我不知道这是否有效，或者你在寻找什么。但是你可以简单地展平数组，然后做一些基本的移位/掩码（或者*16和+）。创建一个np.uint8数组，你可以用任何你知道的方法来存储数组。或者重新创建“16位表示12位数组”
这当然不是很有效率。但至少它是向量化的（至少不是“元素方面的”，如果你的意思是“在纯Python迭代中为每个元素执行纯Python操作”的话。我的意思是，它仍然是元素明智的，但在numpy迭代。我不明白它怎么可能不是元素明智的：你必须至少读取所有元素一次才能做任何事情）
这样

def storable8from12(arr):
   tmp32=arr.reshape(-1,2).astype(np.uint32)
   return ((tmp32[:,0]<<12)+tmp32[:,1]).view(np.uint8).reshape(-1,4)[:,:3].reshape(len(arr),-1)

一些临时的阵列甚至比你想减少的还要大。但不是循环。我认为这是为了存储，而不是直接在内存中，你想减少大小。
然后反过来

def unpack12bitsFrom8(st):
   tmp32=np.pad(st.reshape(-1,3), ((0,0),(0,1))).view(np.uint32)
   odd=(tmp32&0xfff000)>>12
   even=tmp32&0xfff
   return np.hstack([odd,even]).reshape(len(st),-1).astype(np.uint16)

所以，再一次，不确定这是你所期望的。因为你显然已经想到了按位操作（<<，&等等）。但我不明白为什么你说它不是“矢量化的”（在这个意义上，我们通常给予这个词在numpy：for循环在numpy中完成）
请注意，这里我假设行的大小是这样的，边界中没有例外。因此，在处理的情况下“16携带12位-> 8位-> 16位携带12位”的情况下，这意味着行的长度是偶数。否则，很明显，通过填充每行的最后一个像素，它仍然是可能的。或者甚至在整个图像上做这个。但是，您可能需要存储形状（在我的情况下，我不需要太多，因为我假设W×H“16携带12”图像转换为1.5W×H 8位图像）。
我还没谈到10比特的案子。如果你不想浪费2比特，而像处理12比特的情况一样处理它，那么你需要按10和8的最接近公倍数的数据包分组。这将是40比特。所以大致相同的技术，但有点痛苦（你需要64位临时整数， Package 4个数字，而不是2个，成一个。在返回的路上，你需要4列，而不仅仅是奇数和偶数，来hstack）。这意味着W分辨率必须是4的倍数。或者，如果你不能假设W×H 10 bits被存储为（1.25W）×H 8 bits，那么你将需要一些填充和存储形状。