Le développement des capteurs satellitaires d'observation des traceurs géophysiques à la surface de l'océan et les algorithmes de traitement associés ont connu un essor important au cours des vingt dernières années. Les différents capteurs satellitaires disponibles présentent des résolutions spatiales et temporelles différentes ainsi que différents niveaux de sensibilité à la couverture nuageuse. Dans le cas des images de température de surface de la mer, ceci se traduit notamment par de forts taux de données manquantes dans les observations de très haute-résolution (de l'ordre de 1kmx1km) contrairement aux observations de basse-résolution (de l'ordre de 25kmx25km). Il existe donc un enjeu fort pour exploiter conjointement les différentes sources d'information disponibles. Dans ce contexte, nous proposons un nouveau modèle stochastique de super-résolution basé sur une augmentation réaliste de l'information texturale des images. L'originalité de ce modèle réside dans la formulation d'à priori stochastiques sur la géométrie des images, qui sont caractéristiques des textures associées aux champs géophysiques à la surface de l'océan. Formellement, ce modèle consiste à modéliser les lignes de niveau de l'image comme des réalisations de marches aléatoires. Ce modèle stochastique s'étend naturelle- ment à la simulation d'images haute-résolution à partir d'une observation basse-résolution. Cet article décrit la formulation mathématique du modèle proposé, ses caractéristiques théoriques ainsi que le schéma numérique mis en œuvre pour la super-résolution d'images texturées. L'application à la simulation haute-résolution de champs de température de surface de la mer dans une région active de l'océan (courant des Aiguilles) démontre sa pertinence dans le contexte applicatif de la télédétection satellitaire de l'océan. Nous en discutons également les principales contributions ainsi que les différentes extensions possibles.