Помимо формальных взаимоотношений, таких, как «фигура-фон» и других, важно учитывать психологический аспект, так как любой воспринимаемый объект автоматически расценивается как приятный или неприятный. Невозможность подобной оценки рискует вызвать вообще отсутствие реакции как таковой, что, конечно, плохо. Похожесть объекта на прежде знакомые помогает опознанию содержания кадра в целом и, таким образом, способствует пониманию и осмыслению, т.е. из этого следует, что необходим элемент избыточности. В то же время уровень сложности изображения должен быть не слишком низким (в этом случае будет недостимуляция), но и не слишком высоким (в этом случае возможна перестимуляция). Кроме того, эстетическая ценность любого изображения — понятие весьма относительное, она зависит от личности воспринимающего, от его сознания, степени опытности, готовности и способности чувствовать.
![](data:image/jpeg;base64,/9j/4AAQSkZJRgABAQEAYABgAAD/2wBDAAYEBQYFBAYGBQYHBwYIChAKCgkJChQODwwQFxQY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)
Илл. 7 Влияние новизны информации на интерес восприятия иллюстрирует схема соотношения новой, оригинальной и давно знакомой информации. Парабола выражает информационную ценность сообщения, она обратно пропорциональна степени повторяемости. Способность к восприятию стимулируется тем, в какой степени сообщение (т.е. изображение) содержит уже знакомые элементы. Стопроцентная новизна будет встречена с таким же безразличием, как и стопроцентная повторяемость, т.е. знакомость.
Парадоксы восприятия цвета
Более подробно следует остановиться на особенностях восприятия цвета. Многие художники замечали, что объемная форма какого-либо предмета и его цвет не могут восприниматься одновременно.
Как утверждает гештальтпсихология, мы вначале «схватываем» весь объект, т.е. его форму, пространственные соотношения, фактуру, общие закономерности цветовой и световой среды и так далее, но в дальнейшем, если мы попытаемся перейти к детальному анализу, окажется, что постигать детали фактуры и объемной формы и одновременно ощущать все тончайшие нюансы цвета в светах, в тенях, бликах и рефлексах — невозможно. Восприятие идет как бы по двум различным каналам, и для переключения внимания с одного на другой необходимо некоторое внутреннее усилие и даже определенный навык (этим навыком обладают профессиональные живописцы). И это при том, что цветовоспроизведение находится как бы внутри тоновоспроизведения, которое является более обобщающим свойством. Без правильной передачи тональных различий невозможна правильная передача цвета!
Казалось бы, одно должно только помогать другому, дополнять его! Схватывая объект целиком, мы ощущаем цвет определенных его участков, в определенных яркостных зонах (это света, это тени, это блики, а это рефлексы), и наш механизм константности мгновенно просчитывает, как хороший компьютер, истинный предметный цвет, и этого перцептивного суждения о цвете обычно вполне достаточно для повседневной жизни. Если же мы, как профессионалы, захотим осознать цветовые соотношения на объекте, т.е. сравнить, какой цвет теплее, какой холоднее, где рефлекс незаметно переходит в тень и как это происходит, то окажется, что наш взгляд, переходя с одного участка предмета на другой (с блика на полутень, со светов на тень и т.д.) перестает различать особенности формы и фактуры, сосредоточиваясь только на цветовых различиях. При этом помимо нашей воли, глаз так меняет свою адаптацию, чтобы каждый раз цвет очередного рассматриваемого участка попадал в зону наиболее благоприятного светлотного уровня для данного цвета. То есть для того, чтобы максимально точно определить цветовой тон, нужно подсознательно перевести светлоту этого участка в такой уровень светлоты, где все изменения в цветовом тоне для данного цвета наиболее заметны.