Schopnosť vidieť sa nám v každodennom živote môže zdať veľmi jednoduchá a priamočiara, pretože nevyžaduje vykonanie vedomého samostatného myšlienkového procesu, aby sme zistili, čo očami vnímame. Schopnosť vidieť, a najmä uvedomiť si, že vidíme - uvedomiť si prítomnosť vnímaných objektov v zornom poli - však ani zďaleka nie je tak priamočiara. V skutočnosti medzi vstupom konkrétneho podnetu do našich orgánov zraku a jeho uvedomením si vedie veľmi zložitá cesta.

Na nasledujúcich riadkoch sa pokúsime vysvetliť proces vnímania vizuálnych podnetov, pričom rozlišujeme medzi dvomi úrovňami tohto procesu - pociťovím (z angl. sensation) a vnímaním (z angl. perception). Prvá z nich predstavuje príjem neinterpretovaných podnetov na úrovni senzorického orgánu a druhá je organizovaným procesom, ktorý vyžaduje interpretáciu a priradenie významu podnetom získaným na úrovni senzorických orgánov, t.j. na prvej úrovni.

Zrakový orgán - oko - odráža obraz vonkajšieho sveta na sietnici. Tento obraz je prevrátený hore nohami a zľava do prava vzhľadom na vonkajší svet. Skutočnosť, že sietnica odráža vizuálne signály v takto prevrátenej podobe však nemá vplyv na našu schopnosť vidieť vďaka tomu, že existuje spojitosť medzi konkrétnou formou objektu a neurónovými signálmi.

Informácie zo sietnice sú transformované do mozgu, pričom je potrebné dodať, že vizuálny obraz nie je konvertovaný jedna-k-jednej do zodpovedajúceho elektrického signálu - niektoré informácie sú v procese transformácie vyradené, a iné sú naopak zdôraznené. Mozog teda prijíma už čiastočne vopred spracované informácie, vzhľadom na ich dôležitosť. Na úrovni sietnice teda dochádza k prvotnému (čiastočnému) spracovaniu vizuálnych informácií v sieti prepojení nerovových vláken.

V závislosti od prostredia a životného štýlu daného živočíšneho druhu je v niektorých prípadoch potrebná schopnosť rozoznať/vnímať detaily (napríklad operený dravec, ktorý zbadá pohyb koristi i z veľkej výšky), zatiaľ čo inokedy je dostatočná aj veľmi hrubá kontúra obrazu (napríklad myš alebo kura domáca rozpozná podla tvaru tieňa a smeru letu nebezpečenstvo blížiaceho sa predátora). Schopnosť vizuálneho systému rozoznať detail závisí od miesta na sietnici, kam obraz dopadá.

Sietnica obsahuje veľké množstvo receptorov. Týchto je oveľa viac ako neurónových buniek, určených pre prijímanie signálov z vizuálnych receptorov. Pomer neurónových buniek a na nich napojených receptorov sa na rôznych miestach na sietnici mení, čo má za následok rôznu schopnosť rozoznávať detaily v závislosti od miesta na sietnici, kde daný obraz dopadá. Napríklad, v mieste a okolí tzv. žltej škvrny (miesta najostrejšieho videnia) je tento pomer veľmi vyvážený, čo znamená, že signál prichádzajúci z jedného z receptorov nemusí konkurovať veľkému počtu iných signálov z iných receptorov pri vstupe do príslušného neurónu; schopnosť rozozonávať detaily je teda na tomto mieste sietnice najlepšia. Naopak, na periférnych častiach sietnice pomer medzi spomínanými bunkami narastá, t.j. mnoho signálov naraz "súťaží" o vstup do neurónovej bunky; schopnosť vnímať detail je tu veľmi nízka. Z uvedeného vyplýva, že zaostrenie obrazu je v podstate prenesením odrazu daného objektu z časti sietnice do okolia žltej škvrny. Odraz tej časti zorného poľa, ktorá nie je momentálne dôležitá zostáva v periférnych častiach, kde je možné detekovať len prítomnosť objektov, bez ich detailnejšieho zamerania.

Proces odrážania a prvotného spracovania (selekcie) vizuálnych podnetov, teda to, čo sme si označili ako pociťovanie (sensation), je však nepostatočuje pre pochopenie komplexného procesu vnímania (percepcie - perception), pretože od momentu odrazenia odrazu na sietnici až po percepciu daného odrazu ešte musia prebehnúť určité procesy, ktorých výsledkom je uvedomenie si pozorovaného objektu. Spomínané procesy priblížime v nasledujúcej kapitole.

Na vnímanie vonkajšieho sveta nestačí len odrážanie na sietnici. Ak prostredníctvom očí vnímame daný objekt (napr. auto) v rôznych vonkajších podmienkach, objekt sa zdá byť zakaždým rovnaký. V skutočnosti sa však jednotlivé podnety na sietnici vzájomne líšia v každom jednotlivom prípade. Napríklad, ak je daný objekt od nás viac vzdialený, jeho odraz na sietnici je menší, podobne aj farba či tvar daného objektu závisí od konkrétnych svetelných podmienok, alebo nášho uhla pohľadu. Napriek rozdielom v odraze vnímaného objektu na sietnici však máme tendenciu vnímať objekt rovnako. To znamená, že tvar, farba, veľkosť sa v závislosti od okolností nemenia, ide o tzv. vizuálne konštanty (z angl. visual constancies).

Schopnosť vnímať na základe vizuálnych konštánt umožňuje vidieť svet čo možno najmenej skreslene, no sama osebe nestačí na vnímanie organizovaným spôsobom. Zvonku prichádzajúci trojrozmerný vizuálny podnet sa odráža na sietnici v dvojrozmernom príestore - proces vnímania teda vyžaduje schopnosť uvedomiť si hĺbku pozorovaných trojrozmerných objektov. Najskôr je však potrebné vysvetliť inú časť procesu vnímania - organizáciu vizuálnych podnetov, čiže spôsob, akým celkový vizuálny podnet (celé zorné pole) "rozmieňame" na dielčie podnety (zjednodušene povedané, či najskôr vidíme objekt alebo jeho časť).

Ak vaša obľúbená hudobná kapela nahrá pesničku, ktorá sa vám zvlášť páči, boli by ste schopní spoznať jej melódiu aj napriek tomu, že by ju iná kapela hrala bez textu a v inej tónine. Boli by ste tak schopní spoznať celok (melódiu) i napriek tomu, že sa zmenili jej časti (jednotlivé noty). Tvrdenie, že celok je dôležitejší než jeho časť predstavuje základ teórie Gestaltistov. Jej zástancovia venovali zvláštnu pozornosť organizácie procesu vnímania, teda akémusi technickému postupu pri vnímaní. Podľa nich je vizuálna percepcia organizovaný proces, ktorý prebieha na základe tzv. figure-ground organizácie. Táto spočíva v tom, že pri pohľade na vizuálne pole ako celok vystupuje jeho určitá časť ako samostatný, veľmi jasne definovaný objekt (figure), pričom zvyšná časť pola je menej detailná a dôležitá (ground). Gestaltisti verili, že je možné stanoviť presné zákony procesu organizácie vizuálneho vnímania. Okrem spomínaného základného zákona (celok je dôležitejší ako časť) sem patrí aj tzv. Prägnanzov zákon, podľa ktorého budeme z "rôznych možných geometrických tvarov vnímať ten najlepší, najjednoduchší a najpevnejší." Iné zákony mali za cieľ potvrdiť tvrdenie, že proces vizuálneho vnímania sa deje prostredníctvom čo najjednoduchších tvarov - ide o zákon podobnosti, zákon blízkosti, zákon uzavretosti a zákon hladkého priebehu. Podľa zákona podobnosti a zákon blízkosti, častí, ktoré patria k tomu istému objektu sa zdajú byť k sebe bližšie a sú si podobné. Podľa zákona uzavretosti sme schopní vnímať objekty ako uzavreté celky napriek tomu, že v zornom poli vidíme len ich časť. Zákon hladkého priebehu zas nachádza svoje uplatnenie v situácii, keď máme pred sebou obraz viacerých navzájom sa prekrývajúcich objektov, pričom sme schopných rozlišovať ich jednotlivý tvar.

Vizuálny systém je schopný rozpoznať známe dvojdimenziálne objekty aj napriek tomu, že ich forma môže byť rôzna - napríklad sme schopní prečítať text písaný rôznym rukopisom, alebo dokonca zakódovaný na základe istého kľúča (napr. za každú slabiku sa vloží slabika "pa"). Čomu vďačíme za túto flexibilitu? Na akom základe tieto procesy prebiehajú? Tieto a s nimi súvisiace otázky sú predmetom viacerých teórií a prístupov.

Najjednoduchším spôsobom, ako vysvetliť vnímanie formy objektov je ten, ktorý tvrdí, že každá forma objektu je už vopred uložená v našej dlhodobej pamäti. Proces vnímania teda pozostáva s porovnávania videného s tým, čo je uložené v pamäti, kým nedôjde k zhode a následnému uvedomeniu si pozorovaného objektu. Tento prístup však realitu príliš zjednodušuje a nie je schopný vysvetliť napríklad prečo sme schopný identifikovať predmet, napriek tomu, že jeho forma sa môže meniť.

Táto teória nadväzuje na predchádzajúcu a sčasti koriguje jej nedostatky: vizuálny obraz sa skladá z určitého počtu charakteristických znakov, ktoré pri vnímaní daného objektu porovnávame s tými znakmi, ktoré máme uložené v dlhodobej pamäti, na základe zhody oboch znakov sme následne schopní uvedomiť si daný objekt. Ilustráciou aplikovania tejto teórie je napríklad skutočnosť, že sme schopní rozpoznať písmena abecedy (samozrejme, musí ísť o ten druh zápisu písma/znakov, ktorý je nám známy) napriek tomu, že sú napísané rôznym rukopisom. Nedostatok tejto teórie spočíva v tom, že sa zameriava len na jednu časť procesov vnímania (tzv. bottom-up procesy) t.j. na vnímanie foriem, pričom necháva bokom napríklad faktor kontextuálnej informácie, či očakávania (ktoré súvisia s top-down procesmi). Proces vnímania formy je totiž mnohokrát spojený aj s celkovým kontextom a zahrňuje vedomú činnosť - napr. na základe experimentov sa podarilo Neisserovi dokázať, že detekovanie písmena Z v poli s rôznymi písmenami je jednoduchšie, ak je toto písmeno obklopené písmenami oblého tvaru, než v poli písmen s ostrými hranami. Výsledkom týchto zistení bol fakt, že detekovanie daného písmena závisí menej na bottom-up procesoch, teda rozpoznávaní charakteristických znakov na základe ich porovnania so znakmi v dlhodobej pamäti; a teda viac na top-down procesoch, ktoré zahŕňajú isté "nastavenie mysle/pozornosti" na určitý tvar písmen.

Štrukturálne popisy pozostávajú "zo skupiny predpokladov (symbolických, nie lingvistických, i keď ich vyjadrujeme slovami) o konkrétnej konfigurácii". Napríklad, písmeno A je podľa tejto teórie rozdeliť na jednotlivé časti takto: a) skladá sa z troch častí; b) prvá a druhá časť tvoria ramená rovnoramenného trojuholníka; c) tretia časť pretína obe v dvoch tretinách ich dĺžky, paralelne s podkladom. Dôležité je, že táto teória selektuje medzi aspektami vizuálneho obrazu a vyberá len jeho najdôležitejšie charakteristiky - napr. nie je dôležitá veľkosť ramien písmena, preto je zo štrukturálnej deskripcie vyňatá. Štrukturálna teória však celkom nevysvetľuje, ako sa štrukturálne popisy zhodujú so štrukturálnymi popismi v dlhodobej pamäti a akým spôsobom prebieha proces ich vzájomného porovnávania.

Napriek uvedenému nedostatku však posledná zo spomínaných teórií pravdepodobnej najbližšie vystihuje skutočný postup, akým identifikujeme formu dvojrozmerných objektov.

Na prechádzajúcich riadkoch sme sa pokúsili vysvetliť proces identifikácie dvojrozmerných objektoch, ktoré sú odrážané na sietnici. Bezprostredná realita, prostredie v ktorom sa jedinci pohybujú je však trojrozmerná; akým spôsobom sme teda schopný zachytiť tento tretí rozmer? Existuje viecero kľúčov, ktoré môžeme pre zjednodušenie rozdeliť na mono- a binokulárne, v závislosti od toho, či na ich využitie potrebujeme súčasne využívať jedno, ale dve oči (v tomto poradí).

Prým z takýchto kľúčov je tzv. sprostredkovanie. Toto najčastejšie využívame v situácii, ak nám jeden objekt prekrýva druhý - náš vizuálny systém je schopný dotvoriť si obraz čiastočne zahaleného objektu tak, že ho vnímame ako úplný.

Ďaľším kľúčom je tzv. lineárna perspektíva, ktorú často využívajú aj umelci na vytvorenie ilúzie priestoru - v dialke sa totiž pre naše oko dve paralelné čiary zdanlivo približujú (napr. kolajnice, okraje cesty). Podobne, čím ďalej sú pozorované objekty, tým sa nám zdajú bledšie, ich kontúry sú menej výrazné až splývajú - na základe stupňa takto zníženej schopnosti rozoznávať detail sme potom schopný usudzovať o vzdialenosti objektu. V tomto prípade ide o tzv. vzdušnú perspektívu, ktorej prinípy tiež využívajú umelci na vytvorenie ilúzie veľkej vzdialenosti jednotlivých predmetov na obraze (napr. obraz tatranského potôčika na pozaadí zasnežených vrcholov Vysokých Tatier).

Dva posledné typy monokulárnych kľúčov sú tzv. textúra obrazu a tieňovanie. Obe sa hojne využívajú v umení a napríklad architektúre, keď pomocou nich opticky "zväčšujeme" priestor, alebo vytvárame ilúziu trojrozmernosti plátna obrazu. Textúru obrazu si najčastejšie uvedomíme, keď pozeráme na koberec s opakujúcim sa vzorom, alebo strop s tatranským profilom - čím vzdialenejší je koberec, alebo miesto na strope, kam sa pozeráme, jednotlivé detaily ich formy sa akoby zlievajú a majú tendenciu komprimovať (stláčať sa, zmenšovať sa). Ak teda chceme vytvoriť ilúziu väčšieho priestoru, môžeme s týmto vedomím, napríklad postupne zväčšovať šírku tatranského profilu smerom od dverí, čím čiastočne oklameme zdanie zužovania sa jednotlivých častí profilu.

Tieňovanie využívajú najmä umelci, pretože podľa našej vedomosti v dlhodobej pamäti len trojrozmerné predmety majú schopnosť vrhať tieň - ak sme teda konfrontovaný s (dvojrozmerným) obrazom stola, ktorý vrhá tieň, máme zdanie jeho umiestnenia v priestore.

V prípade využívania oboch seonzorických orgánov zraku je možné hovoriť o troch hlavných kľúčoch na vnímanie hĺbky. Prvým z nich je prispôsobenie šošovky pri sústredení zraku na blízky objekt. Tento kľúč je však možné používať len v prípade nie veľmi vzdialených objektov.

Tretím kľúčom je stereopsia - obraz odrážaný na sietnici sa v prípade každého oka doistej miery líši, tieto rozdielne informácie sú potom základom pre vnímanie trojrozmerného obrazu skutočnosti. Je však veľmi náročné presne vysvetliť, akým spôsobom sa informácie z oboch očí kombinujú do jedného spoločného obrazu. Väčšinou totiž využívame viacero kľúčov naraz (pričom využívame tzv. aditívnu stratégiu, kedy namiesto výberu jedného spoľahlivého kľúča, máme tendenciu kombinovať informácie z viacerých, aby sme tak predišli možnej chybe/očnému klamu). Na základe predchádzajúcich výskumoch je však možné hovoriť o troch pravidlách (v podobe obmedzení) pri vnímaní oboma očami a kombinácii dvoch obrazov do jedného. Po prvé, ide o tzv. limit kompatability - je nutné, aby sa obrazy na oboch sietniciach do istej miery zhodovali, napríklad z hľadiska odrážanej formy, štruktúry, farby objektu. Druhým je tzv. limit následnosti, a uvádza podmienku, že vzdialenosti medzi jednotlivými časťami odrážanej skutočnosti musia byť v zhodnom pomere (nemôžeme vzdialenosť stola a stoličky vidieť jedným okom rozdielne ako druhým). Posledným pravidlom je tzv. limit jedinečnosti - jedna časť obrazu na sietnici jedného oka má svoju jedinečnú kópiu na sietnici druhého oka (nemôžeme jedným okom vidieť dve stoličky a druhým tri).

Jeden z hlavných významov vizuálnej percepcie je identifikácia objektov v zornom poli. Spôsob, akým toto vnímanie prebieha sa snažia vysvetliť viaceré teórie, medzi najvplyvnejšie patrí tzv. Marrova a Biedermanova teória.

David Marr patrí k tým vedcom, ktorí sa domnievajú, že proces vizuálnej percepcie je najvhodnejšie uchopiteľný prostredníctvom výpočtového modelu. Videnie je definované ako konštrukcia modelu sveta na základe svetelných vzorov dopadajúcich na sietnicu, t.j. vytvorenie symbolickej reprezentácie videného umožňujúcej adekvátne správanie. David Marr vymedzil niekoľko etáp v procese dopadnutia svetla na sietnicu až po identifikáciu videných objektov. Výsledkom spracovania jednotlivých etáp sú tzv. náčrty: a) prvotný náčrt (primal sketch - symbolická reprezentácia hrán a regiónov rovnakej intenzity; vizuálne obrazy sú organizované samovoľne, bez vedomého úsilia); b) dva a pol rozmerný náčrt (2.5D sketch - tu vstupujú do hry vrodené mechanizmy na vnímanie relatívnej hĺbky a orientácii každého viditeľného povrchu na scéne); a c) trojrozmerný náčrt (3D sketch - výsledkom procesu videnia je symbolická reprezentácia trojrozmerného sveta, ide o identifikáciu objektov na základe tvarov a určenie ich relatívneho miesta v priestore).

Do procesu úplnej identifikácii trojrozmerného modelu vstupujú aj poznatky získané skúsenosťou - najmä v situácii, ak nie je viditeľný celý objekt (predpokladáme jeho kompletný tvar na základe predchádzajúcej skúsenosti). Viezuálny systém tak podľa Marra konštruuje opis vnímaného objektu a porovnáva ho s akýmsi mentálnym katalógom prototypov, trojrozmerných foriem objektov. Tento proces prebieha na nevedomej úrovni a stretávajú sa v ňom prístupy zdola nahor (bottom-up) ako i zhora nadol (top-down): napríklad, špecifická črta objektu môže byť kľúčom na určenie prototypu a ten sa potom v procese zhora nadol použije na do-identifikácie tvaru objektu.

Prínos Davida Marra do oblasti skúmania procesu percepcie je významný, pretože pomohol odhaliť zložitosť javu, ktorý sa predtým javil oveľa jednoduchším. Samozrejme, aj spomenutá teória sa nevyhla nedostatkom. Medzi jej najvážnejších kritikov patrí J.J. Gibson (pôvodca tzv. ekologického prístupu), ktorý tvrdil, že zmysly dokážu vnímať informáciu priamo z prostredia a nie je potrebné jej spracovanie. Navrhoval skôr pojem selekcie, výberu informácie z prostredia. V prospech tejto výčitke hovorí napríklad aj fakt, že človek vníma podnety z prostredia okamžite, čo je pre Marrom navrhnutý model výpočtových operácií problém, ktorý nevie zdôvodniť z hľadiska faktoru času.

Na vyššie spomínanú teóriu Davida Marra nadviazal Biederman s tzv. recognition-by-components theory (spoznávanie prostredníctvom častí). Podľa tejto teórie existuje približne 36 základných tvarov alebo častíc, ktoré sa nazývajú geóny. Vnímanie, či skôr identifikácia objektu potom prebieha na základe vizuálnej organizácie odrážaných geónov a ich priestorového rozmiestnenia, pričom informácie o tvare objektov slúžia na definovanie geónov pozorovaného objektu.

Biedermanova teória do veľkej miery prispela k objasneniu procesov vnímania, no obsahuje dva zásadné nedostatky. Prvým z nich je fakt, že podceňuje úlohu kontextu vnímania (experimenty potvrdili, že ak mali subjekty pred pokusom k dispozícii infomáciu, ktorá súvisela s objektom, ktorý mali následne identifikovať, časový úsek úspešnej identifikácie bol kratší ako v prípade subjektov, ktoré túto informáciu nemali). Druhým nedostatkom je prílišné zovšeobecňovanie - teória sa sústredí na proces identifikácie rozdielu medzi stolom a tričkom, ale neuvažuje o rozlišovaní medzi vlastným a akýmkoľvek iným tričkom.

Proces vizuálneho vnímania je veľmi zložitý a zahrňuje proces vnímania zdola nahor, ako i proces vnímania zhora nadol. Prvý z nich je evolučne zabudovaný v procesoch nervového systému, teda nie je predmetom vedomých procesov a závisí len na vonkajších podnetoch; druhý proces je zahrňuje skúsenosť jednotlivca, jeho predchádzajúcu znalosť o tvaroch a funkciách objektov, ako i jeho očakávania a kontext vnímania. Rozdiel v používaní oboch "zručností" pomáha pri definovaní hranice medzi percepciou (čistým procesom vnímania) a kognitívnou aktivitou. Napriek tomu, že je veľmi náročné túto hranicu presne definovať a možno je to i nemožné, faktom zostáva, že jeden proces sa bez druhého nezaobíde - informácie o relatívnej hĺbke nie je možné získať bez vrodených schopností jej identifikácie (bottom-up proces) a identifikácia objektov zas nie je mysliteľná bez využitia skúsenosti, očakávaní a predchádzajúcich vedomostí (top-down proces).