Nella prima fase, i segnali di colore sono inizialmente codificati da tre tipi di fotorecettori coni che sono massimamente sensibile a breve, medio o lungo lunghezze d'onda (S, M e L coni). Nella seconda fase, i segnali provenienti da diversi coni sono combinate in cellule post-recettoriali per formare "color-avversario" channels che ricevono ingressi antagonistici dai diversi coni (e quindi trasmettere informazioni "colore"), e canali "non-antagoniste" che sintetizzano insieme gli ingressi cono (codifica quindi "luminosità" informazioni). Adattamento si verifica in entrambe le fasi, e si posiziona a due diversi aspetti del colore - della media (nei coni) e la varianza (nei canali post-recettoriali) 30, 31. L'obiettivo della simulazione è di applicare queste regolazioni ai meccanismi del modello e quindi rendere l'immagine da loro uscite adattati.

Il processo di adattamento immagini coinvolge sei componenti principali. Questi sono 1) scegliendo le immagini; 2) scegliere il formato per gli spettri di immagine; 3) definente il cambiamento di colore dell'ambiente; 4) definente la variazione della sensibilità dell'osservatore; 5) utilizzando il programma per creare le immagini adatte; e 6) con le immagini per valutare le conseguenze di adattamento. Tha riportata considera ciascuno di questi passi in dettaglio. Il modello e meccanismo di risposte di base sono illustrati nella Figura 1, mentre le figure 2 - 5 mostrano esempi di immagini rese con il modello.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

NOTA: Il protocollo illustrato utilizza un programma che permette di selezionare le immagini e poi adattarli utilizzando le opzioni selezionate da diversi menu a discesa.

1. Selezionare l'immagine da Adapt

  1. Clicca sull'immagine e cercare il nome del file di immagine con cui lavorare. Osservare l'immagine originale nel riquadro in alto a sinistra.

2. Specificare lo stimolo e l'Observer

  1. Fare clic sul menu "Formato" per scegliere come rappresentare l'immagine e l'osservatore.
  2. Fare clic sull'opzione "osservatore standard" per modellare un osservatore standard o medio adattamento ad una distribuzione colore specifico. In questo caso, utilizzare equazioni standard per convertire i valori RGB dell'immagine alla sensibilità cono 32.
  3. Clicca su opzione "individuale osservatore" per modellare le sensibilità spettrali di un osservatore specifica. Poiché queste sensibilità sono lunghezza d'onda-dipendente, il programma converts i valori RGB dell'immagine in spettri pistola utilizzando gli spettri standard o emissione misurata per il display.
  4. Clicca su opzione "spettri naturale" per approssimare spettri reale nel mondo. Questa opzione converte i valori RGB di spettri, ad esempio utilizzando funzioni base standard di 33 o spettri gaussiana 34 per approssimare lo spettro corrispondente per il colore dell'immagine.

3. Selezionare la condizione di adattamento

  1. Adattare sia lo stesso osservatore a diversi ambienti (ad esempio, ai colori di una foresta contro paesaggio urbano), o diversi osservatori per lo stesso ambiente (ad esempio, un normale vs colore osservatore carente).
    1. Nel primo caso, utilizzare i menu per selezionare gli ambienti. In quest'ultimo, utilizzare i menu per definire la sensibilità dell'osservatore.
  2. Per impostare gli ambienti, selezionare l'opzione "di riferimento" e envir "test"onments dai menu a discesa. Questi controllano i due diversi stati di adattamento caricando le risposte meccanismo per diversi ambienti.
    1. Scegliere il menu "di riferimento" per controllare l'ambiente di partenza. Questo è l'ambiente il soggetto è atta a durante la visualizzazione dell'immagine originale.
      NOTA: Le scelte indicate sono state precalcolate per ambienti diversi. Questi sono stati ottenuti da misurazioni delle gamme di colore per le diverse collezioni di immagini. Ad esempio, un'applicazione esaminato come la percezione del colore può variare con cambiamenti nelle stagioni base immagini calibrate prese dalla stessa posizione in tempi diversi 27. Un altro studio, esplorando come l'adattamento potrebbe influenzare le percezioni del colore tra le diverse posizioni, ha rappresentato le posizioni campionando le immagini di diverse categorie di scena 29.
    2. Selezionare l'ambiente "definita dall'utente" per caricare i valori per un ambiente personalizzato. observe una finestra per sfogliare e selezionare un determinato file. Per creare questi file per le immagini indipendenti, visualizzare ciascuna immagine da inserire (come al punto 1) e quindi fare clic sul pulsante "Salva le risposte di immagine".
      NOTA: Questo visualizzerà una finestra in cui è possibile creare o aggiungere in un file Excel memorizzare le risposte a ciascuna immagine. Per creare un nuovo file, inserire il nome del file, o cercare un file esistente. Per i file esistenti, sono aggiunte le risposte alla immagine corrente e quelli inviati automaticamente tutte le immagini media. Queste medie sono input per l'ambiente di riferimento quando viene selezionato il file con l'opzione "definito dall'utente".
    3. Selezionare il menu "test" per accedere a un elenco di ambienti per l'immagine da regolare per. Selezionare l'opzione "immagine corrente", per usare le risposte meccanismo per l'immagine visualizzata.
      NOTA: Questa opzione presuppone i soggetti si stanno adeguando ai colori dell'immagine che viene attualmente visualizzato. In caso contrario, selezionare una delle tegli precalcolati ambienti o l'opzione "definito dall'utente" per caricare l'ambiente di test.

4. Selezionare la sensibilità spettrale dell'Osservatore

NOTA: per gli effetti di adattamento dei diversi ambienti, l'osservatore di solito rimanere costante, ed è impostato per default "osservatore standard" con sensibilità spettrale media. Ci sono 3 menu per impostare una sensibilità spettrale individuale, che controllano la quantità di pigmento screening o la sensibilità spettrali dell'osservatore.

  1. Fare clic sul menu "lente" per selezionare la densità del pigmento lente. Le diverse opzioni permettono di scegliere la caratteristica densità delle diverse età.
  2. Fare clic sul menu "maculare" per similmente selezionare la densità del pigmento maculare. Osservare queste opzioni in termini di densità di picco del pigmento.
  3. Fare clic sul menu "coni" per scegliere tra gli osservatori senzarmal tricromazia o diversi tipi di tricromazia anomala.
    NOTA: Sulla base delle scelte del programma definisce le cono sensibilità spettrali dell'osservatore e un insieme di 26 canali postreceptoral che combinano linearmente i segnali cono a circa uniformemente campione combinazioni di colore e luminanza differenti.

5. Adattare l'immagine

  1. Fare clic sul pulsante "adattarsi".
    NOTA: Questo esegue il codice per calcolare le risposte dei coni e meccanismi post-recettoriali a ciascun pixel dell'immagine. La risposta è adattato in modo che la risposta media per la distribuzione del colore adattando uguale le risposte medie per la distribuzione di riferimento, o in modo che la risposta media è lo stesso per un osservatore individuo o di riferimento. La scala è moltiplicativa di simulare von Kries adattamento 35. La nuova immagine viene quindi reso sommando le risposte meccanismo e riconversione valori RGB per la visualizzazione. Dettagli del ALGorithm sono date in 26, 27, 28, 29.
  2. Osservare tre nuove immagini sullo schermo. Questi sono etichettate come 1) "inadatto" - come l'immagine di prova dovrebbe apparire a qualcuno completamente adattato all'ambiente di riferimento; 2) "cono adattamento" - questa mostra l'immagine regolata solo per adattamento nei recettori; e 3) "adattamento pieno" - questa mostra l'immagine predetto da completo adattamento al cambiamento nell'ambiente o l'osservatore.
  3. Fare clic sul pulsante "salvare le immagini" per salvare le tre immagini elaborate. Osservare una nuova finestra sullo schermo per cercare la cartella e selezionare il nome del file.

6. valutare le conseguenze dell'adattamento

NOTA: Il riferimento originale e adattati immagini simulano come la stessa immagine dovrebbe apparire sotto i due stati di adapta modellatozione, e, soprattutto, si differenziano solo a causa dello stato di adattamento. Le differenze nelle immagini forniscono così spaccato conseguenze della adattamento.

  1. Visivamente guardare le differenze tra le immagini.
    NOTA: l'ispezione semplice delle immagini può aiutare a dimostrare quanto la visione dei colori può variare quando si vive in ambienti diversi colori, o quanto l'adattamento potrebbe compensare un cambiamento di sensibilità nell'osservatore.
  2. Quantificare questi effetti di adattamento utilizzando analisi o misure comportamentali con le immagini di valutare empiricamente le conseguenze della adattamento 29.
    1. Misurare quanto aspetto cambia colore. Ad esempio, confrontare i colori nelle due immagini per misurare come categorie di colore o percettiva spostamento salienza in ambienti diversi o osservatori. Ad esempio, l'uso di analisi dei cambiamenti di colore con l'adattamento per calcolare quanto le tinte uniche (ad esempio, puro giallo o blu) potrebbe teoricamente vARY causa di variazioni nell'ambiente colore dell'osservatore 29.
    2. Chiedi come l'adattamento influisce sensibilità visiva o le prestazioni. Ad esempio, utilizzare le immagini adatte per confrontare se ricerca visiva per un colore romanzo è più veloce quando gli osservatori vengono prima adattati ai colori dello sfondo. Realizzare la sperimentazione sovrapponendo le immagini di una serie di obiettivi e distrattori diversamente colorate che sono stati adattati insieme alle immagini, con i tempi di reazione misurati per localizzare il dispari bersaglio 29.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Le figure di 2 - 4 illustrano le simulazioni di adattamento per modifiche nell'osservatore o dell'ambiente. La figura 2 confronta l'aspetto previsto di Vita Ancora di Cézanne con mele per un osservatore di giovani e meno giovani, che si differenziano solo per la densità del pigmento dell'obiettivo 28. L'immagine originale come visto attraverso l'occhio più giovane (Figura 2a) appare molto più gialla e dimmer attraverso la lente più densamente pigmentata (Figura 2b). (Gli spostamenti corrispondenti nelle risposte di colore medio e cromatiche è illustrato nella figura 1c). Tuttavia, l'adattamento alle sconti medi cambiamento spettrale quasi tutto il cambiamento di colore aspetto (Figura 2C). La risposta colore originale è quasi completamente recuperato per l'adattamento nei coni, in modo che le successive modifiche contrasto hanno effetto trascurabile.

nt" fo: keep-together.within-page = '1'> Figura 3 mostra iridi di van Gogh filtrati per simulare l'aspetto del colore in un osservatore deuteranomalous, la cui normale M fotopigmento viene spostata nella sensibilità di picco entro 6 nm L fotopigmento 28 . adattamento nei coni regola ancora per la cromaticità media stimolo, ma la L vs M contrasta dai pigmenti anomali sono deboli (Figura 3b), comprimendo le risposte meccanismo lungo questo asse (Figura 1d). è stato suggerito che van Gogh potrebbe aver esagerato l'uso del colore per compensare una carenza di colore, dal momento che i colori che interpretava può apparire più naturale quando filtrata per una carenza. Tuttavia, contrasto adattamento ai contrasti ridotti prevede che l'immagine dovrebbe di nuovo "apparire" molto simile a quello normale e anomalo tricromati (figura 3c), anche se quest'ultimo è molto più debole sensibilità intrinseca alla L 36, 37.

La figura 4 mostra le simulazioni per un cambiamento ambientale, simulando come l'immagine confusa ritratta da Monet Sunrise (Marine) potrebbe apparire ad un osservatore completamente adattato per la foschia (o ad un artista completamente adattato alla sua pittura). Prima di adattamento l'immagine appare torbido e largamente monocromatico (figura 4a), e corrispondentemente le risposte meccanismo al contrasto dell'immagine sono deboli (Figura 1e). Tuttavia, l'adattamento sia alla polarizzazione cromatica media e la ridotta contrasto cromatico (in questo caso per abbinare le risposte meccanismo di scene tipiche outdoor) normalizza ed espande la gamma colore percepito in modo che sia paragonabile ala gamma di percezioni colore sperimentato per scena all'aperto luminoso (Figura 4b).

Infine, la Figura 5 illustra i due esempi osservato nella sezione 6.2 del protocollo per l'utilizzo del modello per studiare visione dei colori. La Figura 5a mostra la Munsell Palette sotto l'adattamento ad un ambiente rigoglioso arido, mentre la Figura 5b traccia i cambiamenti nella stimoli palette necessarie per apparire rosso puro, verde, blu, o giallo, quando lo stesso osservatore è adattato ad una gamma di differenti simulato ambienti. Questo intervallo è paragonabile alle misurazioni della gamma stimolo effettivo di questi colori focali misurata empiricamente nel Color World Survey 29. Figura 5c mostra invece come un insieme di colori incorporati comparire prima o dopo l'adattamento ad un paesaggio marziano. Adattare il set per l'immagine ha portato a tempi di reazione più brevi in ​​modo significativo per l'individuazione delcolori unici in una ricerca compito visivo 29.

Figura 1
Figura 1: Il modello. a) Le risposte sono modellati per i meccanismi con sensibilità dei coni (che si adattano alla media stimolo) o combinazioni postreceptoral dei coni (che si adattano alla varianza stimolo. b) Ciascun meccanismo postreceptoral è sintonizzata su una direzione diversa nel colore- spazio luminanza, come indicato dai vettori. Per le simulazioni 26 meccanismi sono calcolati, quale campione lo spazio in intervalli di 45 ° (mostrato per la L Vs. M e S Vs. aereo LM, e L Vs. M e piano di luminanza). c) Le risposte dei meccanismi nella equiluminant (L Vs. M e S Vs. LM) aereo per le immagini nella parte superiore e pannello centrale della figura 2. Significano risposte di contrasto sono shproprio a 22.5 ° intervalli per più pienamente ritraggono la distribuzione della risposta, anche se il modello si basa su canali a intervalli di 45 °. Nell'immagine originale (figura 2a) la cromaticità medio è vicino al grigio (0,0) ed i colori sono polarizzati lungo un asse bluastro-giallastro. Aumentando la densità lente dell'osservatore produce un grande cambiamento nella media al giallo (Figura 2b). d) Contrasto risposte per le immagini mostrate in figura 3a e 3b. I contrasti cono in originale (figura 3a) vengono compressi lungo la L vs. Asse M per il colore carente osservatore (Figura 3b). e) Contrasto risposte per le immagini mostrate in figura 4a e 4b. Le risposte basso contrasto per l'immagine originale (Figura 4a) sono espansi seguente adattamento, che corrisponde alle risposte medi alla pittura alle risposte fodistribuzione del colore ra tipica di scene naturali esterni (Figura 4b). Si prega di cliccare qui per vedere una versione più grande di questa figura.

figura 2
Figura 2: simulare le conseguenze di Lens Aging. Natura morta di Cezanne con mele (a) trattati per simulare una lente invecchiamento (b) e l'adattamento alla lente (c). per gentile concessione Immagine digitale di programma Open Content del Getty. Si prega di cliccare qui per vedere una versione più grande di questa figura.

Figura 3
Figura 3: Simulating anomala tricromazia. Iris di Van Gogh (a) simulare il colore ridotta contrasti in un osservatore colore-deficienti (b), e la comparsa prevista in osservatori completamente adattate al contrasto ridotta (c). per gentile concessione Immagine digitale di programma Open Content del Getty. Si prega di cliccare qui per vedere una versione più grande di questa figura.

Figura 4
Figura 4: Simulazione di adeguarle al contesto Basso contrasto. Di Monet Sunrise (Marine). L'immagine originale (a) viene elaborato per simulare l'aspetto del colore per un osservatore adattato ai bassi contrasti nella scena (b). Ciò è stato fatto regolando la sensibilità della sensibilità di ogni meccanismo in modoche la risposta media per i colori nei dipinti è uguale alla risposta media per i colori misurati per una raccolta di scene in esterni naturali. per gentile concessione Immagine digitale di programma Open Content del Getty. Si prega di cliccare qui per vedere una versione più grande di questa figura.

Figura 5
Figura 5. Utilizzando il modello per esaminare Visual Performance. a) La palette Munsell reso sotto l'adattamento ai colori di un ambiente lussureggiante e arido. b) Chips nella tavolozza che dovrebbe apparire rosso puro, verde, blu o giallo dopo l'adattamento a una serie di ambienti diversi colori. simboli di luce-ombra tracciare la gamma di selezioni medio del truciolo dalle lingue del colore Survey mondo. c) Le immagini della superficie diMars quanto potrebbe apparire a un osservatore atto a Terra o Marte. macchie sovrapposte mostrano esempi dei stimoli aggiunto per l'attività di ricerca visiva, e comprendono una serie di distrattori uniformemente colorati e un obiettivo diverso colore. d) Nell'esperimento tempi di ricerca sono stati misurati per la localizzazione del bersaglio dispari, e sono sostanzialmente più brevi nelle immagini Mars-adattate adattati. Si prega di cliccare qui per vedere una versione più grande di questa figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Il protocollo illustrato dimostra come gli effetti di adattamento al cambiamento nell'ambiente o l'osservatore possono essere ritratte in immagini. La forma questa rappresentazione assume dipenderà dalle assunzioni fatte per il modello - per esempio, come il colore è codificato, e come i meccanismi di codifica rispondere e adattarsi. Così il passo più importante è decidere sul modello della visione a colori - per esempio quello che le proprietà dei canali ipotizzati sono, e come sono assunto ad adattarsi. Gli altri passi importanti sono per impostare i parametri appropriati per le proprietà dei due ambienti, o due sensibilità osservatore, che si stanno adattando mezzo.

Il modello illustrato è molto semplice, e ci sono molti modi in cui è incompleta e può essere ampliato a seconda dell'applicazione. Per esempio, informazioni sul colore non è codificato indipendentemente da forma e le simulazioni illustrate non tengono conto della struttura spaziale dile immagini o di campi recettivi neurali, o di interazioni note attraverso meccanismi quali la normalizzazione contrasto 38. Analogamente, tutti i pixel nelle immagini da assicurare parità di peso, e quindi le simulazioni non incorporano fattori spaziali come il modo scene sono campionati con movimenti oculari. L'adattamento del modello è anche assunto per rappresentare semplice ridimensionamento moltiplicativo. Questo è appropriato per alcune forme di adattamento cromatico ma non può descrivere correttamente le modifiche di risposta a livello post-recettoriali. Analogamente, le funzioni di risposta contrasto del modello sono lineari e quindi non simulano le funzioni di risposta effettivi dei neuroni. Un ulteriore importante limitazione è che le simulazioni illustrate non incorporano rumore. Se si verifica questo rumore o prima ai siti dell'adattamento, quindi adattamento può regolare sia segnale e rumore e di conseguenza può avere effetti molto diversi sulla aspetto e prestazioni visive 39. Un modo persimulare gli effetti del rumore è quello di introdurre perturbazioni casuali nello stimolo 28. Tuttavia, questo non imitare ciò che questo rumore "si presenta come" per un osservatore.

Come suggerito dagli esempi illustrati, le simulazioni possono catturare molte proprietà di esperienza colore che non sono evidenti se si considera solo la sensibilità spettrale e contrasto dell'osservatore, ed in particolare la funzione di evidenziare l'importanza dell'adattamento a normalizzare la percezione del colore e compensare la limiti di sensibilità dell'osservatore. A questo proposito, la tecnica offre una serie di vantaggi e applicazioni per la visualizzazione o per prevedere percezioni visive. Questi sono i seguenti:

Meglio Simulazioni di Variante Vision

Come notato, filtrando un'immagine per una diversa sensibilità svela cosa si prova quando le informazioni nell'immagine è alterata, ma fa meno bene a prevedere cosa unosservatore con quella sensibilità avrebbe sperimentato. A titolo di esempio, una patch grigia filtrato per simulare la lente dell'occhio ingiallimento un vecchio di osservatore guarda più gialla 9. Ma gli osservatori più anziani che sono abituati a loro lenti di età compresa invece descrivono e probabilmente letteralmente vedere lo stimolo come grigio 40. Come mostrato qui, questa è una conseguenza naturale di adattamento del sistema visivo 28, e incorporando questo adattamento è importante per una migliore visualizzazione percezioni di un individuo.

Un meccanismo comune Predire Differenze tra osservatori e tra gli ambienti

La maggior parte delle tecniche di simulazione sono focalizzati sulla previsione dei mutamenti nella dell'osservatore. Eppure, l'adattamento è anche regolarmente guidata da cambiamenti nel mondo 18, 19. Gli individui immersi in diversi ambienti visivi (ad esempio, urbane Vs. rurali, o arid vs. rigoglioso) sono esposti a molto diverse configurazioni di stimolazione che può portare a molto diversi stati di adattamento 41, 42. Inoltre, queste differenze sono accentuate tra gli individui che occupano diverse nicchie in una società sempre più specializzata e tecnica (ad esempio, un artista, radiologo, giocatore del video gioco, o subacqueo). Apprendimento percettivo e competenza sono stati ampiamente studiati e dipende da molti fattori 43, 44, 45. Ma uno di questi può essere semplice esposizione 46, 47. Ad esempio, un conto dell'effetto "altra razza", in cui gli osservatori sono meglio a distinguere facce con la nostra etnicità, è perché sono adattati alle facce che comunemente incontrano 48, 49. L'adattamento fornisce un coMMON metrica per valutare l'impatto di un cambiamento di sensibilità vs. cambiamento di stimolo sulla percezione, e quindi per prevedere come due osservatori diversi potrebbero riscontrare lo stesso mondo vs. ponendo lo stesso osservatore in due mondi differenti.

Valutare le conseguenze a lungo termine di adattamento

In realtà l'adattamento di osservatori e poi misurare quanto la loro sensibilità e cambiare la percezione è una tecnica psico ben consolidata e ampiamente studiato. Tuttavia, queste misure sono in genere limitati a esposizioni a breve termine minuti o ore di durata. Una crescente evidenza suggerisce che l'adattamento opera anche su scale temporali molto più lunghi che sono molto più difficili da testare empiricamente 50, 51, 52, 53, 54. Simulando adattamento ha il vantaggio di spinta adapzione dichiara ai loro limiti teorici a lungo termine e tempi esplorando quindi che non sono pratici sperimentalmente. Essa consente anche di testare le conseguenze percettive dei cambiamenti graduali quali l'invecchiamento o una malattia progressiva.

Valutare i potenziali benefici di adattamento

Un problema correlato è che mentre molte funzioni sono state proposte per l'adattamento, miglioramenti delle prestazioni spesso non sono evidenti negli studi di adattamento a breve termine, e questo può essere in parte perché questi miglioramenti sorgono solo su scale temporali più lunghi. Test quanto bene gli osservatori possono eseguire diversi compiti visivi con le immagini adatte per simulare questi tempi fornisce un nuovo metodo per esplorare i benefici ei costi di adattamento 29 percettive.

Test Meccanismi di Visual Codifica e adattamento

Le simulazioni possono aiutare a visualizzare e confrontare i due diversi modelli di me visivachanisms e diversi modelli di come questi meccanismi regolare la loro sensibilità. Tali confronti possono aiutare a rivelare l'importanza relativa dei diversi aspetti della codifica visiva per performance visiva e la percezione.

L'adattamento delle immagini su osservatori

Nella misura in cui l'adattamento aiuta a vedere meglio, tali simulazioni forniscono uno strumento potenzialmente efficace per lo sviluppo di modelli di elaborazione delle immagini che possono meglio evidenziare le informazioni per gli osservatori. Tali tecniche di ottimizzazione delle immagini sono diffusi, ma il presente metodo è progettato per regolare un'immagine in modi in cui il cervello reale aggiusta, e quindi di simulare le strategie di codifica reali che il sistema visivo evoluta da sfruttare. Pre-elaborazione immagini in questo modo potrebbe in linea di principio eliminare la necessità di osservatori di acclimatare visivamente ad un nuovo ambiente, da invece regolando immagini per abbinare l'adattamento afferma che gli osservatori sono attualmente in 26,

Può sembrare irrealistico suggerire che potrebbe adattamento sconto pratica quasi completamente un cambiamento di sensibilità da parte dei nostri percezioni, ma ci sono molti esempi in cui percezioni appaiono influenzata da differenze di sensibilità drammatiche 55, ed è una questione empirica come completare l'adattamento è per qualsiasi dato caso - uno che adattati immagini potrebbero anche essere utilizzate per affrontare. In ogni caso, se l'obiettivo è quello di visualizzare l'esperienza percettiva di un osservatore, allora queste simulazioni probabilmente sono molto più vicino a caratterizzare l'esperienza di simulazioni tradizionali basati esclusivamente sul filtraggio dell'immagine. Inoltre, essi forniscono un nuovo strumento per prevedere ed analizzare le conseguenze e le funzioni di adattamento sensoriale 29. Anche in questo adattamento è onnipresente nella elaborazione sensoriale, e modelli simili potrebbe essere sfruttata per esplorare l'impatto di adattamento su altri attributi visivi e altri senses.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori non hanno nulla da rivelare.

Acknowledgments

Sostenuto dal National Institutes of Health (NIH) Sovvenzione 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

Comportamento Neuroscience la visione la percezione l'adattamento a colori elaborazione di immagini psicofisica la modellazione simulazioni
Visualizzazione visiva Adattamento
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