İlgiye Dayalı Gerçek Zamanlı Robot-Video Kodlama Ve İletimi

3.2Buluş Ürün Dönüşmesinde Kullanılan Yöntem ve Teknikler

0. APES’in Kafa Mekanizması

APES’in iki adet gözü (2 adet Hitachi VK-C77ES marka kamera) vardır. Bu kameraların optik eksenlerinin oldukça hassas bir biçimde konumlandırılabilmesi gerekmektedir. APES’in kafa mekanizması bu ihtiyacı gidermek için tasarlanmıştır. Bu bölümde tasarım ve üretim aşamaları özet olarak anlatılmaktadır. Ayrıntılı bilgi [54]’de verilmektedir.

Şekil 3: Tasarım kafa.	Şekil 4: APES’in eğme-dönme özellikli kafası.

Tasarım

APES’in kafa mekanizmasının tasarımı Şekil 3’te görülmektedir. Gerçekleşen kafa ise Şekil 4’de görüldüğü üzeredir. Bu tasarım yapılırken aşağıdaki kriterler gözetilmiştir:

• 
  Kameralar aynı düzlemde olmalı ve optik eksenleri paralel olmalıdır.
  
• 
  Kameraların dönme ve eğme hareketleri maksimum düzeyde olmalıdır.
  
• 
  Dönme ve eğme eksenleri bir noktada kesişmeli, bu nokta kameraların optik eksenlerinin ortasına denk gelmeli ve aynı nokta, motorlara binen yükü azaltmak için kameraların ağırlık merkezine mümkün olduğunca yakın olmalıdır.
  
• 
  180º’lik dönme hareketi maksimum 1 saniye, eğme hareketi ise 1.5 saniyede yapılabilmelidir.
  
• 
  Tüm sistem olabildiğince küçük ve hafif tasarlanmalıdır.
  

Tasarım aşamasında sistem modellemeleri yapılmış, MATLAB Simulink ortamında simule edilerek verilen hız spesifikasyonlarına uygunluğu test edilmiştir. Tüm parçaların detaylı teknik çizimleri hazırlanmış ve üretim için kullanılmıştır.

Şekil 5: APES’in kafasının eğme ve dönme motorları.

Mekanizmada Şekil 5’te gösterilen iki adet dc motor kullanılmıştır. Eğme ekseninde Maxon A-max d19 serisi, 2.5W gücünde, 24V nominal gerilime ve 7.79mNm torka sahip yandaki motor kullanılmıştır. Motora eklenen Maxon GS 24 sistemi 32:1’lik bir redüksiyon oranı sağlamaktadır. Ayrıca yine motora bağlı olarak bulunan dijital, 2 kanallı bir manyetik enkoder de bulunmaktadır. Dönme ekseninde ise daha güçlü bir motor olan Maxon A-max32 serisi bir doğru akım motoru kullanılmıştır. 15W gücündeki bu motor, 18V nominal gerilime ve 119 mNm torka sahiptir. Bu motorda 66:1’lik bir redüksiyon mevcuttur. Ayrıca motora bağlı olan bir enkoder ünitesi de mevcuttur.

Üst plaka	Alt plaka	Yan Destek	Küçük dişli	Büyük dişli
Mil yatağı	Destek elemanları		Merkez elemanı	Eğme motoru muhafazası
Şekil 6: APES Kafa mekanizma parçaları.

Üretim

Tasarlanan sistemin üretilmesinde çelik ve alüminyum alaşımları kullanılmıştır. Şekil 6’da bu amaçla tasarımı yapılıp, sonra üretilen parçalardan örnekler verilmektedir. Kameraların sabitlenmesi amacıyla tasarlanan plakalar çelik 1248 CK 75 kullanılarak üretilmiştir. Üst plaka 68 gram, alt plaka 41 gramdır. Hazırlanan plakalar yapışkan bir kağıtla kaplanmış ve paslanmaya karşı koruma sağlanmıştır. Kameraların yan destekleri ve kayış dişlileri alüminyum alaşım AA 5xxx T-4 kullanılarak üretilmiştir.Kamera yan destekleri 25.5 gram, küçük kayış dişlisi 18 gram, büyük dişli 45.5 gram ağırlığındadır. Eğme hareketi için kullanılan mil yatakları PHS 6 kodlu standart elemanlardır. Ağırlıkları 25’er gramdır. Bu parçaları desteklemede kullanılan destek elemanları ise daha once belirtilen alüminyum alaşımla üretilmiştir. Aşağıda sistemin diğer elemanları gösterilmiştir. Kafanın tabanını olulturan parça poliamitten üretilmiş, eğme motorun muhafazası ve merkez elemanı için daha önce belirtilen aluminyum alaşım kullanılmıştır. Dengeleme ağırlıkları pirinçten yapılmıştır. Eğme motoru muhafazası 51 gram, merkez elemanı 157 gram ve dengeleme ağırlıkları 38 gramdır. Mekanizmanın maliyeti mühendislik maliyetleri hariç 168$’dır. Üretimden sonra mekanizma test edilmiş, istenilen özellikleri sağladığı görülmüştür.

2. Motor Kontrol Kartı

Motor kontrol kartı APES’in kafa mekanizmasını oluşturan iki adet DC servo motoru sürmek amacıyla tasarlanmış ve kartın tasarımı sırasında APES üzerinde yapılacak araştırmaların gereksinimleri göz önünde tutulmuştur. Kart üzerinde Atmel AVR serisi bir adet mikrokontrolör ve bu mikrokontrolörün bilgisayar ve motorlarla iletişimini sağlayan alt devreler bulunmaktadır. Bilgisayar üzerinde koşan kontrol yazılım çıktılarının mikrokontrolör ve alt devreler aracılığıyla motorlara ulaşması, motorlardan alınan geribeslemenin de yine mikrokontrolör aracılığıyla bilgisayara verilmesi sağlanmıştır. Motor kontrol işlevinin dışında, araştırmalarda gereken diğer özellikler de kart üzerinde gerçekleştirilmiş, örnek olarak Hitachi marka kameraların yakınsama ve odaklanma özelliklerini mikrokontrolör aracılığıyla kontrol edilebilmesi sağlanmıştır. Yine kameraların beslenmesi ve kameralardan gelen video görüntülerinin taşınması bu kart sayesinde mümkün olmaktadır. Motor konrol kartı tasarımının en önemli özelliği APES üzerinde yapılacak değişikliklere çok kolay adapte edilebilecek olmasıdır. Şu an kullanılmayan ama ileride gerekli olabilecek genel amaçlı kaynaklar kart üzerinde mevcuttur. Yazılımda yapılacak ufak değişikliklerle aynı donanımla farklı sistemlerin kontrolü yapılabileceği gibi, APES üzerindeki diğer özelliklerin kontrolü de zamanla bu kart üzerine yüklenilebilir. Örneğin, ileride APES’in hareket sisteminin de bu kartla kontrol edilmesi düşünülmektedir. Aşağıda motor kontrol kartına ait teknik özellikler bulunmaktadır.

• 
  Boyutlar: 110mm x 95mm
  

• 
  İki adet, hız ve yön kontrollü (PWM), tam olarak yalıtılmış H-köprüsü ile bağımsız olarak iki farklı motor sürebilme özelliği
  

• 
  H köprüleri kartın geri kalanından tam olarak yalıtılmıştır ve PC’ye optokuplör aracılığıyla bağlanmıştır. Her H-köprüsünün ayrı güç girişi bulunur ve böylece değişik voltajlarda çalışan motorlar kullanılabilir.
  

• 
  Atmel AVR serisi 8 kilobayt flash bellek 512 bayt RAM’a sahip olan 40 pinli RISC mikrokontrolcü.
  

• 
  Paralel port ve EPP protokolü kullanılarak PC ile mikrokontrolör arası hızlı iletişim (600kbit/s)
  

PC tarafından mikrokontrolcünün RAM’ine ve I/O adres belleklerine yazma ve okuma işlemleri yapılabilmektedir. Bu sayede mikrokontrolörün tüm gömülü özellikleri yeniden programlamaya gerek kalmadan kontrol edilebilmektedir.

İletişimi sağlayan yazılım MS Visual C++ ortamında yazılmış ControlCard sınıfından oluşur.

• 
  Mikrokontrolcü ve Hitachi marka kameralar arasında seri iletişim ile kameraların yakınsama ve odaklanma özellikleri kontrol edilebilmektedir.
  

• 
  Dik fazlı enkoder geribeslemesin yön bilgisi ile kaydedebilme özelliği
  

• 
  MS Visual C++ ortamında yazılmış PID kontrol yazılımı (ApesHead sınıfı) PC tarafında koşmakta, işleyişi için gerekli olan enkoder geribesleme bilgilerini mikrokontrolörden ControlCard sınıfını kullanarak almakta, çıktı olarak PWM bilgisini H-köprülerine uygulanmak üzere mikrokontrolcüye yine aynı sınıfı kullanarak vermektedir.
  

• 
  Programlama ve hata ayıklama pinleri
  

Şekil 7’de üretilen kartın baskılı devre kart tasarımı görülmektedir.

Şekil 7: Baskılı devre kartı görünümü

3. Görme Sistemi: Seçici Algılama

Gallant ve meslektaşlarının Macaque maymunları üzerinde yaptıkları, beyinde bulunan belirli bölgelerdeki sinir hücrelerinin değişik tipteki uyarıcılara karşı tepkilerini ölçtükleri deneylerde elde ettikleri sonuçlar, erken görme mekanizmalarında kartezyen ve kartezyen olmayan (dairesel, kutupsal, hiperbolik) uyarıcıların önemli bir rol oynadığına işaret etmektedir [1,2]. Biz de bu sonuçlardan yola çıkarak bu uyarıcıların süzgeçler şeklinde robot görme sistemlerinde algılama ve tanımlama aşamalarında kullanılabileceklerini öngördük [3]. Bu uyarıcıları örnek alarak, laboratuvarımızda geliştirmiş olduğumuz APES robotunun [4] görme sisteminde dahil olmak üzere frekans ve yönelime bağlı olan kartezyen ve kartezyen olmayan süzgeçler kümesi oluşturduk. Buradaki amacımız ise bu süzgeçleri robotun içinde bulunduğu ortamı incelerken elde ettiği odaklama dizilerini temsil edebilecek şekilde kullanmaktı. Yaptığımız deneylerde elde ettiğimiz ilk bulgular bu süzgeçler grubunun odaklama dizilerine uygulanmasıyla elde edilen çok boyutlu gözlem dizilerinin cisim, ortam algılamasında ve tanımlanmasında kullanılabilirliğini ortaya koymaktadır.

Nörofizyolojik bulgular dikkatin hedef belirleme için şart olduğunu göstermektedir.[7]. Bilgisayarla görü üzerinde yapılan çalışmalarda dikkat ve dikkat öncesi aşamalardan oluşan bir döngüden ibaret modeller üzerinde geliştirmeler de yapılmıştır [5,6]. Bilme düzeylerinin farklılaşması sonucu göz hareketlerinin de farklılaşmasından yola çıkarak bilmeye yönelik modellerin tarama yollarını yönlendirdiği [10] da belirtilmiştir. Sheinberg ve Logothetis ise yaptıkları çalışmada algılama bilgisinin, tanımlamayı kolaylaştırmak amacıyla odaklamalar üzerinden biriktirildiğine ilişkin kanıtlar bulmuşlardır [9]. Tagare ve meslektaşları tarafından bir imgenin içerisine gömülü hedef nesnenin bulunmasına yönelik, en büyük olabilirliğe dayalı dikkat stratejileri geliştirilmiştir [11]. Dikkat ve arama üzerinde yapılan biyoloji temelli diğer çalışmalarda dikkatin görüntü alanı üzerindeki basit ve karmaşık niteliklere yöneltildiği belirtilmiştir [12] son bulgular ise dikkat mekanizmalarının kartezyen bir dikkat stratejisinin ötesine gittiğidir. Çarpıcı özellikleri baz alan, 'kazanan hepsini alır' prensibine dayalı bir arama mekanizması ise [8] içerisinde sunulmuştur. Yapılan çalışmaları baz alarak, biyolojik temelleri olan süzgeç gruplarının odaklama noktaları üzerinde uygulanmalarıyla elde edilen odaklama vektörlerinin ve bunların zaman içerisinde biriktirilmesi ile elde edilen odaklama dizilerinin seçici algılamada ortam içerisinde bulunan hedef nesnelerin tanınmasına problemini irdeledik
Çalışmamızda temel öğe odaklama noktalarına, frekans ve yönelime bağlı biyolojik temelli süzgeç grubunun uygulanması ile elde edilen odaklama gözlem vektörleridir. Odaklama gözlem vektörlerinin biriktirilmesi ile odaklama dizileri elde edilir. Nesne veya ortam modelleri de, bu gözlem dizilerindeki her bir süzgece ait olan olan durum geçiş frekans matrisleri ile oluşturulur. Elde edilen modeller sistem içinde saklanmakta ve sistem gerçek zamanlı olarak çalıştırıldığında elde edilen ardışık odaklama vektörleri arasındaki geçişlerin modeller tarafından ne kadar desteklendiği kontrol edilerek tanımlama süreci gerçekleştirilmektir. Gelen veriler, süzgeçsel, zamansal ve modelsel boyutlarda birleştirebilinir. Buna dayalı olarak üzere üç yöntem geliştirmiştir, bunlar FT-M Metodu, TF-M Metodu ve TM-F Metodu.
Geliştirdiğimiz metotlar biriktirilen odaklama gözlem vektörlerini (odaklama dizilerini) eksenleri süzgeç, zaman ve model olan üç boyutlu bir uzayda ele alıp, bu eksenler üzerinde biriktirme, birleştirme ve karşılaştırma işlemlerini gerçekleştirip tanımlama sonucunu sunmaktadır. Metotlarımız arasındaki temel fark ise biriktirme, birleştirme ve karşılaştırma işlemlerini farklı sıralarda gerçekleştiriyor olmalarıdır.

	1	2	3	4	5
	6	7	8	9	10

Odaklama dizilerini oluştururken genel bir yöntem izleyebiliriz. ’i odaklanan bölge olarak tanımlayalım. Herhangi bir anda odaklanılan noktaya bağlı olarak kullanılacak  fonksiyonu bize bir sonraki odaklanılacak noktayı versin: . Bu fonksiyon uygulamaya, beklentiye ve ihtiyaca göre farklılık gösterebilir ve değişebilir, ancak farklı fonksiyonlarda ortak nokta olarak fonksiyonun basit özellikleri aramasını ve hızlı bir şekilde odaklamayı gerçekleştirebilmesi için düşük işlem gücüne ihtiyaç duymasını arayabiliriz.  fonksiyonunun sürekli uygulanmasıyla odaklama dizisini elde ederiz:.
Elimizde M adet frekansa, yönelime ve yapıya (kartezyen veya kartezyen olmayan) göre değişen süzgeçlerden oluşan bir kümesi olduğunu varsayarsalım. Burada (c: yönelim, w:frekans). Dolayısı ile her bir odaklama için M tane çıktı imgesi alabiliriz.

Her bir çıktı imgesini, bir işlevi ile bir boyutlu gerçel uzaya eşlemleyelim:

Dolayısı ile herhangi bir odaklama noktası için bir adet M boyutlu temsili gözlem vektörü elde etmiş oluruz:

Elimizdeki tüm odaklama noktaları için aynı uygulamayı tekrarladığımızda ise odaklama dizisi için aşağıdaki gözlem dizisini elde ederiz :

Uygulamada kullanmak üzere öğrenme aşamasında belirli bir örnek gruptan elde edilen odaklama gözlem dizisini Q adet seviyede nicemleyerek her bir süzgeç için geçiş matrisleri oluşturabiliriz. Böylelikle eğitilen nesneyi veya ortamı M adet QxQ matris ile ifade ederek modelini oluşturabiliriz.

Sistem çalıştığı sırada, herhangi bir anda elde edilen odaklama vektörü ile bir sonraki odaklanan nokta için elde edilen odaklama vektörü arasındaki geçişini kullanarak eğitim gruplarından elde ettiğimiz geçiş matrisleri tarafından bu geçişin ne ölçüde desteklendiğini çıkartarak, sistem tarafından incelenen bölgeyi ilgili eğitim grubuna atar ve tanımlamayı gerçekleştirebiliriz.
değerini t anında l. modelin m. süzgecinin geçiş matrisinin ürettiği anlık dayanak olarak kabul edelim. Tanım olarak incelendiğinde , değerleri uzayda zaman (T) , model (L) ve süzgeç (M) olmak üzere üç eksen üzerinde yer almaktadır. Tanımlama işlemi değerlerinin bu eksenler üzerinde biriktirilmesi, birleştirilmesi ve karşılaştırılmaları ile gerçekleşecektir. M ve L eksenleri sınırlı olduğundan bu eksenler üzerinde değerleri birleştirilebilir veya karşılaştırılabilir. T ekseni üzerinde ise herhangi bir sınır bulunmadığından dolayı değerler bu eksen üzerinde ise sadece biriktirilecektir. Bu üç işlemin yapılış sıraları değiştirilerek tanımlama işleminde kullanmak üzere iki farklı metot geliştirebiliriz.

FT-M Metodu

m=1...M değerleri M ekseni üzerinde birleştirilir:

Deneylerimizde ve değerlerini kullanmış bulunmaktayız. T ekseni üzerinde anlık dayanakların biriktirilmesi ise:

ile gerçekleştirilir. değerleri yapılan odaklamaların sonucunda elde edilmiş biriktirilmiş dayanaktır. değerlerini her t anında düzgeleyerek bir olasılık ölçütüne dönüştürebiliriz:

Herhangi bir anda sistemin önerdiği modelin belirlenmesi, yani karşılaştırma veya karar verme işlemini ise elde edilen düzgeleştirilmiş bu değerler üzerinden yapabiliriz.

TF-M Metodu

Bu yöntemde biriktirme işlemi ilk olarak zaman ekseni üzerinde yapılır. Herhangi bir anda l. modelin m. süzgecinin dayanak durum değeri olsun. Bu değer, bu modele ait süzgecin anlık dayanak değeri ’nin belirli bir eşik değeri ile kıyasına göre değişecektir.

Deneylerimizde ve olarak kullanılmıştır. Bu dayanak durumları daha sonra süzgeç, M, ekseni üzerinde birleştirilerek her model için toplam dayanak değeri elde edilir.

Tanımlama işlemi ise elde edilen toplam dayanaklar üzerinden en büyük desteği sağlayan modelin seçilmesi ile sağlanır.

Seçici algılama sonucu oluşturulan karmaşık odaklama dizilerinin gerçek zamanlı olarak nesne tanıma amaçlı kullabilecekleri üç yeni yöntem önerilmektedir. Bu yöntemlerin ortak noktaları süzgeç, zaman ve model bazında birleşim yaparak, kümülatif bir şekilde karar oluşturabilmeleridir. Ayrıldıkları husus ise üç boyutlu tümleşimin yapıldığı sıranın farklı olmalarıdır. Her ilk yöntem tek nesne içeren ortamlarda yüksek performans göstermektde buna ek olarak ilk iki yöntem birden fazla nesnenin olduğu ve kararların buna göre değişmesi gereken ortamlarda dahi iyi bir başarım ortaya koyabilmektedirler.

TF-M Metodu

TM-F metodu, TF-M metodunda olduğu gibi dayanak durum değerlerinin elde edilmesi ve değiştirilmesi prensibine dayanmaktadır. TF-M metodundan farkı ise herhangi bir modelin dayanak durum değerlerinin değişiminin diğer modellerin dayanak durum değerlerine bağlı olmasıdır. Diğer bir fark ise birleştirme işleminin süzgeç, M, değil model, L, ekseni üzerinden gerçekleştirilmesidir. l. modelin m. süzgecinin dayanak durumunu hesaplamak istediğimizde diğer modellerden elde edilen ortalama biriktirilmiş dayanak değerini hesaplamamız gerekmektedir:

değeri, diğer modellere ortalama olarak ne kadar destek verildiğinin bir ölçüsüdür. Örneğin , geçmiş odaklamalardan elde edilen bilginin diğer modelleri yeterince desteklemediğini göstermektedir.
bilgisinin de kullanılmasıyla, herhangi bir modelin süzgecinin anlık dayanak durumunu aşağıdaki yöntemle hesaplayabiliriz:

Seçici algılamada belirttiğimiz üç metodun deneylerini gerçek ortamdan üç adet nesne, resim-askılık ve mantar tahta, için elde edilmiş odaklama dizileri üzerinde denemiş bulunmaktayız. Deneylerimizde, her bir nesne için, her biri 35 adet odaklama dizisi içeren 10 adet deney gerçekleştirdik. Bu deneylerin 5 tanesini (175 odaklama dizisi) eğitim verisi, geri kalan 5 tanesini ise sınama verisi olarak kullandık. Şekillerde daire, baklava ve kare işaretleri sırayla resim, askılık ve mantar tahta nesnelerinden elde edilmiş odaklamarı göstermektedir. İlk aşamada her bir nesnenin eğitim verilerini kullanarak bu nesnenin modelini oluşturduk. Bundan sonra her bir nesneye ait sınama grubundan rasgele ardışık 4 tane odaklama dizisi almak kaydıyla toplam 100 odaklama dizisi içeren üç set rasgele odaklama dizisi verisi oluşturduk. Karışık verileri oluştururken amacımız, sistemimize rasgele gelen farklı nesnelere ait bu odaklama dizilerinin uygulanan metotlarla gerçek zamanlı çalışarak doğru nesneyi tespit etmekte kullanılabileceğini göstermekti. Deneyin sonucunda FT-M ve TF-M metotlarının ortalama %14 -%20 arasında yanlış tespit oranı olduğunu ve yanlış tespit edilen odaklama dizilerinin nesneler arasındaki geçişlerde meydana geldiğini, görmüş bulunmaktayız. Bu iki metot incelenen nesnenin değişmesi durumunda hızlı tepkiler vermektedir. TM-F metodunda ise diğer iki metottaki hızlı tepkiler görülmemektedir. Odaklamaların ilk başladığı anda TM-F metodu tepki vermeye başlamasına rağmen daha sonraki odaklamalarda ise bu tepkiyi göstermemekte ve nesne değişikliklerini algılayamamaktadır.

Şekil 8: İlgiye dayalı robot-video kodlama sistem bileşenleri.

4. İlgiye Dayalı Gerçek Zamanlı Robot-Video Kodlama ve İletimi

Klasik video kodlaması ve iletiminde, çerçeve yakalanmasından sonra, nasıl bir veri içerdiğine bakılmaksızın blok-blok aynı kalitede sıkıştırılır. Fakat eğer yakalanan çerçeveyle ilgili elimizde fazladan bir bilgi varsa (belli bölgelerin daha önemli olduğu gibi) o çerçevenin tüm kısmını gözü kapalı bir şekilde kodlamak artıklık artışına neden olur. APES Video İşleme ve İletimi modülünde, APES Robotun kamerası ile algıladığı imge dizininin gözün görme mekanizmasında önemli bir rol oynayan odaklama prensibine dayalı olarak işlenip, İnternet üzerinden gerçek zamanlı olarak gönderilmesini sağlayan bir sistem tasarım ve uygulaması sunulmaktadır. Bu bölümde, bu çalışmalar kısaca tanıtılacaktır. Ayrıntılı bilgi [24,28]’de verilmektedir.

İnsan gözünün çalışma prensiplerine göre, görüş alanındaki her şey aynı kalitede işlenmez. Öncelikle gözler, ilgiyi çeken bölgeye odaklanıp orayı mükemmel bir biçimde işler. İlgi alanı dışındaki bölgeler ise daha kaba bir şekilde beyine iletilir. İlgi merkezinin değişmesiyle genel görüntüdeki eksiklikler giderek azalır. İlginin tipi de zaman içinde değişebilir. Belirli bir renk, köşeler, veya bir insan yüzü ilginin merkezi olabilir. Literatürde gerek insanın görsel duyu sistemi üzerine, gerekse de video kodlama üzerinde ayrı-ayrı birçok bilimsel çalışma bulunmaktadır. Ama birbirine çok bağlı olan bu iki konu aynı anda çok fazla incelenmemiştir. Bu çalışmanın temelinde yatan, bir robotun görsel sisteminin ilgi öğesini tanımlayıp bu bilgiler yardımıyla gerçek zamanlı video kodlamasını İnternet üzerinden yayınlamak ve bu sayede kullanıcıya robotun gerçek zamanlı kontrolünü sağlamak için gerekli yapıyı oluşturmaktır. Çalışmamızın yeniliği bir video ardışımındaki çerçevelerde tanımlanan ilgi merkezlerinin pekiştirilmesi, bulunan ilgi merkezlerinin dışında kalan bölgelerin ise hem uzamsal hem de zamansal düzlemde süzgeçlenmesi, ve işlenmiş olan çerçeveyi düşük bit hızlarında kodlamaktır.

Şekil 9: APES video iletimi örneklei: Orijinal, uzamsal ve uzamsal-zamansal işleme