纹理分割依赖局部空间频率差异，而非颜色或亮度本身
别名: 纹理分割 · texture segmentation · 前注意纹理分割 · texton
概念解释
一片区域和相邻区域即使颜色、平均亮度都一样，只要表面纹理的粗细、朝向或密度不同，人眼也能几乎瞬间、不需要逐点扫视就把两片区域分开——这个能力叫纹理分割（texture segregation）。它依靠的不是"这里比那里更亮"或"这里比那里颜色更深"，而是局部图案所包含的空间频率成分（细密程度）和朝向组合发生了变化。
容易被误解成"纹理不同当然看得出来，这不是理所当然的吗"。真正的要点在于分割发生得多快、多不费力：符合条件的纹理差异几乎是被"弹出来"的，不需要像逐个比对形状那样费力搜索，这一点和亮度、色相驱动的区分是同一类前注意加工，但依据的信号完全不同。
机制
视觉系统里存在一组对不同空间频率和朝向分别调谐的空间频率通道，每个通道只对某个窄带的"细密程度＋方向"组合敏感。当视野中某一块区域的局部空间频率能量分布（在哪个频段、哪个方向能量最强）与周围区域明显不同时，某些通道在这块区域内会被强烈激活，而在周围区域几乎不激活——这种局部响应差异本身就构成了一个现成的、不需要逐点比较的边界信号，边界的位置直接由通道响应突变的地方给出。
这解释了为什么分割依赖的是"局部图案的构成"而不是"平均亮度或颜色"：两片区域可以有完全相同的平均灰度和色相，只要其中一片由密集细线构成、另一片由稀疏粗线构成，负责高空间频率的通道和负责低空间频率的通道就会在两片区域给出截然不同的响应模式，边界依然清晰可辨。反过来，如果两片区域的空间频率和朝向构成足够接近，即使颜色不同，分割也会变得费力，需要逐点比对而非一眼分开。
怎么研究
经典范式是 Julesz 提出的纹理对任务：向被试呈现由若干微图案单元（texton，早期研究常用不同朝向、长度的线段或字母状图形）铺成的两片区域，改变两片区域之间在朝向、密度、末端形态等一阶统计特征上的差异，测量被试判断出边界所需的反应时间与准确率，或者干脆测能否"一眼看出"（不需要逐点扫视）。自变量是两片纹理在空间频率、朝向、密度等维度上的差异量；因变量是分割反应时间、检出准确率，以及是否表现出与集合大小无关的平坦搜索斜率（这是"前注意、并行加工"的行为标志）。
在界面研究里，这套范式常被用来检验一种编码方式（用纹理、图案密度区分类别）是否真的能被"预注意"地识别，还是退化成了需要逐个确认的费力搜索——这直接关系到能不能把纹理当作和颜色同等地位的快速分类线索使用。
方法论上要注意：实验室纹理对通常用规则排列的人工图案，真实界面里的纹理（材质贴图、背景图案、密集数据点）往往不是规则排列，实测的分割速度和清晰度可能不如实验室理想图案，不能直接套用实验室阈值。
边界
- 只对差异足够大的一阶纹理统计量有效。 朝向、密度、粗细的差异要达到一定量级才能被前注意地检出；差异过小时分割会退化为需要逐点比较的费力过程，不再是"一眼看出"。
- 二阶纹理边界（只靠更高阶统计量区分、没有一阶差异的纹理对）通常检出困难，需要主动扫视和比对，不能假设所有"人眼能分辨"的纹理差异都是前注意完成的。
- 前景任务会争夺这个通道的可用带宽。 如果视觉系统正忙于处理其他高空间频率任务（比如同时阅读细文字），纹理分割的效率会下降，不是一个不受注意力影响的独立通道。
- 周边视野的纹理分割能力弱于中央凹，远离注视点的纹理边界即使在实验室条件下清晰可辨，放到周边视野也可能变得不明显。
怎么落地
- 需要用户快速区分数据点类别、区域归属又不想只依赖颜色时（比如给色觉缺陷用户或黑白打印场景做兼容），可以用纹理密度或朝向差异做编码，但差异要做得足够大——细微的纹理差别达不到"预注意弹出"的效果，等同于没有区分度。
- 图表、地图中相邻区域需要被快速识别为"不同类别"时，优先让纹理差异发生在朝向或密度这类一阶统计量上（如横纹 vs 竖纹、疏 vs 密），而不是依赖更精细的二阶统计特征，后者往往需要用户主动扫视才能分辨。
- 避免同时用纹理和高频文字挤占同一块视野——纹理分割和精细阅读会争抢同一组高空间频率通道的处理资源，都做细会互相拖慢。
- 验证办法：把候选的纹理编码方案做成对比样张，测试用户能否在很短的呈现时间内（不给逐点比对的机会）报告出边界位置或类别归属，能做到才算达到了前注意分割的效果。