单词表示数字-LintCode

该博客介绍如何将非负整数以英文单词形式输出,例如将数字125转化为'one hundred twenty five'。文章重点在于根据数字的位数判断对应的英文表示,并采用递归方法解决位数较长的情况。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

给一个非负整数 n, 用单词打印数字

注意事项
n <= 2147483647

样例:
给出 n = 125
返回 one hundred twenty five

思路:
根据n的位数来判断是”billion”,”million”,”thousand”,”hundred”,还是十位数或者个位数。
对于位数较长的数字,递归求解。

#ifndef C688_H
#define C688_H
#include<iostream>
#include<string>
#include<vector>
using namespace std;
class Solution {
public:
    /*
    * @param : the number
    * @return: the number in words
    */
    string convertWords(int number) {
        // Write your code here
        string str = to_string(number);
        int len = str.size();
        //构建字典
        vector<string> dic{ "zero", "one", "two", "three", "four", "five", "six", "seven", "eight", "nine", "ten",
         "eleven", "twelve", "thirteen", "fourteen", "fifteen", "sixteen", "seventeen", "eighteen", "nineteen" };  
        vector<string> num{"","ten","twenty", "thirty", "forty", "fifty", "sixty", "seventy", "eighty", "ninety"};
        string res;
        if (len == 1)
            return dic[number];
        else if (len == 2)
        {
            res += num[str[0] - '0'];
            if (res == "ten")   //特殊处理10
            {
                if (str[1] == '0')
                    return res;
                else
                    return dic[number];
            }
            else                //是否是整除的十位数
            {
                if (str[1] != '0')
                    res += " " + convertWords(number%10);
                return res;
            }
        }
        else if (len == 3)      
        {
            res += dic[str[0] - '0'] + " hundred";
            if (number % 100 != 0)
                res += " " + convertWords(number % 100);
            return res;
        }
        //4-6位后面都是thousand,递归求出?thousand,再加上百位以前的数字
        else if (len >= 4 && len <= 6)
        {
            res += convertWords(number / 1000) + " thousand";
            if (number % 1000 != 0)
                res += " " + convertWords(number % 1000);
            return res;
        }
        else if (len >= 7 && len <= 9)
        {
            res += convertWords(number / 1000000) + " million";
            if (number % 1000000 != 0)
                res += " " + convertWords(number % 1000000);
            return res;
        }
        else
        {
            res += convertWords(number / 1000000000) + " billion";
            if (number % 1000000000 != 0)
                res += " " + convertWords(number % 1000000000);
            return res;
        }
    }
};
#endif
内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值