Summary

Visualisera Visual Anpassning

Published: April 24, 2017
doi:

Summary

Den här artikeln beskriver en ny metod för att simulera och studera anpassning i det visuella systemet.

Abstract

Många tekniker har utvecklats för att visualisera hur en bild tycks en individ med en annan visuell känslighet: t ex på grund av optiska eller åldersskillnader, eller en färgbrist eller sjukdom. Detta protokoll beskriver en teknik för att införliva sensoriska anpassning i simuleringarna. Protokollet är illustrerad med exemplet i färgseende, men är generellt tillämpbar på varje form av visuell anpassning. Protokollet använder en enkel modell av människans färgseende baserad på standard och rimliga antaganden om retinal och kortikala mekanismer kodning färg och hur dessa justerar sin känslighet för både den genomsnittliga färgen och olika färg i den rådande stimulans. Förstärkningarna av mekanismerna är anpassade så att deras genomsnittliga reaktionen i ett sammanhang likställs för ett annat sammanhang. Simuleringarna hjälper avslöja de teoretiska gränserna för anpassning och generera "anpassade bilder" som är optimalt anpassade till en specifik environment eller observatör. De ger också en gemensam mått för att utforska effekterna av anpassning inom olika observatörer eller olika miljöer. Karakterisera visuell perception och prestanda med dessa bilder ger ett nytt verktyg för att studera funktioner och följderna av långsiktig anpassning i syn eller andra sensoriska system.

Introduction

Vad kan världen se ut till andra, eller till oss själva som vi förändra? Svaren på dessa frågor är av grundläggande betydelse för att förstå naturen och mekanismer för perception och konsekvenserna av både normala och kliniska variationer i sensorisk kodning. Ett brett utbud av tekniker och metoder har utvecklats för att simulera hur bilder kan tyckas individer med olika visuella känslighet. Till exempel, inkluderar dessa simuleringar av de färger som kan diskrimineras genom olika typer av färgbrister 1, 2, 3, 4, de rumsliga och kromatiska skillnader som kan lösas av barn eller äldre observatörer 5, 6, 7, 8, 9 hur bilderna visas i det perifera seendet <s upp class = "xref"> 10, och konsekvenserna av optiska fel eller sjukdomar 11, 12, 13, 14. De har också använts för att visualisera diskriminering som är möjliga för andra arter 15, 16, 17. Vanligtvis sådana simuleringar använder mätningar av känslighetsförluster i olika populationer för att filtrera en bild och därmed minska eller ta bort den struktur de har svårt att se. Till exempel, vanliga former av färgblindhet speglar en förlust av ett av de två fotoreceptorer som är känsliga för medium eller långa våglängder, och bilder filtrerade för att ta bort deras signaler visas normalt saknar "röd-grönaktig" nyanser 1. Likaså spädbarn har sämre synskärpa och därmed bilderna behandlas för sin reducerade rumsliga känslighet suddiga f. "> 5 Dessa tekniker ger ovärderliga illustrationer av vad en person kan se att en annan kanske inte men det gör de inte. – och ofta är inte avsedda att – skildra verkliga perceptuella upplevelsen av betraktaren, och i vissa fall kan förvränga mängd och typ av information tillgänglig för betraktaren.

Den här artikeln beskriver en ny teknik som utvecklats för att simulera skillnader i visuell upplevelse som innehåller en grundläggande egenskap hos visuell kodning – anpassning 18, 19. Alla sensoriska och motoriska system justerar kontinuerligt till sammanhanget de utsätts för. En stickande lukt i ett rum snabbt bleknar, medan synen rymmer hur ljust eller dämpa rummet är. Viktigt dessa justeringar uppstår för nästan alla stimulans attribut, däribland "hög nivå" uppfattningar såsom egenskaperna hos någons ansikte 20,class = "xref"> 21 eller deras röst 22, 23, såväl som kalibrering motorkommandon som görs när flytta ögonen eller nå för ett föremål 24, 25. I själva verket är anpassningen sannolikt en viktig egenskap hos nästan alla neural behandling. Denna uppsats visar hur att införliva dessa anpassningseffekter i simuleringar av utseendet på bilder genom att i princip "att anpassa bilden" att förutsäga hur det ser ut till en specifik observatör under ett specifikt tillstånd av anpassning 26, 27, 28, 29. Många faktorer kan förändra känsligheten hos en observatör, men anpassningen kan ofta kompensera för viktiga aspekter av dessa förändringar, så att känslighetsförlusterna mindre iögonfallande än vad som skulle förutsägas utan antar att systemet anpassar sig. Omvänt, eftersomanpassning justerar känsligheten enligt gällande stimulans sammanhang dessa justeringar är också viktigt att införliva för att förutsäga hur mycket uppfattning kan variera när miljön varierar.

Följande protokoll visar tekniken genom att anpassa innehållet färg bilder. Färgseende har den fördelen att de initiala neurala stadierna av färgkodning är relativt väl förstådd, liksom mönstren för anpassning 30. De faktiska mekanismer och justeringar är komplexa och varierade, men de huvudsakliga konsekvenserna av anpassningen kan fångas med hjälp av en enkel och konventionell tvåstegs modell (Figur 1a). I det första steget, är färgsignaler initialt kodas av tre typer av kon fotoreceptorer som är maximalt känsliga för kort, medium eller långa våglängder (S, M, och L-koner). I det andra steget, är signalerna från olika koner kombineras inom post-receptoral celler för att bilda "färg-motståndare" channels som tar emot antagonistiska insignaler från de olika konerna (och därmed förmedla "färg" information), och "icke-motståndare" kanaler som samman samman de koniska ingångar (sålunda kodning "ljusstyrka" information). Anpassning sker vid båda stegen, och justerar till två olika aspekter av färg – den genomsnittliga (i konerna) och variansen (i post-receptoral kanaler) 30, 31. Målet med simuleringarna är att tillämpa dessa justeringar av modellmekanismerna och sedan återge bilden från deras anpassade utgångar.

Processen att anpassa bilder innebär sex huvudkomponenter. Dessa är en) väljer bilderna; 2) att välja formatet för bilden spektra; 3) som definierar förändringen i färg av miljön; 4) som definierar förändringen i känsligheten hos observatören; 5) med användning av programmet för att skapa de justerade bilder; och 6) med användning av bilderna för att utvärdera konsekvenserna av anpassningen. THan följer anser vart och ett av dessa steg i detalj. Den grundläggande modellen och mekanismsvaren illustreras i figur 1, medan Figurerna 2 – 5 visar exempel på bilder återges med modellen.

Protocol

OBS: Protokollet illustrerade använder ett program som gör att man kan välja bilder och sedan anpassa dem med alternativ som valts av olika rullgardinsmenyer. 1. Välj bilden att anpassa Klicka på bilden och bläddra efter filnamnet på bilden för att arbeta med. Observera den ursprungliga bilden i övre vänstra rutan. 2. Ange de Stimulus och Observer Klicka på menyn "format" för att välja hur man representera bilden…

Representative Results

Figurer till 2 – 4 illustrerar adaptions simuleringar för förändringar i observatören eller miljön. Figur 2 jämför den förutspådda utseende Cezanne stilleben med äpplen för en yngre och äldre observatör som skiljer sig endast i tätheten av linsen pigment 28. Den ursprungliga bilden som betraktas genom den yngre ögat (fig 2a) visas mycket gulare och dimmer genom tätare pigmente lins <…

Discussion

Den illustrerade protokollet visar hur effekterna av anpassning till en förändring i miljön eller observatören kan porträtteras i bilder. Formen denna skildring tar kommer att bero på de antaganden som görs för modellen – till exempel hur färgen kodas, och hur kodningsmekanismer reagera och anpassa sig. det viktigaste steget Således beslutar om modellen för färgseende – till exempel vad egenskaperna hos de hypoteser kanalerna är och hur de antas anpassa sig. De andra viktiga steg är att fastställa lämpli…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Med stöd av National Institutes of Health (NIH) bevilja EY-10834.

Materials

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)

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. Ball, L. J., Pollack, R. H. Simulated aged performance on the embedded figures test. Exp. Aging Res. 15, 27-32 (1989).
  7. Sjostrom, K. P., Pollack, R. H. The effect of simulated receptor aging on two types of visual illusions. Psychon Sci. 23, 147-148 (1971).
  8. Lindsey, D. T., Brown, A. M. Color naming and the phototoxic effects of sunlight on the eye. Psychol Sci. 13, 506-512 (2002).
  9. 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).
  10. 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).
  11. 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).
  12. Hogervorst, M. A., van Damme, W. J. M. Visualizing visual impairments. Gerontechnol. 5, 208-221 (2006).
  13. Aguilar, C., Castet, E. Gaze-contingent simulation of retinopathy: some potential pitfalls and remedies. Vision res. 51, 997-1012 (2011).
  14. Rowe, M. P., Jacobs, G. H. Cone pigment polymorphism in New World monkeys: are all pigments created equal?. Visual neurosci. 21, 217-222 (2004).
  15. 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).
  16. 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).
  17. Webster, M. A. Adaptation and visual coding. J vision. 11 (5), 1-23 (2011).
  18. Webster, M. A. Visual adaptation. Annu Rev Vision Sci. 1, 547-567 (2015).
  19. Webster, M. A., Kaping, D., Mizokami, Y., Duhamel, P. Adaptation to natural facial categories. Nature. 428, 557-561 (2004).
  20. Webster, M. A., MacLeod, D. I. A. Visual adaptation and face perception. Philos. Trans. R. Soc. Lond., B, Biol. Sci. 366, 1702-1725 (2011).
  21. Schweinberger, S. R., et al. Auditory adaptation in voice perception. Curr Biol. 18, 684-688 (2008).
  22. Yovel, G., Belin, P. A unified coding strategy for processing faces and voices. Trends cognit sci. 17, 263-271 (2013).
  23. Shadmehr, R., Smith, M. A., Krakauer, J. W. Error correction, sensory prediction, and adaptation in motor control. Annu rev neurosci. 33, 89-108 (2010).
  24. Wolpert, D. M., Diedrichsen, J., Flanagan, J. R. Principles of sensorimotor learning. Nat rev Neurosci. 12, 739-751 (2011).
  25. McDermott, K., Juricevic, I., Bebis, G., Webster, M. A., Rogowitz, B. E., Pappas, T. N. Human Vision and Electronic Imaging. SPIE. 68060, (2008).
  26. Juricevic, I., Webster, M. A. Variations in normal color vision. V. Simulations of adaptation to natural color environments. Visual neurosci. 26, 133-145 (2009).
  27. 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).
  28. Webster, M. A. Probing the functions of contextual modulation by adapting images rather than observers. Vision res. , (2014).
  29. Webster, M. A. Human colour perception and its adaptation. Network: Computation in Neural Systems. 7, 587-634 (1996).
  30. Webster, M. A., Mollon, J. D. Colour constancy influenced by contrast adaptation. Nature. 373, 694-698 (1995).
  31. Brainard, D. H., Stockman, A., Bass, M. . OSA Handbook of Optics. , 10-11 (2010).
  32. 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).
  33. 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).
  34. 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).
  35. Boehm, A. E., MacLeod, D. I., Bosten, J. M. Compensation for red-green contrast loss in anomalous trichromats. J vision. 14, (2014).
  36. Regan, B. C., Mollon, J. D., Cavonius, C. R. . Colour Vision Deficiencies. Vol. XIII. , 261-270 (1997).
  37. Carandini, M., Heeger, D. J. Normalization as a canonical neural computation. Nature reviews. Neurosci. 13, 51-62 (2011).
  38. Rieke, F., Rudd, M. E. The challenges natural images pose for visual adaptation. Neuron. 64, 605-616 (2009).
  39. 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).
  40. Webster, M. A., Mollon, J. D. Adaptation and the color statistics of natural images. Vision res. 37, 3283-3298 (1997).
  41. Webster, M. A., Mizokami, Y., Webster, S. M. Seasonal variations in the color statistics of natural images. Network. 18, 213-233 (2007).
  42. Sagi, D. Perceptual learning in Vision Research. Vision res. , (2011).
  43. Lu, Z. L., Yu, C., Watanabe, T., Sagi, D., Levi, D. Perceptual learning: functions, mechanisms, and applications. Vision res. 50, 365-367 (2009).
  44. 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).
  45. Kompaniez, E., Abbey, C. K., Boone, J. M., Webster, M. A. Adaptation aftereffects in the perception of radiological images. PloS one. 8, e76175 (2013).
  46. Ross, H. . Behavior and Perception in Strange Environments. , (1974).
  47. 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).
  48. Oruc, I., Barton, J. J. Adaptation improves discrimination of face identity. Proc. R. Soc. A. 278, 2591-2597 (2011).
  49. 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).
  50. 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).
  51. 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).
  52. Bao, M., Engel, S. A. Distinct mechanism for long-term contrast adaptation. Proc Natl Acad Sci USA. 109, 5898-5903 (2012).
  53. 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).
  54. Webster, M. A., Elliott, A., Fairchild, M. D., Franklin, A. . Handbook of Color Psychology. , 197-215 (2015).

Play Video

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

View Video