更多的基本的API请参看TensorFlow中文社区：http://www.tensorfly.cn/tfdoc/api_docs/python/array_ops.html
下面是实验的代码，可以参考，对应的图片是输出的结果：
import tensorflow as tf
import matplotlib.pyplot as plt
import matplotlib.cm as cm
import numpy as np
%matplotlib inline
path = '/home/ubuntu-mm/TensorFlow/Learning/D-TestJupyter/images/Train/Dogs.jpg'
file_queue = tf.train.string_input_producer([path])
image_reader = tf.WholeFileReader()
_, image = image_reader.read(file_queue)
image = tf.image.decode_jpeg(image)
with tf.Session() as sess:
coord = tf.train.Coordinator() #协同启动的线程
threads = tf.train.start_queue_runners(sess=sess, coord=coord) #启动线程运行队列
sess.run(image)
coord.request_stop() #停止所有的线程
coord.join(threads)
image_uint8 = tf.image.convert_image_dtype(image, dtype = tf.uint8)
plt.figure(1)
plt.imshow(image_uint8.eval())
print image_uint8.get_shape()
resize_image1 = tf.image.resize_images(image_uint8,[400,300],method=tf.image.ResizeMethod.NEAREST_NEIGHBOR) #修改图片的尺寸
resize_image2 = tf.image.resize_images(image_uint8,[400,300],method=1) #修改图片的尺寸 1代表的就是NEAREST_NEIGHBOR的方法
central_crop = tf.image.central_crop(image_uint8, 0.6) #从图片中心开始裁剪图片，裁剪比例为60%
bounding_crop = tf.image.crop_to_bounding_box(resize_image1, offset_height=100, offset_width=100, target_height=100, target_width=100) #设定裁剪的起始位置和终止位置进行裁剪
pad = tf.image.pad_to_bounding_box(bounding_crop, offset_height=0, offset_width=0, target_height=105, target_width=105) #设定边缘对图像的边缘进行填充（填0）
flip1 = tf.image.flip_left_right(resize_image1) #左右翻转图片
flip2 = tf.image.flip_up_down(flip1) #上下翻转图片
adjust_brightness = tf.image.adjust_brightness(resize_image1, 0.2) #调节图像的亮度为原来的20%
adjust_saturation = tf.image.adjust_saturation(resize_image1, 0.4) #调节图像的饱和度为原来的40%
adjust_hue = tf.image.adjust_hue(resize_image1, 0.7) #调节原来的H（灰度）为原来的70%
image_float = tf.cast(resize_image1, dtype=tf.float32)
gray = tf.image.rgb_to_grayscale(image_float) #对图像的类型进行转换rgb-grayscale
hsv = tf.image.rgb_to_hsv(image_float) #对图像进行hsv转换rgb-hsv
imag_gray = tf.image.convert_image_dtype(gray, tf.uint8)
imag_hsv = tf.image.convert_image_dtype(hsv, tf.uint8)
sess.run([flip1, flip2])
plt.figure(2)
plt.imshow(resize_image1.eval())
plt.figure(3)
plt.imshow(resize_image2.eval())
plt.figure(4)
plt.imshow(central_crop.eval())
plt.figure(5)
plt.imshow(bounding_crop.eval())
plt.figure(6)
plt.imshow(pad.eval())
plt.figure(7)
plt.imshow(flip2.eval())
plt.figure(8)
plt.imshow(adjust_brightness.eval())
plt.figure(9)
plt.imshow(adjust_saturation.eval())
plt.figure(10)
plt.imshow(adjust_hue.eval())
plt.figure(1)
plt.imshow(imag_hsv.eval(), cmap=cm.hsv)
原图 改变尺寸 改变尺寸 图像中心裁剪
图像边缘裁剪 图像边缘补0 图像水平垂直翻转
图像亮度度调节 图像饱和度变换 图像弧度调节H 图像HSV显示
相关函数介绍：
1、tf.image.resize_images(image_uint8,[400,300],method=tf.image.ResizeMethod.NEAREST_NEIGHBOR)
函数的作用是修改图像的尺寸（缩放放大的形式），第一个参数是原始图像，第二个参数是输出图像的大小，第三个参数是缩放或放大的方法。
2、tf.image.central_crop(image_uint8, 0.6)
函数的功能是裁剪图像，裁剪的中心式图像的中心位置，第一个参数是原始图像，第二个参数是裁剪的比例。
3、tf.image.crop_to_bounding_box(resize_image1, offset_height=100, offset_width=100, target_height=100, target_width=100)
函数的功能是按照输入的参数的边缘来裁剪图像，第一个参数是原始的图像，第二个参数是裁剪的y轴起始位置，第三个是x轴起始位置，第4个参数和第5个参数是输出图像的尺寸大小。
4、tf.image.pad_to_bounding_box(bounding_crop, offset_height=0, offset_width=0, target_height=105, target_width=105)
函数的功能是扩充图像的边缘，对图像的边缘进行补零的操作，第一个参数是原始图像，第二个参数和第三个参数是输出图像在原图上的起始位置，第4和5个参数是输出图像的大小，当输出图像超出了原始图像的大小时，就会将超出的部分进行补零的操作。
5、tf.image.flip_left_right(resize_image1)
函数的功能是对图像进行水平方向的反转，参数1是原始图像。
6、tf.image.flip_up_down(flip1)
函数的功能是对图像进行垂直方向的反转，参数1是原始图像。
7、tf.image.adjust_brightness(resize_image1, 0.2)
函数的功能是调节原始图像的亮度值，第一个参数是原始图像，第二个参数是调节的比例。
8、tf.image.adjust_saturation(resize_image1, 0.4)
函数的功能是调节原始图像的饱和度，第一个参数是原始图像，第二个参数是调节的比例。
9、tf.image.adjust_hue(resize_image1, 0.7)
函数的功能是调节图像的灰度值（Hue），参数1是原始图像，参数2是调节的比例。
10、tf.image.rgb_to_grayscale(image_float)
函数的功能是间输入的rgb格式的图像转换成grayscale的灰度图像，参数1是输入的原始图像。（注意输入图像的格式需要时浮点形式的float）
11、tf.image.rgb_to_hsv(image_float)
函数的功能是间输入的图像转换成为hsv格式的图像，参数1是输入图像，输入的格式需要时浮点型的。
完！