La motivation initiale de cette thèse est l'étude d'une discrétisation volumique de surface (Chapitre 2) naturellement liée à la structure de varifold. Le point clé est qu'il est possible de munir d'une structure de varifold la plupart des objets utilisés pour représenter ou discrétiser des surfaces c'est-à-dire aussi bien des objets tels que les sous variétés ou les ensembles rectifiables que des objets tels que des nuages de points ou encore la discrétisation volumique proposée, ce qui permet d'étudier dans un cadre unifié une surface et sa discrétisation. Une difficulté essentielle est que, généralement, ces structures discrètes ne sont pas rectifiables, ce qui soulève la question suivante : comment assurer qu'un varifold, obtenu comme limite de discrétisations volumiques, soit une surface, au moins en un sens faible ? De façon plus précise : quelles conditions sur une suite de varifolds quelconques assurent que le varifold limite est rectifiable (Chapitre 3) ou encore qu'il est à variation première bornée (Chapitre 5) ? On obtient des conditions quantitatives assurant la rectifiabilité grâce à des énergies liées aux nombres beta de Jones. On s'intéresse ensuite à la régularité du varifold limite en termes de courbure (variation première). On a essayé de contrôler la variation première en utilisant des techniques de construction de mesures de type packing (Chapitre 4), une forme régularisée de la variation première d'un varifold. Cette régularisation permet de définir des énergies de Willmore approchées qui Gamma convergent dans l'espace des varifolds vers l'énergie de Willmore ainsi qu'une approximation de la courbure qui est testée numériquement dans le Chapitre 6 / The starting point of this work is the study of a volumetric surface discretization model naturally connected to the varifolds structure introduced in Chapter 2. The point is that not only the discretization we propose can be endowed with a structure of varifold but also a great part of objects used for surface representation and discretization (triangulation, cloud points, level sets etc.) so that we can use varifolds tools to study in some unified setting different ways of discretizing surfaces. An important point to overcome is that these structures are generally not rectifiable so that we address the following question: how to ensure that the limit of a sequence of such discrete surfaces is regular? More precisely, what conditions on a sequence of varifolds (not necessarily rectifiable nor with bounded variation) ensure that the limit varifold is rectifiable (Chapter 3) or has bounded first variation (Chapter 5)? We obtain quantitative conditions of rectifiability for variflods considering energies linked to Jones' beta numbers. We then address the question in terms of first variation (generalized curvature) of a limit varifold. We first try a packing measure construction of the first variation of a varifold V (Chapter 4), then we define a regularized form of the classical first variation, allowing us to exhibit an energetic condition ensuring that a limit of a sequence of varifolds has bounded first variation. We use this regularized form to build an approximate Willmore energy Gamma-converging in the class of varifolds to the Willmore energy. In Chapter 6, we test numerically a notion of approximate curvature derived from the regularized first variation

Le processus de discrétisation faisant inévitablement appel à des capteurs, et ceux-ci étant limités de par leur nature, de nombreux effets secondaires apparaissent alors lors de ce processus; en particulier, nous perdons la propriété d'être "bien-composé" dans le sens où deux objects discrétisés peuvent être connectés ou non en fonction de la connexité utilisée dans l'image discrète, ce qui peut amener à des ambigüités. De plus, les images discrétisées sont des tableaux de valeurs numériques, et donc ne possèdent pas de topologie par nature, contrairement à notre modélisation usuelle du monde en mathématiques et en physique. Perdre toutes ces propriétés rend difficile l'élaboration d'algorithmes topologiquement corrects en traitement d'images: par exemple, le calcul de l'arbre des formes nécessite que la representation d'une image donnée soit continue et bien-composée; dans le cas contraire, nous risquons d'obtenir des anomalies dans le résultat final. Quelques representations continues et bien-composées existent déjà, mais elles ne sont pas simultanément n-dimensionnelles et auto-duales. La n-dimensionalité est cruciale sachant que les signaux usuels sont de plus en plus tridimensionnels (comme les vidéos 2D) ou 4-dimensionnels (comme les CT-scans). L'auto-dualité est nécéssaire lorsqu'une même image contient des objets a contrastes divers. Nous avons donc développé une nouvelle façon de rendre les images bien-composées par interpolation de façon auto-duale et en n-D; suivie d'une immersion par l'opérateur span, cette interpolation devient une représentation auto-duale continue et bien-composée du signal initial n-D. Cette représentation bénéficie de plusieurs fortes propriétés topologiques: elle vérifie le théorème de la valeur intermédiaire, les contours de chaque coupe de la représentation sont déterminés par une union disjointe de surfaces discrète, et ainsi de suite / Digitization of the real world using real sensors has many drawbacks; in particular, we loose ``well-composedness'' in the sense that two digitized objects can be connected or not depending on the connectivity we choose in the digital image, leading then to ambiguities. Furthermore, digitized images are arrays of numerical values, and then do not own any topology by nature, contrary to our usual modeling of the real world in mathematics and in physics. Loosing all these properties makes difficult the development of algorithms which are ``topologically correct'' in image processing: e.g., the computation of the tree of shapes needs the representation of a given image to be continuous and well-composed; in the contrary case, we can obtain abnormalities in the final result. Some well-composed continuous representations already exist, but they are not in the same time n-dimensional and self-dual. n-dimensionality is crucial since usual signals are more and more 3-dimensional (like 2D videos) or 4-dimensional (like 4D Computerized Tomography-scans), and self-duality is necessary when a same image can contain different objects with different contrasts. We developed then a new way to make images well-composed by interpolation in a self-dual way and in n-D; followed with a span-based immersion, this interpolation becomes a self-dual continuous well-composed representation of the initial n-D signal. This representation benefits from many strong topological properties: it verifies the intermediate value theorem, the boundaries of any threshold set of the representation are disjoint union of discrete surfaces, and so on