史上最难眼力测试,这张图里的12个黑点,你永远也找不全

2019 年 2 月 26 日 果壳网

下面这张灰色网格图里一共有12个黑色的圆点,试试看,你能把它们一眼看全吗?



你可能发现了,在图中似乎总也不能一次性看到全部的圆点:在远离视线中心的地方,原本应该存在的小黑点似乎都消失了,只有把视线移过去,才能让它们再次出现。


这张图被称为“Ninio熄灭错觉”。事实上,它是另外一种更有名的视错觉——闪光栅格错觉——几经演变的产物。这些格子上的视错觉作品最早可以追溯到一百多年前,在格子的交叉点上,上演着一出出虚幻缥缈、闪烁不定甚至干脆消失的魔幻大戏。而这些错觉现象,也透露着人类视觉感知的秘密。


前方瞎眼预警


栅格错觉大家族


栅格交叉点上明暗飘忽、闪来闪去的视错觉其实有相当长的历史。


最初的栅格错觉是由卢迪马尔·赫尔曼(Ludimar Hermann)在1870年发现并报告的,取名为赫尔曼栅格错觉(Hermann Grid Illusion)[2]。最初的赫尔曼栅格图案相当简单:黑色的方块整齐排列,中间空出了垂直相交的白色条纹。而在观察这幅图的时候,观看者却总会觉得余光所及之处,白色交叉点上存在着暗点,而只要视线中心转移到那里,“暗点”就会消失,仿佛永远都追逐不到。


赫尔曼栅格错觉,复古经典款。


这种现象引起了研究者们的兴趣,他们又对原始图案进行了各种各样的变形,并得到了这种视错觉现象出现的规律。


如果把黑方块的填充色变成灰色,暗点看起来依然存在:



如果把方块的边框去掉,变成没有外框的网格呢?结果,暗点还是会出现:



但是,这神秘莫测的小暗点也并不总是那么顽强。如果把黑白图换成两种亮度相同的彩色,错觉就会消失了:



而且,如果把原始图片旋转上45度,错觉也会减弱:



而如果把黑方块的四边的直线条全换成波浪形,错觉则会完全消失:



1985年,卑尔根(Bergen)又对赫尔曼栅格进行了一次开拓性的改造:他把原来的图案进行了模糊处理。在模糊的栅格图像中,交叉点的颜色最深,而条纹因为模糊化的原因而稍稍变浅了一些。由此,错觉效果变得更加明显了,甚至让人产生了闪烁的感觉。



1997年,施劳夫(Schrauf)等人在卑尔根的基础上,创造了另一款教科书级的经典视错觉作品——闪光栅格错觉(Scintillation Grid Illusion)。这一次,条纹变暗成了灰色,而交叉处保留着白色,而且交叉处的白色圆点稍微大于条纹的宽度——这有助于错觉的产生,当它们的宽度比例达到1.4:1时,错觉效果最佳。


眼花缭乱的闪烁栅格,又一经典图案,我先瞎为敬了


能闪光,也能“熄灭”


在对闪烁栅格的研究中,施劳夫又发现了一种新的视错觉现象。如果把交叉处的亮点缩得比较小,在余光处,会产生一种圆点消失不见的感觉,他将其称为熄灭错觉(Extinction Illusion)。



开头处“怎么也看不到全部黑点”的图片,就是熄灭错觉的一个变种。黑点个数相对较少,距离相隔较远,所以错觉感觉更加明显。


交叉点上,到底发生了什么?


那么,这些发生在交叉点上的视错觉到底是怎么回事呢?可以肯定的是,这与视觉系统对明暗信息的感知和加工有关。


最初,不少人认为这种明暗处理的“失误”源自视网膜层面,并用侧抑制理论(Lateral Inhibition)来解释。“侧抑制”是神经细胞对其他附近神经细胞的抑制作用,其结果是,那些激活较弱的细胞发出的信号被旁边的强信号“覆盖”掉了。视网膜上的侧抑制是帮我们看清边界、颜色改变和亮度对比的重要工具。


侧抑制示意图 | wikipedia


这种理论认为,在整个视网膜上,“硬件配置”是不均匀的:在视觉中央实行“一对一精细管理”,明暗信息更加精确。而在余光处,每个视觉细胞接受区域更大,视觉加工也更粗糙。在余光处的交叉点上,明暗对比没有其他地方清晰,白色部分看起来也就没那么亮了。


这幅图是对侧抑制理论的解释。A是视觉中央,B则处于视觉边缘。A处分配的细胞多,每个细胞负责范围小,明暗信息更准确,而B处细胞少、范围大,相比非交叉点,交叉点处细胞接收到的区域黑色较少,因此明暗对比不足,白色看起来也就不那么亮了。


这种经典理论听起来挺有道理,但它也广受质疑。例如,按照上图的解释,交叉线条的朝向应该并不重要,但旋转45°却足以让错觉减少很多,波浪形网格则干脆让错觉消失了,这用视网膜上的侧抑制就没法解释。


于是,研究者们又从视觉系统的更高级层面——大脑皮层找起了原因。新的理论认为,这些视错觉是与视觉皮层中的一类神经细胞(S1简单细胞)有关


视觉系统中负责处理明暗的有两套系统:一个负责“亮”信号(ON),一个负责“暗”信号(OFF)。而在视觉皮层中,有一些神经细胞选择性地接收明暗信号,同时又具有方向选择性——也就是说,它们会被特定方向的连续亮条或者暗条激活,它们就是S1简单细胞。其中负责水平和垂直方向的细胞最多,这就可以解释,为什么在横平竖直的格子上看到的错觉效果最明显。



具有方向选择性的明暗感知可以解释为什么横平竖直的格子错觉效果最明显 | Peter H Schiller, Christina E Carvey


对于最初的栅格错觉,横向和竖向的白色条纹都可以很好地激活相应方向的ON细胞,由此感知到清晰的明亮线条。而在交叉点处,轮廓的缺失使得横向和纵向的方向性细胞激活程度都比较低,于是,这里的“明亮程度”下降,我们便感知到了暗点


而在闪光栅格中,白色圆点也切断了连续的线条,并且还改变了灰色线条与周围环境的相对明暗度(原本与周围相比,灰色是“亮色”,但与白点比又成了“暗色”),因此交叉点处的明暗感知也受到了更多干扰。而视觉焦点处提供给神经细胞的信息较为充足,加工较为精细,所以并未出现错觉。


在白底灰色线条的图片上,交叉处的小黑点也破坏了线条的连续性,降低了方向性OFF细胞的激活程度,这导致了“暗程度”感知的下降。于是,黑点在灰背景中变得不明显,仿佛“消失”了一样。


一百多年间,栅格错觉“欺骗”着人们的眼睛,而通过它,我们也得以了解更多视知觉的奥秘。


作者Dalles_Chen

编辑:窗敲雨


参考资料:

http://sploid.gizmodo.com/can-you-see-all-12-black-dots-at-once-1786512711

Ninio, J., & Stevens, K. A. (2000). Variations on the Hermann grid: an extinction illusion. Perception, 29(10), 1209-1217.

Qian, K., Kawabe, T., Yamada, Y., & Miura, K. (2012). The role of orientation processing in the scintillating grid illusion. Attention, Perception, & Psychophysics, 74-5, 1020-1032. 

Schiller, P. H., & Carvey, C. E. (2005). The Hermann grid illusion revisited.Perception, 34(11), 1375-1397


一个AI

说来说去,还不是你们人类的信号处理系统做得太糙了💅


本文来自果壳,未经授权不得转载.如有需要请联系sns@guokr.com

(欢迎转发到朋友圈~)


果壳

ID:Guokr42

果壳整天都在科普些啥啊!

吓得我二维码都歪了!


为啥这样的二维码也能扫?

扫码发送【二维码】告诉你原理~

喜欢就点个“好看”呗~↘

登录查看更多
0

相关内容

【ICML2020-哈佛】深度语言表示中可分流形
专知会员服务
12+阅读 · 2020年6月2日
 【SIGGRAPH 2020】人像阴影处理,Portrait Shadow Manipulation
专知会员服务
28+阅读 · 2020年5月19日
【MIT】Yufei Zhao《图论与加法组合学》,177页pdf
专知会员服务
49+阅读 · 2020年4月27日
专知会员服务
19+阅读 · 2020年3月29日
专知会员服务
61+阅读 · 2020年3月4日
【新书】Python数据科学食谱(Python Data Science Cookbook)
专知会员服务
114+阅读 · 2020年1月1日
【机器学习课程】Google机器学习速成课程
专知会员服务
164+阅读 · 2019年12月2日
最新Anchor-Free目标检测模型—FoveaBox
PaperWeekly
6+阅读 · 2019年4月29日
可视化理解四元数,愿你不再掉头发
计算机视觉life
31+阅读 · 2019年1月2日
深度剖析卷积神经网络
云栖社区
7+阅读 · 2018年5月27日
【财富空间】一个人真正的资本是什么
产业智能官
6+阅读 · 2018年3月16日
中美日全球美女机器人大PK,哪一款是你想要的味道?
机器人大讲堂
4+阅读 · 2017年9月16日
“黑”掉自动驾驶汽车,只要给路标涂个大花脸
人工神经网络是否模拟了人类大脑?
数说工作室
9+阅读 · 2017年7月19日
Arxiv
14+阅读 · 2019年11月26日
Arxiv
4+阅读 · 2018年11月6日
W-net: Bridged U-net for 2D Medical Image Segmentation
Arxiv
19+阅读 · 2018年7月12日
VIP会员
相关资讯
最新Anchor-Free目标检测模型—FoveaBox
PaperWeekly
6+阅读 · 2019年4月29日
可视化理解四元数,愿你不再掉头发
计算机视觉life
31+阅读 · 2019年1月2日
深度剖析卷积神经网络
云栖社区
7+阅读 · 2018年5月27日
【财富空间】一个人真正的资本是什么
产业智能官
6+阅读 · 2018年3月16日
中美日全球美女机器人大PK,哪一款是你想要的味道?
机器人大讲堂
4+阅读 · 2017年9月16日
“黑”掉自动驾驶汽车,只要给路标涂个大花脸
人工神经网络是否模拟了人类大脑?
数说工作室
9+阅读 · 2017年7月19日
Top
微信扫码咨询专知VIP会员