「赫曼方格」视错觉怎么破?

简介:

仔细看这幅图。里面到底有几个黑点呢?

实际上有12个黑点。立命馆大学心理学教授Akiyoshi Kitaoka近日在脸书上贴出了这张图,而大部分人都无法看出来。

这张图就是有名的赫曼方格,名字来源于德国科学家赫曼,他于1870年在期刊中发表这幅图。当你注视黑色方格之间的白色空间时,你会发现其他的白色空间都变灰了。赫曼方格是一个著名的“有力视错觉”,因为所有人都会看错,而且你无法适应。

1985年,JR Bergen发明了一个赫曼方格的变体,能够产生不同的效果。这里的方格变模糊了,当你看着它,上面会出现接二连三闪烁的黑色小点。

在2000年,研究者Jacques Ninio和Kent Stevens又创造一款赫曼方格,也有类似的闪现效果。他们发现,将拥有黑色轮廓线的白圈放进交汇处,然后将花纹歪斜,就会产生一种“湮灭效果”。

这两位在Perception期刊上发表了论文:“把有黑色轮廓线的白色圆点缩小放进网格中,它们就会消失。你一次只能看到一部分白点,它们会在三两成群在页面中无序移动。在没有白点的地方,灰色条纹似乎是延续不断的,而实际上条纹是被白点所截断的。”

他们说这种错觉反过来也有效(就是黑点在白色网格中)。

一种解释是人类视网膜的侧抑制现象。为了聚焦,视网膜里的神经节细胞会增强焦点处接收到的刺激,减弱这一点之外的刺激。但是看着方格时,会导致细胞误会所收到的刺激。一些科学家认为这种错觉会让那些视力没有聚焦到的白点隐身。

四个区域刺激减弱vs两个区域刺激减弱


如果这些白点更加明显,比如变得更大,你的眼睛就不会让周围白点消失了。对比下面两张图:

原图


白点被放大


你也可以让这个错觉消失。比如先看着屏幕,然后将屏幕前倾,再看着它。


这么做之所以有效是因为倾斜屏幕增加了对比,这让黑点变得更加明显,从而视网膜不再受到侧抑制的影响。

反过来也有用,如果将屏幕后仰。对比度减少则会让所有的黑点消失。

 原文发布时间为:2016-09-17

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
构建工具对比:Webpack与Rollup的前端工程化实践
在现代前端开发中,前端工程化变得愈发重要。本文将对两个常用的构建工具——Webpack和Rollup进行比较,探讨它们在前端工程化实践中的特点、优势和适用场景。无论是大型应用的打包优化还是轻量级库的构建,选择适合的构建工具都能提高开发效率和项目性能。
222 1
Android UI设计: 解释Android的Nine-Patch图像是什么,它用于什么目的?
Android UI设计: 解释Android的Nine-Patch图像是什么,它用于什么目的?
181 4
量化交易大揭秘:如何将TA-Lib神兵利器部署于云端函数计算,让策略飞升!
【8月更文挑战第8天】在量化交易中,TA-Lib作为技术分析库备受青睐,支持多语言包括Python。本教程指导如何将其移植至函数计算平台,实现云端交易策略。首先安装Python与TA-Lib;接着选择云服务商并创建实例。确认TA-Lib与平台Python版本兼容,必要时构建自定义运行时。使用`pip`安装TA-Lib并打包依赖。编写函数计算代码示例,如计算移动平均线。部署代码与依赖至平台,定制Dockerfile以支持自定义运行时。最后,通过平台测试功能验证功能正确性。完成移植后,即可享受Serverless架构的自动扩展与成本效益优势。
363 4
流式数据处理:DataLoader 在实时数据流中的作用
【8月更文第29天】在许多现代应用中,数据不再是以静态文件的形式存在,而是以持续生成的流形式出现。例如,传感器数据、网络日志、社交媒体更新等都是典型的实时数据流。对于这些动态变化的数据,传统的批处理方式可能无法满足低延迟和高吞吐量的要求。因此,开发能够处理实时数据流的系统变得尤为重要。
658 1
【YOLOv8改进】 ParameterNet:DynamicConv(Dynamic Convolution):2024最新动态卷积
**摘要** ParameterNet是新提出的框架,旨在让低FLOPs模型也能受益于大规模视觉预训练,通过动态卷积在增加参数量的同时控制计算量。动态卷积利用条件生成的卷积核增强模型适应性。在ImageNet上,ParameterNet-600M在准确性上超过Swin Transformer,且FLOPs更低。该方法也被拓展至语言领域,提升LLaMA模型性能。代码可在<https://parameternet.github.io/>获取。
PyTorch快速入门与深度学习模型训练
这篇文章是PyTorch的入门指南,介绍了PyTorch作为深度学习框架的基本概念和使用方法。内容包括PyTorch的背景、基础操作如张量创建、运算、自动微分,以及如何构建和训练简单的全连接神经网络模型进行MNIST手写数字识别。通过这篇文章,读者可以快速了解如何在PyTorch中搭建和训练深度学习模型。
645 4
高斯函数 Gaussian Function
**高斯函数,或称正态分布,以数学家高斯命名,具有钟形曲线特征。关键参数包括期望值μ(决定分布中心)和标准差σ(影响分布的宽度)。当μ=0且σ²=1时,分布为标准正态分布。高斯函数广泛应用于统计学、信号处理和图像处理,如高斯滤波器用于图像模糊。其概率密度函数为e^(-x²/2σ²),积分结果为误差函数。在编程中,高斯函数常用于创建二维权重矩阵进行图像的加权平均,实现模糊效果。
1146 1
面经:Impala实时查询引擎原理与性能调优
【4月更文挑战第11天】Apache Impala是高性能的大数据查询引擎,常在面试中被关注。本文分享了Impala的面试重点:架构(Catalog Service、Statestore、Impalad)、查询流程、SQL特性、性能调优及与其他引擎的对比。理解其工作原理、SQL使用和调优策略,对于面试和实际工作都至关重要。通过示例和知识点详解,助你提升对Impala的掌握,自信应对技术考察。
622 3
总结|性能优化思路及常用工具及手段
性能优化是降低成本的手段之一,每年大促前业务平台都会组织核心链路上的应用做性能优化,一方面提升系统性能,另外一方面对腐化的代码进行清理。本文结合业务平台性能优化的经验,探讨一下性能优化的思路及常用工具及手段。
76463 1