Python使用NumPy手动实现图像灰度转换时出现形状不匹配报错

你的代码有两个基础逻辑错误，直接触发了形状不匹配的报错：

• 循环迭代逻辑完全错误
  你定义的r是形状为(图片高度, 图片宽度)的二维单通道数组，写for row in r时，迭代拿到的row不是行号索引，而是整行的像素值一维数组；内层循环写for column in r更离谱，迭代拿到的依然是整行像素数组，根本不是列索引。
  你把两个一维数组当成索引位置去访问r[row, column]时，触发了NumPy的花式索引逻辑，返回的数组形状和你预期的单个像素值完全不符，后续赋值时两边形状无法广播对齐——和你报错里提到的「形状为(3024,)的源数组无法广播到形状为(3024,3)的索引结果」完全对应。
• 赋值逻辑不符合数组维度规则
  就算你循环索引写对了，直接给三通道图的img[row, column]位置（这个位置对应长度为3的RGB三通道向量）赋值单个灰度值，虽然NumPy会自动广播把三个通道都设为这个值，但你写的嵌套循环效率极低，完全没有利用NumPy的向量化计算优势。

修正后的循环版本（仅用于理解逻辑，不推荐实际使用） #

如果要保留你原本的嵌套循环思路，需要用range()生成合法的整数索引，而不是直接迭代数组内容：

def grey(img):
    # 建议先拷贝，避免修改原始输入图像
    img = img.copy()
    height, width = img.shape[:2]
    for row in range(height):
        for col in range(width):
            # 计算当前像素三通道均值
            grey_val = (img[row, col, 0] + img[row, col, 1] + img[row, col, 2]) / 3
            # 给当前像素的三个通道统一赋值灰度值
            img[row, col] = grey_val
    return img

NumPy向量化版本（推荐实际使用） #

不需要写任何显式循环，直接沿通道维度求均值即可，运行速度比嵌套循环快数百倍：

import numpy as np

# 返回单通道灰度图，形状为(高度, 宽度)
def grey(img):
    return np.mean(img, axis=2).astype(img.dtype)

# 如果需要保留三通道格式（适配要求输入为3通道的场景）
def grey_3channel(img):
    grey_single = np.mean(img, axis=2, keepdims=True).astype(img.dtype)
    return np.repeat(grey_single, 3, axis=2)

注：你提到的三通道均值灰度效果不是最优的问题确实存在，标准心理学灰度转换公式是0.299*R + 0.587*G + 0.114*B，用NumPy实现也只需要改一行计算逻辑即可，不需要循环。

内容的提问来源于stack exchange，提问作者Chivu22