我非常肯定，无论你想做什么，都可以矢量化，并且不需要任何循环就可以运行。但是，你的代码编写方式，它不工作也就不足为奇了......
如果k是(h, w)形状数组，那么k[i]是(w,)形状数组。当您执行i-k[i]时，numpy将发挥其广播魔力，你会得到一个(w,)形状的数组，所以你用(w,)形状的数组和一个整数来索引imgB。由于索引中的一个项是数组，因此需要创建奇特的索引。因此，假设imgB也具有(h, w, 1)形状，则imgB[i-k[i], j]的返回值将不是(1,)形状的数组，而是一个(w, 1)形状的数组，当你试着从imgA[i, j]中减去它时，它是一个(1,)形状的数组，广播魔术又起作用了，所以你得到了一个(w, 1)形状的数组。
我们不知道final是什么，但如果它是(h, w, 1)形状的数组，如imgA和imgB，那么final[i][j]是(1,)形状的数组，而您试图给它指定一个(w, 1)形状的数组，但这个数组不适合，因此出现operand requires a reduction,but reduction is not enabled错误消息。

• • 编辑**

您实际上不需要拆分阵列来计算Δ E ...

def deltaE(a, b) :
    return np.sqrt(((a - b)**2).sum(axis=-1))

delta = deltaE(imgLabL, imgLabR)

我仍然不明白您在第二种情况下要做什么......如果您要比较沿x轴位移的两个图像，我建议使用np.roll：

deltaE(imgLabL, np.roll(imgLabR, k, axis=0))

在位置(r, c)处，imgLabL的像素(r, c)和imgLAbR的像素(r - k, c)之间的deltaE，这是你想要的吗？

我通常使用numpy.nditer，它的文档是here，并且有很多例子。

import numpy as np
a = np.ones([4,4])

it = np.nditer(a)
for elem in a:
    #do stuff

也可以使用c风格的迭代，即

while not it.finished:
    #do stuff
    it.iternext()

如果你需要访问数组的索引，在你的情况下，我会把你的两张图片压缩在一起，创建一个形状为[2,h,w]的数组，然后迭代这个数组，用计算结果填充一个空数组。