Il lato umano
Un modello dell’uomo
Uomo come sistema per l’elaborazione
delle informazioni (Model Human
Processor, Card, Moran, Newell 1983)
–  Canali di ingresso-uscita
–  Sistema sensoriale
–  Sistema motorio
–  Memoria
–  Processore
Model Human Processor
Occhio e cervello
From the eye ..
.. to the brain
Visual pathway
Il sistema visivo umano
L’occhio
Sclera
Coroide
Retina
Corpo vitreo
Nervo ottico
Cristallino
Corpo ciliare
Iride
Cornea
Aberrazioni cromatiche
Blu Verde Rosso
LUCE
BIANCA
LENTE
Blu Verde Rosso
A B C
FUOCO SULLA RETINA
Da questo esempio si vede la difficoltà di messa a fuoco
contemporanea del rosso e del blu: da molti le righe di questi
due colori vengono viste, per i motivi descritti, come se fossero
collocate a distanze diverse dagli occhi.
Questo fenomeno non si verifica se si usano due colori che
si trovino fra loro più vicini sullo spettro visibile, come si può
facilmente verificare da questo secondo esempio, che non
dovrebbe presentare l’effetto tridimensionale di cui sopra.
Metaphor to challenge
Il campo visivo
Acutezza
Luce
I fotoricettori
Bastoncelli
Coni
Visione notturna (scotopica)
Visione diurna (fotopica)
Visione cromatica
Sono di 3 tipi:
Coni L (sensibili alle alte l)
Coni M (sensibili alle medie l)
Coni S (sensibili alle basse l)
Rods and
cones
Sensibilità della retina
Blind spot
Uneven distribution
La macchia cieca
Human vision is foveal
www.cartome.org
A complete image never exists on the retina
Retinal circuitry
Circuitry
• 
• 
• 
• 
• 
• 
10 different layers
12 different types of gangliar cells
27 different types of amacrine cells
12 different spatio-temporal representations
lateral and vertical inhibition
hypothesis of layer specialization
Coding colors from cones
Cone sensitivities
Nomalized cone sensitivities
Max
ratio
L/M=2
red peak falls on green
Courtesy J.J. McCann
Normal
vision males
1.1:1
52.7%
L:M
> 40%
difference
16.5:1
94.3%
Retina and CFA
•  spectral information has to be interpolated
spatially
•  random cone pigment distribution
•  from 5 to 7 different color sensations
•  white: no correlation with L and M cones
distribution
•  blue/violet : S cones not essentials
Helmholtz elemental
sensation theory
•  proven to be not applicable
•  colorimetry and color
opponency based on it
Soglie e adattamento alla luce
How good is our camera ?
The glare problem
The glare problem
Glare Spread Function
Vos, J.J. and van den Berg, T.J.T.P,
CIE Research note 135/1, Disability Glare , ISBN 3900734976
(1999).
1
PIGMENT
Blue eyed Caucasian
Blue green Caucasian
Mean over all Caucasian
Brown eyed Caucasian
Non Caucasian with pigmented skin and dark brown eyes
1.21
1.02
1.00
0.50
0.00
Dynamic Range = 5.4 OD
or 251,189:1
False-color LookUpTable
Same LUT applied to SD & DD
Visualize HDR targets
Same LUT applied to SD & DD
Visualize Retinal Images
Same LUT applied to SD &
DD
Change LUT for Retinal Images
Change LUT for Retinal Images
Veiling glare increases
gray luminance
Contrast decreases
gray appearance
Glare vs. Contrast
Contrast
offsets
glare
Shape vs color
Edges vs color
Spatial effects
Land experiment
Land experiment
PINK
Observer
ES=100 EM=100 EL=100
LS=255 LM=115 LL=255
Projector
Colorimetro
Land experiment
GRAY
PINK
Observer
ES=50 EM=111 EL=50
LS=128 LM=128 LL=128
Projector
Colorimetro
S. Anstis, 1974
Assimilation
(White effect)
Koffka ring
3D configuration
Edge effect