Python的圖像處理庫中常常會用到特征點匹配，這一過程是識別和追蹤圖像中的特定特征點。外部庫OpenCV有豐富的特征點匹配算法，Python可以輕松地調用OpenCV的函數(shù)或者使用類似scikit-image的庫進行圖像處理。

以下是一個Python中使用OpenCV的ORB算法進行特征點匹配的示例代碼：

import cv2
img1 = cv2.imread("image1.png", cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread("image2.png", cv2.IMREAD_GRAYSCALE)
# 創(chuàng)建ORB特征檢測器
orb = cv2.ORB_create()
# 在兩個圖像中提取特征點和描述符
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)
# 創(chuàng)建BFMatcher對象，對兩個圖像中的描述符進行匹配
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
# 對匹配結果按照距離進行排序，并且只選擇距離最小的前20%作為最終匹配結果
matches = sorted(matches, key=lambda x: x.distance)
good_matches = matches[:int(len(matches) * 0.2)]
# 在兩個圖像中繪制匹配結果
img3 = cv2.drawMatches(img1, kp1, img2, kp2, good_matches, None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
cv2.imshow("Matches", img3)
cv2.waitKey()

這段代碼使用ORB算法從兩張圖像中提取出特征點和描述符，并且使用Brute-Force Matcher(BFMatcher)算法對兩張圖像的特征點進行匹配，然后根據距離進行篩選后繪制匹配結果。需要注意的是，ORB算法使用cv2.NORM_HAMMING作為默認的距離度量函數(shù)，這和SIFT、SURF等算法使用的cv2.NORM_L2有所不同。

當然，ORB算法只是其中一個特征點匹配的算法，Python也可以使用其他算法，例如SIFT、SURF、FAST等。并且，Python也可以使用其他圖像處理庫進行特征點匹配，例如scikit-image、mahotas等。總的來說，Python在特征點匹配上有著廣泛的應用場景和豐富的算法選擇。