1.一种图像处理方法，其特征在于，包括：
根据待处理图像集合，确定目标区域；
根据所述目标区域，对所述待处理图像集合进行切割，得到两个以上的待处理子图像；
根据至少一个所述待处理子图像进行第一预测，得到与所述待处理图像集合对应的第一预测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据待处理图像集合，确定目标区域，包括：
从所述待处理图像集合中，选定第一待处理图像；
对所述第一待处理图像进行降采样，得到第二待处理图像；
对所述第二待处理图像包括的第一对象进行第一分割，得到第一分割结果；
将所述第一分割结果作为所述目标区域。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述目标区域，对所述待处理图像集合进行切割，得到两个以上的待处理子图像，包括：
从所述待处理图像集合中，选定预设尺度的图像，作为第三待处理图像；
将所述目标区域在所述第三待处理图像中映射的位置，作为所述第三待处理图像的目标位置；
在所述目标位置，将所述第三待处理图像切割至预设尺寸，得到两个以上的待处理子图像。
4.根据权利要求3所述的方法，其特征在于，所述预设尺度包括所述待处理图像集合中的最大尺度。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述根据至少一个所述待处理子图像进行第一预测，得到与所述待处理图像集合对应的第一预测结果，包括：
对至少一个所述待处理子图像进行第一预测，得到与所述待处理子图像对应的第一预测子结果；
根据所述待处理子图像在所述待处理图像集合中的位置，对至少一个所述第一预测子结果进行合并，得到所述第一预测结果。
6.根据权利要求5所述的方法，其特征在于，所述对至少一个所述待处理子图像进行第一预测，得到与所述待处理子图像对应的第一预测子结果，包括：
对至少一个所述待处理子图像包括的第二对象进行分类，得到与所述待处理子图像对应的分类子结果，其中，所述分类子结果包括分类特征向量，以及与每个所述分类特征向量对应的分类概率；
对至少一个所述待处理子图像包括的第二对象进行第二分割，得到与所述待处理子图像对应的第二分割子结果；
将所述分类子结果和所述第二分割子结果，作为所述待处理子图像的第一预测子结果。
7.根据权利要求6所述的方法，其特征在于，所述根据所述待处理子图像在所述待处理图像集合中的位置，对至少一个所述第一预测子结果进行合并，得到第一预测结果，包括：
将至少一个所述待处理子图像对应的分类子结果进行合并，得到分类结果，其中，所述分类结果包括通过合并所述分类特征向量所获得的分类特征向量集合；
根据所述待处理子图像在所述待处理图像集合中的位置，将至少一个所述待处理子图像对应的第二分割子结果进行合并，得到与所述待处理图像集合对应的第二分割结果；
将所述分类结果和所述第二分割结果，作为所述第一预测结果。
8.根据权利要求1至7中任意一项所述的方法，其特征在于，所述方法还包括：
根据所述第一预测结果进行处理，得到处理结果。
9.根据权利要求8所述的方法，其特征在于，所述根据所述第一预测结果进行处理，得到处理结果，包括：
从所述第一预测结果包括的分类结果中，选定分类概率最高的n个分类特征向量，作为目标特征向量，其中，n为正整数；
根据所述目标特征向量进行第二预测，得到第二预测结果；
将所述第一预测结果包括的第二分割结果，和所述第二预测结果，作为所述处理结果。
10.根据权利要求9所述的方法，其特征在于，所述根据所述目标特征向量进行第二预测，得到第二预测结果，包括：
将所述目标特征向量进行融合，得到融合特征向量；
对所述融合特征向量依次进行卷积处理和池化处理，得到第二预测结果。
11.根据权利要求1至10中任意一项所述的方法，其特征在于，所述待处理图像集合包括：病理图像集合。
12.根据权利要求1至11中任意一项所述的方法，其特征在于，所述方法通过神经网络实现，所述神经网络通过训练图像集合进行训练，其中，所述训练图像集合包括至少一个预添加噪声的训练图像。
13.一种图像处理装置，其特征在于，包括：
确定模块，用于根据待处理图像集合，确定目标区域；
切割模块，用于根据所述目标区域，对所述待处理图像集合进行切割，得到两个以上的待处理子图像；
第一预测模块，用于根据至少一个所述待处理子图像进行第一预测，得到与所述待处理图像集合对应的第一预测结果。
14.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至12中任意一项所述的方法。
15.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。