La percepción visual es la capacidad de interpretar el entorno circundante a través de la visión fotópica (visión diurna), la visión del color , la visión escotópica (visión nocturna) y la visión mesópica (visión crepuscular), utilizando la luz del espectro visible reflejada por los objetos del entorno. Esto es diferente de la agudeza visual , que se refiere a la claridad con la que una persona ve (por ejemplo, "visión 20/20"). Una persona puede tener problemas con el procesamiento de percepción visual incluso si tiene una visión 20/20.
La percepción resultante también se conoce como visión , vista o vista (adjetivos visual , óptico y ocular , respectivamente). Los diversos componentes fisiológicos involucrados en la visión se denominan colectivamente sistema visual y son el foco de muchas investigaciones en lingüística , psicología , ciencia cognitiva , neurociencia y biología molecular , denominadas colectivamente ciencia de la visión .
En los seres humanos y en otros mamíferos, la luz entra al ojo a través de la córnea y el cristalino la enfoca en la retina , una membrana sensible a la luz situada en la parte posterior del ojo. La retina sirve como transductor para la conversión de la luz en señales neuronales . Esta transducción se logra mediante células fotorreceptoras especializadas de la retina, también conocidas como bastones y conos, que detectan los fotones de luz y responden produciendo impulsos neuronales . Estas señales son transmitidas por el nervio óptico , desde la retina hasta los ganglios centrales del cerebro . El núcleo geniculado lateral , que transmite la información a la corteza visual . Las señales de la retina también viajan directamente desde la retina al colículo superior . [1]
El núcleo geniculado lateral envía señales a la corteza visual primaria , también llamada corteza estriada. La corteza extraestriada , también llamada corteza de asociación visual, es un conjunto de estructuras corticales que reciben información de la corteza estriada, así como entre sí. [2] Descripciones recientes de la corteza de asociación visual describen una división en dos vías funcionales, una vía ventral y otra dorsal . Esta conjetura se conoce como hipótesis de las dos corrientes .
Generalmente se cree que el sistema visual humano es sensible a la luz visible en el rango de longitudes de onda entre 370 y 730 nanómetros del espectro electromagnético . [3] Sin embargo, algunas investigaciones sugieren que los humanos pueden percibir luz en longitudes de onda de hasta 340 nanómetros (UV-A), especialmente los jóvenes. [4] En condiciones óptimas, estos límites de la percepción humana pueden extenderse desde 310 nm ( UV ) hasta 1100 nm ( NIR ). [5] [6]
El principal problema de la percepción visual es que lo que la gente ve no es simplemente una traducción de los estímulos retinianos (es decir, la imagen en la retina), en la que el cerebro altera la información básica captada. Por eso, las personas interesadas en la percepción han luchado durante mucho tiempo por explicar qué es lo que la gente ve. El procesamiento visual hace para crear lo que realmente se ve.
Había dos escuelas griegas antiguas importantes que proporcionaban una explicación primitiva de cómo funciona la visión.
La primera fue la " teoría de la emisión " de la visión, que sostenía que la visión se produce cuando los rayos emanan de los ojos y son interceptados por los objetos visuales. Si un objeto era visto directamente era por "medio de rayos" que salían de los ojos y caían nuevamente sobre el objeto. Sin embargo, una imagen refractada también se ve mediante "rayos", que salen de los ojos, atraviesan el aire y, después de la refracción, caen sobre el objeto visible que se ve como resultado del movimiento de los rayos. desde el ojo. Esta teoría fue defendida por eruditos seguidores de la Óptica de Euclides y de la Óptica de Ptolomeo .
La segunda escuela defendía el enfoque llamado de "intromisión", que considera que la visión proviene de algo que entra en los ojos y es representativo del objeto. Con su principal propagador Aristóteles ( De Sensu ), [7] y sus seguidores, [7] esta teoría parece tener algún contacto con las teorías modernas sobre lo que realmente es la visión, pero siguió siendo sólo una especulación sin fundamento experimental. (En la Inglaterra del siglo XVIII, Isaac Newton , John Locke y otros llevaron adelante la teoría de la intromisión de la visión al insistir en que la visión implicaba un proceso en el que los rayos, compuestos de materia corporal real, emanaban de los objetos vistos y entraban en la mente del vidente. sensorio a través de la apertura del ojo.) [8]
Ambas escuelas de pensamiento se basaban en el principio de que "lo similar sólo se conoce por lo similar" y, por tanto, en la noción de que el ojo estaba compuesto por algún "fuego interno" que interactuaba con el "fuego externo" de la luz visible e hacía posible la visión. Platón hace esta afirmación en su diálogo Timeo (45b y 46b), al igual que Empédocles (como lo informa Aristóteles en su De Sensu , DK frag. B17). [7]
Alhazen (965 – c. 1040) llevó a cabo numerosas investigaciones y experimentos sobre la percepción visual, amplió la obra de Ptolomeo sobre la visión binocular y comentó las obras anatómicas de Galeno. [9] [10] Fue la primera persona en explicar que la visión ocurre cuando la luz rebota en un objeto y luego se dirige a los ojos. [11]
Se cree que Leonardo da Vinci (1452-1519) fue el primero en reconocer las cualidades ópticas especiales del ojo. Escribió: "La función del ojo humano... fue descrita por un gran número de autores de cierta manera. Pero encontré que era completamente diferente". Su principal hallazgo experimental fue que sólo hay una visión distinta y clara en la línea de visión: la línea óptica que termina en la fóvea . Aunque no usó estas palabras literalmente, en realidad es el padre de la distinción moderna entre visión foveal y periférica . [12]
Isaac Newton (1642-1726/27) fue el primero en descubrir mediante experimentación, aislando colores individuales del espectro de luz que pasa a través de un prisma , que el color de los objetos percibido visualmente aparecía debido al carácter de la luz que reflejaban los objetos, y que estos colores divididos no podían cambiarse por ningún otro color, lo que contradecía las expectativas científicas de la época. [3]
A Hermann von Helmholtz a menudo se le atribuye el primer estudio moderno de la percepción visual. Helmholtz examinó el ojo humano y concluyó que era incapaz de producir una imagen de alta calidad. La información insuficiente parecía imposibilitar la visión. Por lo tanto, concluyó que la visión sólo podía ser el resultado de alguna forma de "inferencia inconsciente", acuñando ese término en 1867. Propuso que el cerebro hacía suposiciones y conclusiones a partir de datos incompletos, basados en experiencias previas. [13]
La inferencia requiere experiencia previa del mundo.
Ejemplos de suposiciones bien conocidas, basadas en la experiencia visual, son:
El estudio de las ilusiones visuales (casos en los que el proceso de inferencia sale mal) ha aportado mucha información sobre el tipo de suposiciones que hace el sistema visual.
Otro tipo de hipótesis de inferencia inconsciente (basada en probabilidades) ha sido revivida recientemente en los llamados estudios bayesianos de la percepción visual. [15] Los defensores de este enfoque consideran que el sistema visual realiza alguna forma de inferencia bayesiana para derivar una percepción a partir de datos sensoriales. Sin embargo, no está claro cómo los defensores de este punto de vista derivan, en principio, las probabilidades relevantes requeridas por la ecuación bayesiana. Se han utilizado modelos basados en esta idea para describir diversas funciones de percepción visual, como la percepción del movimiento , la percepción de la profundidad y la percepción figura-fondo . [16] [17] La "teoría totalmente empírica de la percepción" es un enfoque relacionado y más nuevo que racionaliza la percepción visual sin invocar explícitamente los formalismos bayesianos. [ cita necesaria ]
Los psicólogos de la Gestalt que trabajaron principalmente en las décadas de 1930 y 1940 plantearon muchas de las preguntas de investigación que estudian los científicos de la visión en la actualidad. [18]
Las Leyes de Organización Gestalt han guiado el estudio de cómo las personas perciben los componentes visuales como patrones o totalidades organizados, en lugar de muchas partes diferentes. "Gestalt" es una palabra alemana que se traduce parcialmente como "configuración o patrón" junto con "estructura completa o emergente". Según esta teoría, hay ocho factores principales que determinan cómo el sistema visual agrupa automáticamente los elementos en patrones: proximidad, similitud, cierre, simetría, destino común (es decir, movimiento común), continuidad y buena gestalt (patrón que es regular, simple y ordenada) y Experiencia Pasada. [ cita necesaria ]
Durante la década de 1960, el desarrollo técnico permitió el registro continuo del movimiento ocular durante la lectura, [19] al ver imágenes, [20] y más tarde, en la resolución de problemas visuales, [21] y cuando las cámaras con auriculares estuvieron disponibles, también durante la conducción. [22]
La imagen de la derecha muestra lo que puede suceder durante los primeros dos segundos de inspección visual. Mientras el fondo está desenfocado, representando la visión periférica , el primer movimiento ocular va hacia las botas del hombre (justo porque están muy cerca de la fijación inicial y tienen un contraste razonable). Los movimientos oculares cumplen la función de selección atencional , es decir, seleccionar una fracción de todas las entradas visuales para un procesamiento más profundo por parte del cerebro. [ cita necesaria ]
Las siguientes fijaciones saltan de cara a cara. Incluso podrían permitir comparaciones entre rostros. [ cita necesaria ]
Se puede concluir que la cara del ícono es un ícono de búsqueda muy atractivo dentro del campo de visión periférico. La visión foveal añade información detallada a la primera impresión periférica .
También se puede observar que existen diferentes tipos de movimientos oculares: movimientos oculares de fijación ( microsacadas , deriva ocular y temblor), movimientos de vergencia, movimientos sacádicos y movimientos de persecución. Las fijaciones son puntos comparativamente estáticos donde descansa el ojo. Sin embargo, el ojo nunca está completamente quieto y la posición de la mirada variará. Estas derivas a su vez se corrigen mediante microsacadas, movimientos oculares de fijación muy pequeños. Los movimientos de vergencia implican la cooperación de ambos ojos para permitir que una imagen caiga en la misma zona de ambas retinas. Esto da como resultado una única imagen enfocada. Los movimientos sacádicos son el tipo de movimiento ocular que salta de una posición a otra y se utiliza para escanear rápidamente una escena/imagen en particular. Por último, el movimiento de persecución es un movimiento ocular suave y se utiliza para seguir objetos en movimiento. [23]
Existe evidencia considerable de que el reconocimiento de rostros y objetos se logra mediante sistemas distintos. Por ejemplo, los pacientes prosopagnósicos muestran déficits en el procesamiento de la cara, pero no de los objetos, mientras que los pacientes agnósicos de los objetos (en particular, el paciente CK ) muestran déficits en el procesamiento de los objetos sin tener en cuenta el procesamiento de la cara. [24] Desde el punto de vista del comportamiento, se ha demostrado que las caras, pero no los objetos, están sujetas a efectos de inversión, lo que lleva a afirmar que las caras son "especiales". [24] [25] Además, el procesamiento de rostros y objetos recluta sistemas neuronales distintos. [26] En particular, algunos han argumentado que la aparente especialización del cerebro humano para el procesamiento facial no refleja una verdadera especificidad de dominio, sino más bien un proceso más general de discriminación a nivel de expertos dentro de una clase determinada de estímulo, [27] aunque este último La afirmación es objeto de un debate sustancial . Utilizando resonancia magnética funcional y electrofisiología, Doris Tsao y sus colegas describieron regiones del cerebro y un mecanismo para el reconocimiento facial en monos macacos. [28]
La corteza inferotemporal tiene un papel clave en la tarea de reconocimiento y diferenciación de diferentes objetos. Un estudio del MIT muestra que subconjuntos de regiones de la corteza TI están a cargo de diferentes objetos. [29] Al desactivar selectivamente la actividad neuronal de muchas áreas pequeñas de la corteza, el animal se vuelve alternativamente incapaz de distinguir entre ciertos pares particulares de objetos. Esto muestra que la corteza TI está dividida en regiones que responden a características visuales diferentes y particulares. De manera similar, ciertos parches y regiones particulares de la corteza están más involucrados en el reconocimiento facial que en el reconocimiento de otros objetos.
Algunos estudios tienden a mostrar que, en lugar de una imagen global uniforme, algunas características particulares y regiones de interés de los objetos son elementos clave cuando el cerebro necesita reconocer un objeto en una imagen. [30] [31] De esta manera, la visión humana es vulnerable a pequeños cambios particulares en la imagen, como alterar los bordes del objeto, modificar la textura o cualquier pequeño cambio en una región crucial de la imagen. [32]
Los estudios de personas cuya vista ha sido recuperada después de una larga ceguera revelan que no necesariamente pueden reconocer objetos y rostros (a diferencia del color, el movimiento y las formas geométricas simples). Algunos plantean la hipótesis de que ser ciego durante la niñez impide que alguna parte del sistema visual necesaria para estas tareas de nivel superior se desarrolle adecuadamente. [33] La creencia general de que un período crítico dura hasta los 5 o 6 años fue cuestionada por un estudio de 2007 que encontró que los pacientes mayores podrían mejorar estas habilidades con años de exposición. [34]
En la década de 1970, David Marr desarrolló una teoría de la visión de múltiples niveles, que analizaba el proceso de visión en diferentes niveles de abstracción. Para centrarse en la comprensión de problemas específicos de la visión, identificó tres niveles de análisis: el computacional , el algorítmico y el de implementación . Muchos científicos de la visión, incluido Tomaso Poggio , han adoptado estos niveles de análisis y los han empleado para caracterizar mejor la visión desde una perspectiva computacional. [35]
El nivel computacional aborda, a un alto nivel de abstracción, los problemas que debe superar el sistema visual. El nivel algorítmico intenta identificar la estrategia que se puede utilizar para resolver estos problemas. Finalmente, el nivel de implementación intenta explicar cómo se implementan las soluciones a estos problemas en los circuitos neuronales.
Marr sugirió que es posible investigar la visión en cualquiera de estos niveles de forma independiente. Marr describió la visión como algo que pasa de una matriz visual bidimensional (en la retina) a una descripción tridimensional del mundo como resultado. Sus etapas de visión incluyen:
El boceto 2 1 ⁄ 2 D de Marr supone que se construye un mapa de profundidad y que este mapa es la base de la percepción de formas 3D . Sin embargo, tanto la percepción estereoscópica como pictórica, así como la visión monocular, dejan claro que la percepción de la forma 3D precede, y no depende de, la percepción de la profundidad de los puntos. No está claro cómo podría, en principio, construirse un mapa de profundidad preliminar, ni cómo abordaría la cuestión de la organización o agrupación figura-fondo. El papel de las restricciones de organización perceptual, pasadas por alto por Marr, en la producción de percepciones de formas 3D a partir de objetos 3D vistos binocularmente se ha demostrado empíricamente para el caso de objetos de alambre 3D, por ejemplo, [37] [38] Para una discusión más detallada, ver Pizló (2008). [39]
Un marco alternativo más reciente propone que la visión se compone en lugar de las siguientes tres etapas: codificación, selección y decodificación. [40] La codificación consiste en muestrear y representar entradas visuales (por ejemplo, representar entradas visuales como actividades neuronales en la retina). La selección, o selección atencional , consiste en seleccionar una pequeña fracción de la información de entrada para su posterior procesamiento, por ejemplo, cambiando la mirada hacia un objeto o ubicación visual para procesar mejor las señales visuales en esa ubicación. Decodificar consiste en inferir o reconocer las señales de entrada seleccionadas, por ejemplo, reconocer el objeto en el centro de la mirada como la cara de alguien. En este marco, [41] la selección atencional comienza en la corteza visual primaria a lo largo de la vía visual, y las restricciones atencionales imponen una dicotomía entre los campos visuales central y periférico para el reconocimiento o decodificación visual.
La transducción es el proceso mediante el cual la energía de los estímulos ambientales se convierte en actividad neuronal. La retina contiene tres capas de células diferentes: capa de fotorreceptores, capa de células bipolares y capa de células ganglionares. La capa de fotorreceptores donde se produce la transducción está más alejada del cristalino. Contiene fotorreceptores con diferentes sensibilidades llamados bastones y conos. Los conos son responsables de la percepción del color y son de tres tipos distintos, denominados rojo, verde y azul. Los bastones son responsables de la percepción de objetos con poca luz. [42] Los fotorreceptores contienen en su interior una sustancia química especial llamada fotopigmento, que está incrustada en la membrana de las laminillas; un solo bastón humano contiene aproximadamente 10 millones de ellos. Las moléculas de fotopigmento constan de dos partes: una opsina (una proteína) y una retina (un lípido). [43] Hay 3 fotopigmentos específicos (cada uno con su propia sensibilidad a la longitud de onda) que responden en todo el espectro de la luz visible. Cuando las longitudes de onda apropiadas (aquellas a las que es sensible el fotopigmento específico) llegan al fotorreceptor, el fotopigmento se divide en dos, lo que envía una señal a la capa de células bipolares, que a su vez envía una señal a las células ganglionares, cuyos axones forman el nervio óptico y transmite la información al cerebro. Si falta un tipo de cono en particular o es anormal, debido a una anomalía genética, se producirá una deficiencia en la visión de los colores , a veces llamada daltonismo. [44]
La transducción implica mensajes químicos enviados desde los fotorreceptores a las células bipolares y a las células ganglionares. Varios fotorreceptores pueden enviar su información a una célula ganglionar. Hay dos tipos de células ganglionares: rojas/verdes y amarillas/azules. Estas neuronas se activan constantemente, incluso cuando no están estimuladas. El cerebro interpreta diferentes colores (y con mucha información, una imagen) cuando se altera la velocidad de activación de estas neuronas. La luz roja estimula el cono rojo, que a su vez estimula la célula ganglionar roja/verde. Asimismo, la luz verde estimula el cono verde, que estimula la célula ganglionar verde/roja y la luz azul estimula el cono azul que estimula la célula ganglionar azul/amarilla. La velocidad de activación de las células ganglionares aumenta cuando lo indica un cono y disminuye (inhibe) cuando lo indica el otro cono. El primer color en el nombre de la célula ganglionar es el color que la excita y el segundo es el color que la inhibe. es decir: un cono rojo excitaría la célula ganglionar roja/verde y el cono verde inhibiría la célula ganglionar roja/verde. Este es un proceso de oposición . Si aumenta la velocidad de activación de una célula ganglionar roja/verde, el cerebro sabría que la luz es roja; si disminuye la velocidad, el cerebro sabría que el color de la luz es verde. [44]
Las teorías y observaciones de la percepción visual han sido la principal fuente de inspiración para la visión por computadora (también llamada visión artificial , o visión computacional). Estructuras de hardware especiales y algoritmos de software brindan a las máquinas la capacidad de interpretar las imágenes provenientes de una cámara o un sensor.
Por ejemplo, el Toyota 86 2022 utiliza el sistema Subaru EyeSight para tecnología de asistencia al conductor . [45]