以下是一个比较特征提取器并对齐图像的示例代码：

import cv2
import numpy as np

def align_images(image1, image2):
    # 初始化ORB特征提取器
    orb = cv2.ORB_create()

    # 在图像1中检测特征点和描述符
    keypoints1, descriptors1 = orb.detectAndCompute(image1, None)

    # 在图像2中检测特征点和描述符
    keypoints2, descriptors2 = orb.detectAndCompute(image2, None)

    # 初始化暴力匹配器
    matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

    # 使用匹配器找到最佳匹配的特征点对
    matches = matcher.match(descriptors1, descriptors2)

    # 根据匹配结果筛选出最佳的特征点对
    matches = sorted(matches, key=lambda x: x.distance)

    # 提取最佳的特征点对的坐标
    points1 = np.zeros((len(matches), 2), dtype=np.float32)
    points2 = np.zeros((len(matches), 2), dtype=np.float32)
    for i, match in enumerate(matches):
        points1[i, :] = keypoints1[match.queryIdx].pt
        points2[i, :] = keypoints2[match.trainIdx].pt

    # 使用基础矩阵估计单应性矩阵
    homography, mask = cv2.findHomography(points1, points2, cv2.RANSAC)

    # 对图像1进行透视变换，将其与图像2对齐
    aligned_image = cv2.warpPerspective(image1, homography, (image2.shape[1], image2.shape[0]))

    return aligned_image

# 读取图像1和图像2
image1 = cv2.imread('image1.jpg')
image2 = cv2.imread('image2.jpg')

# 调用对齐函数，得到对齐后的图像
aligned_image = align_images(image1, image2)

# 显示对齐后的图像
cv2.imshow('Aligned Image', aligned_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，我们使用了OpenCV库中的ORB特征提取器来提取图像的特征点和描述符。然后，使用暴力匹配器来找到最佳的特征点对，并使用基础矩阵估计单应性矩阵。最后，使用透视变换将图像1与图像2对齐，并显示对齐后的图像。