Mention figures and tables in normal texts.

Fix some figures.
Finetune texts.

docs/chapter_heap/top_k.md

@@ -8,9 +8,9 @@
 
 ## 方法一：遍历选择
 
-我们可以进行 $k$ 轮遍历，分别在每轮中提取第 $1$ , $2$ , $\dots$ , $k$ 大的元素，时间复杂度为 $O(nk)$ 。
+我们可以进行下图所示的 $k$ 轮遍历，分别在每轮中提取第 $1$ , $2$ , $\dots$ , $k$ 大的元素，时间复杂度为 $O(nk)$ 。
 
-该方法只适用于 $k \ll n$ 的情况，因为当 $k$ 与 $n$ 比较接近时，其时间复杂度趋向于 $O(n^2)$ ，非常耗时。
+此方法只适用于 $k \ll n$ 的情况，因为当 $k$ 与 $n$ 比较接近时，其时间复杂度趋向于 $O(n^2)$ ，非常耗时。
 
 ![遍历寻找最大的 k 个元素](top_k.assets/top_k_traversal.png)
 
@@ -20,7 +20,7 @@
 
 ## 方法二：排序
 
-我们可以对数组 `nums` 进行排序，并返回最右边的 $k$ 个元素，时间复杂度为 $O(n \log n)$ 。
+如下图所示，我们可以先对数组 `nums` 进行排序，再返回最右边的 $k$ 个元素，时间复杂度为 $O(n \log n)$ 。
 
 显然，该方法“超额”完成任务了，因为我们只需要找出最大的 $k$ 个元素即可，而不需要排序其他元素。
 
@@ -28,7 +28,7 @@
 
 ## 方法三：堆
 
-我们可以基于堆更加高效地解决 Top-K 问题，流程如下：
+我们可以基于堆更加高效地解决 Top-K 问题，流程如下图所示。
 
 1. 初始化一个小顶堆，其堆顶元素最小。
 2. 先将数组的前 $k$ 个元素依次入堆。