Une expérience d'image de classification typique comporte une série d'essais correspondant chacun à la présentation d'un stimulus visuel ou auditif. Ces stimuli sont composés d'un signal-cible aléatoirement choisi parmi deux possibles, T0 et T1, masqué par un bruit. La tâche demandée au participant consiste à indiquer, après chaque essai, lequel des deux signaux-cible il a perçu : c'est une tâche de catégorisation. Dans certaines expériences, le signal-cible T1 est vide. L'expérience se ramène à une tâche de détection du signal T0 dans l'environnement bruyant.
Plusieurs modèles statistiques ont été proposés pour estimer une Image de Classification, mais tous reposent sur le même principe : trouver une corrélation entre les caractéristiques du stimulus à chaque essai et la réponse correspondante de l'observateur.
La méthode d'estimation la plus simple et la plus communément utilisée est appelée corrélation inverse (reversed correlation). Elle consiste à calculer la corrélation entre le bruit et la réponse du participant. En pratique, ceci revient à prendre la moyenne des bruits correspondant aux essais ayant donné lieu à des réponses négatives du participant et à lui soustraire la moyenne des bruits correspondant aux essais ayant donné lieu à des réponses positives. L'Image de Classification ainsi obtenue (matrice de corrélation) permet de visualiser comment la présence de bruit en chaque point de l’image interfère avec la décision de l’observateur (c’est-à-dire quelles configurations du bruit influencent l’observateur en faveur d’une réponse particulière, T0 ou T1).
L'image de classification permet de visualiser la représentation mentale d'un objet, c'est-à-dire le "prototype" stocké en mémoire qui est utilisé par l'observateur pour reconnaître cet objet.
