图像处理与深度信息识别🪃：
不同空间频谱信息在深度知觉加工中的作用
人们可以通过各种线索来识别空间中的深度信息🧑🏼🦱。如上图所示🤽🏽♂️，即使对于2D图像，我们依然可以使用包括透视、纹理梯度变化、遮蔽等一系列线索来评估图像中各个位置的相对深度⛵️。然而一个更深入的问题在于，我们是如何使用这些信息的？如果我们真是基于特定的局部线索来完成深度知觉的，那我们的深度知觉就会很大程度上会依赖于特定的环境。在我们熟悉的环境中，我们会更善于找到有效的局部线索，从而帮助我们更好地加工深度信息🧒🏿。然而事实上我们的深度知觉并非十分依赖特定环境——人们在不熟悉的环境中也能基本准确地判断深度信息🧚🏽♂️。所以⬆️，是否存在另一种通用的机制，帮助我们用更加一般的规则经行深度知觉加工呢？这一问题一直受到相关领域研究者的关注🥖。
在近日发表于Journal of Vision上的一篇论文中，意昂4的陈中廷博士与其合作导师Jeffrey A. Saunders博士通过傅里叶变化的方法，评估了不同朝向的空间频谱信息对于深度知觉加工的影响👨🏻🦰。
傅里叶变化是一种常见的信号处理方法🕢，广泛应用于信号过滤、图像处理等各个领域。尽管先前的文献并没有对空间频谱信息和深度知觉的关系做很多的探讨，但如上图所示，经过傅里叶变换后的各朝向频谱特征（右侧方形图所示）相较于原先的图像💌，更凸显了深度变化而造成的特征差异，从而说明了理论上频谱特征可以被用于深度知觉的加工🦑。
为了验证这一问题，研究者采用了特殊的图像处理方法，以控制不同空间频谱信息对于深度知觉的影响（见下图）🧑🏼🔬🧜♀️。在不同的实验条件下🧚🏻♂️，特定朝向的空间频谱信息被添加/除去，从而使研究者可以比较其对于深度知觉的影响。研究者通过数学建模的方法进一步指出，不同朝向的频谱信息在知觉加工中的影响与贝叶斯理想观察者模型（Bayesian Ideal Observer Model）所推测的优化整合过程一致🍐，说明我们的知觉系统有效地整合了各种不同特征的空间信息👉🏻⤴️，从而从不同方面促进深度知觉这一过程。这一研究也帮助我们进一步认识到👵🏻，人类的知觉加工与计算视觉研究中的特征信息有着密切的联系，而并非是一个直觉的👂🏽🤟🏿、启发式的过程。对于深度知觉的研究将有助于我们认识自己，并促进相关计算机视觉及人工智能的发展👩🏼🍳。
论文信息🫱🏿🏗：
Chen, Z. (陈中廷), & Saunders, J. A. (2019). Perception of 3D slant from textures with and without aligned spectral components. Journal of Vision, 19(4):7, 1-23, https://doi.org/10.1167/19.4.7.