给出掌纹图像，使用python为编程环境，提取匹配特征，构建匹配模型，取另一张图片与其进行匹配，输出匹配程度

掌纹识别是一项比较复杂的任务，需要使用深度学习等技术。以下是一个基于卷积神经网络的掌纹识别示例代码，仅供参考：

import tensorflow as tf
import numpy as np
import cv2

# 加载训练好的模型
model = tf.keras.models.load_model('palmprint_model.h5')

# 读取待识别的掌纹图像
image = cv2.imread('palmprint.jpg')
# 预处理图像
image = cv2.resize(image, (224, 224))
image = image.astype('float32') / 255.0
image = np.expand_dims(image, axis=0)

# 使用模型进行预测
prediction = model.predict(image)
# 获取预测结果的标签
labels = ['Person1', 'Person2', 'Person3']
predicted_label = labels[np.argmax(prediction)]

# 输出预测结果
print("Predicted label: ", predicted_label)

需要先训练一个模型，将其保存为`palmprint_model.h5`文件。模型的训练可以使用类似于 ImageNet 的数据集进行，也可以使用自己的数据集进行训练。这里使用了一个简单的三分类模型，用于识别三个不同的人的掌纹。

对于待匹配的掌纹图像，同样使用预处理方法进行处理，并使用训练好的模型进行分类，输出匹配结果。匹配程度可以使用预测结果的概率进行衡量，概率越高说明匹配程度越高。