在计算资源受限的环境下，分块策略是一种有效的处理方式。以下是几种不同的分块策略：
1.矩阵乘法的分块策略:
在OpenBLAS和BLIS中，分块策略被用来优化矩阵乘法的计算效率。这种策略的核心在于如何将大的矩阵分解成小的块，以便更好地利用计算机的缓存系统。例如，OpenBLAS采用了双流水的设计思想，即在Level1
cache中保证一部分B和两部分A在内存中是连续的，这样可以提高计算和访存的效率。
2.视频编码的多模式决策分块策略:
在视频编码中，多模式决策技术会根据视频序列中不同宏块模式间的时空相关性，预测这些宏块多模式决策后的拉格朗日代价和计算复杂度的斜率，然后按照这个斜率的大小顺序执行多模式决策，也就是性价比优先的顺序，以便保证计算资源优先分配给率失真收益大的宏块。
3.图像处理的分块策略:
在图像处理中，分块策略被用来分割图像，然后对每个小块进行处理。这种方法可以减少计算量，特别是在计算资源受限的情况下。例如，有一种基于块的图像哈希算法，通过理论和实验的方式研究两个旋转操作对图像及其块的影响，提出了一种受限的块策略，以此来提高旋转鲁棒性。
4.图像椒盐噪声密度估计的分块策略:
一种基于分块策略的椒盐噪声密度估计算法，它首先对图像按行列等分后形成多个图像子块，统计每个子块中灰度为0或255的像素点个数并排序，然后根据排序后个数差分值函数特征对子块进行筛选，最后将所有候选子块噪声密度估计值的中值作为对整幅图像噪声密度的估计。
以上就是在计算资源受限的情况下，分块策略的一些应用。这些策略都能够有效地利用有限的计算资源，提高算法的执行效率。
