边缘视觉设计

边缘视觉设计Alvin Raj Ruth RosenholtzM. I. T. M. I. T.Cambridge, MA Cambridge, MA摘要在某些特定时刻，大多数显示都出现在用户的周边视觉内。

基于瞬间可利用信息，用户移动双眼，扫描到他们感兴趣的事物并将他们聚合到一起。

这个过程通常在不经意中发生。

掌握周围的可用信息能更好的应用到信息可视化和用户界面的设计上，使设计者做出更好的显示，有效的引导视觉移动和在瞬间获取有效的重要信息。

然而，我们很难通过注意周边的事物去获得关于这个地方的有效信息。

在本文中，我们讨论一种通过肉眼观察获得周围事物有效信息的方法，考虑到图像的显示和当前定位，我们只显示几个可视化信息模型的结果。

CR类别：H1.2[模型和原理]：用户/机器系统–人类信息处理关键字: 周边视觉, 可视化, 纹理合成1.简介大多数人都有通过简单一瞥就收集到必要的信息这样的视觉任务能力。

举个例子，一个警报的弹出会吸引我们的注意力，我们甚至不去用眼睛看也会轻易的注意到。

简单的一瞥收集到的信息离多看几次将信息整合到一起的理想程度差距很远，尽管感觉上有一个连贯稳定的整个场景认知。

这就证明了盲区改变整个现象的结论(参照[Simons 2000])，我们不善于探测比较大的场景变化。

如果简单的一瞥不能完成任务那么很大程度上在性能上做了让步，至少促进了用户的眼睛移动有助于收集更多的信息。

简单的一瞥能告诉我们什么？Biederman [1977] 告诉我们，观察者通过一瞥就能够在100毫秒内几乎完全判断出一个场景的主题。

然而，观察者需要超过1秒的时间在一个场景中找到一个已知的目标。

这究竟是因为什么呢？可论证的，通过简单的一瞥能够获得多少有用信息这取决于周围的环境。

大部分显示都出现在周围一个特定的时刻。

在简单一瞥中我们要想了解什么信息是有用的，关键是要了解周围的视觉。

知道周围的事物是怎样帮助我们将周围信息最大化的显示出来，同时将用户需要看的次数减到最少。

考虑一个驾驶员离路面的粗略距离要看他的GPS (Figure 1a)。

如果理解了这次显示要看几次，可以减少看路面要用的时间。

一位GPS系统的设计者可能想要知道人们是否想要左转或者右转。

当在显示器中固定了这个汽车的描述，一个驾驶员就能提取出这个信息吗？那么整个GPS能够完全扫视到周边的事物又会怎么样呢？Figure 1: 不同的可视化界面，用户简单一瞥能够获得什么信息同样地，在Figure 1c的树图上，我们如何期待用户能很好的对比出左下象限和右上象限的区别？一个设计者不能期待用户探测出左下象限是凹进去的，并记住所有的细节探测右上象限。

同时，一眼看出左上象限明显就是不同的。

依靠外围视觉用户可以不用任何努力，随着与凹面距离的增长，有一个视觉灵敏度的丢失，通过拥挤现象的证明[Lettvin, 1976]，如图Figure 2a。

在正常的读写距离内，固定了符号“+”，那么字母“A”很容易读出来。

在右侧用一系列字母代替，认知效果又是什么样的呢，好像是像字母一样的表格，但是很难识别出这些字母。

也许会有人看出那是字母“V”，但却不确定它在什么位置。

在模糊的字母排列里你什么也看不清，比如Figure 2b。

观察者更有可能看成像Figure 2c那样的图形。

一些关于字母形状的信息完成了，精确的空间排列被分解了。

Figure 2c是来自于电脑制图讲Figure2a应用标准纹理合成得到的结果[Portilla & Simoncelli 2000]。

这个技术测量一组来自于原始图像的统计，反复的调整随机“种子”图像直到近似同样的统计。

这表明边缘视觉系统能依照一系列局部图像统计表征这个输入。

最近关于边缘视觉的研究表明情况就是这样[Balas et al, 2009; Levi, 2008; Parkes et al, 2001; Pelli & Tillman, 2008].大约来说，这些统计收集合并了凹面距离呈线性增长的区域，也就是所谓的离心率。

每一个合并区域的半径都近似于离心率的一半(reviewed in [Pelli & Tillman 2008])。

如图Figure 1a也表明很难检测到外围。

周围情况的处理是无意识的；花费很长时间注意到周边视觉是有一些反常的。

反省一个人认知的难度在于边缘视觉中表示法的统计属性；图像统计学的矢量看起来像是什么？如果我们不注意它，边缘视觉好像提供给一幅图像“样本”近似于正确的统计。

认知是改变的，难度在于理解。

接着我们如何将边缘视觉应用到设计中去。

也许通过肉眼观察到的有用信息，因此能够被观察到并对凹面作出估计。

Figure 2: (a) 固定符号“+”，很容易在左侧读到单独的符号“A”。

但是很难鉴定出右侧排列的字母(b) 周边视觉不仅仅是丢失了视觉敏感度。

(通过扩大模糊进行模仿). 认知结果可能更像(c), 将字母的排列应用纹理合成算法得到的结果是(a).1.1 可视化边缘信息在边缘视觉中捕捉敏感度丢失的工具。

可论证地，在设计中众所周知的“斜视”技术在某种程度上允许我们在边缘视觉上模仿敏锐度减少和灵敏度的对比。

另一种技术模糊图像的外围部分来模拟敏锐度的降低[Anstis, 1998]。

然而，信息在周围的丢失主要不是敏锐度的降低，而是前面提到的视觉输入的统计或者纹理表示。

我们如何将边缘视觉纹理过程的效果形象的表示出来。

结构上的表示大体意味着结构的来源，从原始图像的一小块是有效保护的，但是他们的位置是未知的。

能在Figure 1c中看到纹理表示：每一个字母剩余的部分，但是他们在彼此和位置上出现了错误。

假设一下，我们通过随机一块信息在各自区域的收集过程将边缘的有用信息形象化显示出来。

Figure 3表示一个例子。

方框中包含了潜在区域的可利用块，将相似的块重新排列聚集到一起(原始图Figure 1b) 这就像区域的纹理特征视觉直方图。

我们能够看出来这个区域包含一些蓝色，一些奶油状的红色，一些垂直方向的结构等等。

像这种捕获潜在区域的“纹理”信息可视化。

然而，很难利用收集到的块，这个可视化低估了可利用的信息。

取代纯粹的收集块，假设将他们“缝合”在一起产生出更平滑的图像，合成更多的扩展结构。

视觉系统很可能做了一些相似的事情。

从许多重叠的集中区域聚合图像统计，总的来说通过选择可信的符合所有限制的图像或者影像形成场景认知。

这种技术生成的图像受到统计信息类型的限制。

纹理合成技术目的在于创造一种新的纹理“样品”，看起来像(但是不精确)原始的样品。

一些艺术态，非参数的纹理合成技术[Efros & Freeman 2001; Kwatra et al2003] 通过原始纹理的选择块做这些内容，比如Figure 3，重新排列并将他们“缝合”以使他们更平滑的组装在一起。

这里，我们扩展了艺术态的纹理合成技术。

而不仅是单一的样本资源纹理用于整个合成，替换了基于区域的部分块的局部“纹理”来源，增加了离心率的大小。

Figure 3: 方框将潜在区域的可利用块形象化。

(首次利用模糊的方法增加离心率[Anstis 1998] 来估计外围离心率的降低。

左下象限将字母“H”固定)2.算法为了简洁，我们请读者参考原始算法[Efros & Leung, 1999] 来了解基本细节，这一部分，我们扩展一下基本算法。

我们的算法把输入当做一幅图像，固定位置I和这一块的大小用来表示图像。

一大块允许模型代表更复杂的结构(宽松地讲; 高阶统计量)。

大量的工作有待完成精确地决定统计是由外围视觉组成的，因此所选块的大小要与算法合适。

这里我们所选块的像素尺寸为15*15，根据性质上的相似性，我们要显示在一堆排列中预测到的外围字母识别来完成图像统计[Balas et al, 2009]。

依照当前的定位，首次将区域I进行外围模糊，模拟外围的敏锐度降低[Anstis, 1998]。

当对凹面的感知很明显时，在定位附近复制一小块区域直接输出图像J.除了这个“凹面”之外，我们从原始图像复制一个单像素的n (~200)到区域J(see Figure 4a).这些种子像素的位置来源于一幅笛卡尔网格交叉图像，等距的极坐标网格定位(取决于显著性算法[Rosenholtz et al 2005])，也有同样显著的位置。

图像统计学的位置很大程度上不同于周围的环境。

这些多次播种在某种程度上始于算法，阻止了局部最小值的获取阻塞。

每一个未填充像素都被相邻的像素填满，我们从相邻的半径等于离心率一半的图像中构想出一系列图像块。

这种视觉系统的大致半径好像是收集了图像的统计信息[Pelli & Tillman 2008]。

我们从列表中找到了k=10的最好匹配相邻像素的块已经被填充了(如图Figure 4b)。

随机挑选k分之一的匹配，将缺失的像素值用对应的像素块匹配好。

Figure 4: a. 蓝色的“x”种子点用来合成。

b. 最好的匹配样本(在当前区域)在左侧显示出来。

随机的选择一个匹配填充选择点的值(模板的中心点)3.结果Figure 1的结果显示为Figure 5，红色的圆圈表示给定的定位位置。

这些合成图像代表原始图像的统计信息，理想上每一次显示都应该考虑几个“样本”，也就是几次合成，如Figure 6所显示的。

考虑到多次取样可以更好的将外围的有效信息形象化。

考虑到空间的利益Figure 4 每一幅输入图像都只显示了一次合成。

注意到这些合成看起来很像原始图像，尤其用红色的圆圈将位置标记出来，这很有意义。

视觉系统可能从图像统计上计算了场景的“要点”[Oliva & Torralba 2001]。

自从我们获得了几乎正确的统计，合成的图像大致与原始图像相同。

考虑到GPS显示(Figure 5a)，可视化预测大多数文本都是不可读的，但街道和公园的总体布局将从质量上被正确感知(尽管细节上通常是错误的) 用户应该能辨别出向右转的方法。

合成的气象图Figure4b预测观察者能够感知到比如陆地是图上哪一部分，理解等压线接近的固定位置，但不能轻易找出更远的等压线。

这个模型预测用户能辨别出上方和右下方，左下方有深色斑点的是树图(Figure 4c).Figure 4d预测用户能够认知到图中地铁站的有向直线，但是不能认出地铁线路的大体结构。

这些初步的实验结果与主观上观察原始图像的给定位置几乎是一致的Figure 5: Figure 1的合成图像，红色的圆圈指示固定点。

4.结论与未来的工作本文给出了外围有用信息的可视化概念的早期证明，基于最近的人类视觉上的工作，需要完成正确的统计，如何更好地完成非定态的文本合成。

未来的工作包括大量的用户学习测试模型预测保存的信息。