J-Linkage算法(J算法)是一种多模型分类算法，该算法可以根据模型类型对所有样本数据进行多组分类，原文题目’Robust Multiple Structures Estimation with J-linkage’。以论文中的例子说明算法要达到的效果：
原始数据分布
我们的目标是要拟合出五角星对应的5根直线，能实现该功能的算法也有不少，这里介绍下J算法是如何实现的，介绍J算法之前，需要了解Ransac算法的原理，具体内容可参考。其实思想也很简单：ransac算法是要找到样本数据中满足某种模型的最大数据集合。这里的最大是指集合的数据个数。J算法是要找到多个数据集合，以上图为例，目的是要找到5个数据集合，每个数据集合能拟合出一条直线，5条直线构成五角星。J算法的流程是：
设样本数量为M，
(1)、随机生成N个模型参数；
(2)、计算N*M维大小的PS矩阵；
(3)、计算得到最小Jaccard距离的两个模型的参数；
(4)、合并此两个模型，，并重新计算得到最小Jaccard距离的两模型；
(5)、重复3~4过程，知道最小Jaccard距离为1为止。
算法最终得到若干个分类，有些分类属于弱分类，就是说集合内的样本个数太少，不能算是一类，本例只要取前5个分类结果即可，这5个分类结果的样本数量也是最多的5类。
分析下算法的实现过程：首先随机选取了N个模型，这里N我设置了800，由于随机性，有很大的概率会选择到这5个模型的，也有可能选择到接近这5个模型中的一种，J算法就是把接近的这一种模型进行归类，从而最终产生一类模型。简单地说，就是把相似模型的内样本合并，知道样本所属都互斥，也就是说每个样本的所属类只能是一个。
J算法所要达到的目的和MultiRansac是一致的，论文中说J算法的效果要比MultiRansac好，我没找到MultiRansac算法的代码，因此没作对比，不敢评价之。J算法也是一种比较新的算法思路，由其改进的T-Linkage算法效果貌似更好，文献可参考2014年CVPR的一篇论文:《T-Linkage: a Continuous Relaxation of J-Linkage for Multi-Model Fitting》。
下面展示下自己实现的结果：
原始数据 分类结果
我设置最大模型生成个数为800，这个数值应该是随着样本数量的增加而增大的，但也不能过大，也是个经验值。本组数据测试下来，成功率约为80%。
程序Demo下载地址：。
需要源码研究的朋友可以留言，需要配置OCV。
接受失败，是我们不常听到或看到的一个命题，我们大都接受的是正面的教育，
