Guide · Guide pratique · Documents numérisés
Anonymiser un PDF scanné : OCR, zones et relecture
Équipe Anonimatum
En bref
Un PDF scanné est une image : sans OCR, aucun texte où chercher un nom ou un numéro. On reconnaît d’abord le texte, on détecte les données, on masque signatures et tampons avec des zones, puis on vérifie image et couche texte.
Beaucoup de documents à anonymiser ne sont pas nés numériques : courriers reçus par la poste, contrats signés à la main, comptes rendus médicaux anciens, dossiers numérisés pour l’archivage ou pour répondre à une demande de communication auprès d’une administration. Une fois scannés, ce sont des PDF remplis de photos de pages. Un humain y lit le NIR ; une recherche par motif, non.
Ce guide explique comment les traiter : ce qu’est l’OCR et pourquoi il passe en premier, ce qui fait échouer la reconnaissance, comment masquer ce qui n’est pas du texte (signatures, tampons, annotations manuscrites) et comment s’assurer qu’il ne reste rien ni dans l’image ni dans la couche texte cachée.
Pas à pas
Vérifiez la présence de texte
Essayez de sélectionner un mot et de chercher avec Ctrl+F. Aucun texte : c’est un scan pur ; une recherche qui échoue : l’OCR existant est sans doute médiocre.
Améliorez la numérisation si possible
Si vous avez encore le papier, rescannez-le droit et avec une résolution suffisante. Un bon original évite des erreurs de reconnaissance.
Activez l’anonymisation avec OCR
Importez le PDF dans Anonimatum et activez l’option OCR dans la configuration. Confirmez les pages à traiter ; les pages natives ne sont pas retraitées.
Choisissez motifs et options d’IA
Cochez les motifs utiles (e-mail, téléphone, IBAN…) et les catégories d’IA nécessaires ; les documents en français sont reconnus avec le numéro de sécurité sociale.
Dessinez des zones pour ce qui n’est pas du texte
Masquez signatures, tampons, notes manuscrites et photos avec des zones, et enregistrez-les comme modèle de figures si elles se répètent.
Prévisualisez et corrigez
Lancez l’aperçu, relisez les marques en jaune, ajoutez les données mal lues par l’OCR et retirez les faux positifs.
Appliquez et vérifiez
Appliquez l’anonymisation, téléchargez le résultat et contrôlez image et couche texte par zoom, copier-coller et recherche.
Ce qui distingue un PDF scanné
Un PDF exporté d’un traitement de texte stocke des caractères. Un PDF scanné stocke une image par page. Il existe une troisième variante, fréquente et piégeuse : le scan déjà passé à l’OCR par le scanner ou un logiciel, qui ajoute un texte invisible derrière l’image pour permettre la recherche. Si l’on dessine seulement un rectangle noir sur l’image, le nom disparaît à l’écran mais reste dans la couche texte ; si l’on efface seulement le texte, le nom reste visible sur l’image.
Anonymiser un scan impose donc d’agir sur les pixels de l’image et le texte reconnu en même temps. C’est le principe même de la censure de documents, appliqué à une page qui est une photographie.
D’abord l’OCR : pas de texte, pas de détection
La reconnaissance optique de caractères (OCR) transforme l’image en texte positionné. Ce n’est qu’ensuite que les motifs peuvent trouver un numéro de sécurité sociale (1 85 03 69 123 456 12, fictif) ou un IBAN, et que l’IA peut repérer noms, adresses ou dates. Sans OCR, il ne reste qu’à masquer à la main zone par zone, ce qui est impraticable sur un dossier de 80 pages.
Ce qui influence la qualité de l’OCR
- Résolution : un scan en très basse résolution confond les lettres ; on recommande couramment environ 300 ppp pour du texte.
- Inclinaison et bords : pages de travers, ombre de la reliure ou doigts sur une photo prise au téléphone.
- Contraste et taches : photocopies de photocopies, papier thermique pâli, tampons apposés sur le texte.
- Typographie et tableaux : petits caractères, colonnes étroites, formulaires à cases.
- Écriture manuscrite : l’OCR de texte imprimé ne la lit pas de manière fiable ; traitez-la comme une image.
Les erreurs d’OCR ont une conséquence directe : si un 0 est lu comme un O ou si un chiffre manque, le motif ne correspond plus et la donnée passe au travers. Sur un scan, la relecture humaine de l’aperçu compte donc encore plus que sur un PDF natif.
Signatures, tampons et mentions manuscrites : les zones
Certaines données personnelles ne sont pas du texte : la signature manuscrite, le tampon d’arrivée portant le nom d’un agent, une note en marge, la copie d’une carte d’identité jointe au dossier. On utilise alors des zones, des rectangles dessinés sur la page qui suppriment le contenu de la surface. Dans Anonimatum, on trace le rectangle puis on choisit sa portée : page courante, plage de pages ou document entier.
Si le même élément revient toujours au même endroit, comme un paraphe en marge de chaque page d’un contrat ou une signature au bas d’un formulaire type, enregistrez la zone comme modèle de figures et réutilisez-la. La version 1.9.0 propose aussi des modèles système pour des cas courants, comme les contrats avec tampons latéraux.
La démarche dans Anonimatum
Si le PDF importé possède déjà une couche texte suffisante, l’OCR n’est pas réappliqué. Pour un scan, on active l’option d’anonymisation avec OCR dans la configuration : l’application indique les pages qui en ont besoin et demande confirmation avant de l’appliquer. Le moteur OCR (Tesseract par défaut, ou PaddleOCR) se choisit dans le profil. La page de l’anonymiseur de PDF scannés présente ces fonctions.
| Document | Pages avec OCR | Pages décomptées |
|---|---|---|
| 10 pages, toutes natives | 0 | 10 |
| 10 pages, dont 3 scannées | 3 | 13 |
| 10 pages, toutes scannées | 10 | 20 |
Comme le montre le tableau, les pages passées à l’OCR comptent double, mais seulement celles qui en ont besoin. Si vous voulez simplement un PDF consultable sans l’anonymiser, utilisez l’outil PDF avec texte copiable, traité dans la file de documents.
Vérifier un scan anonymisé
Contrôles propres aux documents scannés
- Zoomer sur chaque page : les caches doivent couvrir entièrement la donnée, y compris les traits de signature qui dépassent.
- Tout sélectionner, copier et coller dans un éditeur : aucune donnée masquée ne doit apparaître dans la couche OCR.
- Chercher avec Ctrl+F le nom et ses variantes mal reconnues (par exemple avec 0 au lieu de O).
- Contrôler marges, versos et pages blanches : tampons et annotations s’y cachent souvent.
- Vérifier les métadonnées et le nom du fichier avant diffusion.
Questions fréquentes
Pourquoi l’outil ne trouve-t-il pas le numéro dans mon PDF scanné ?
Parce que sans OCR il n’y a pas de texte à analyser. Activez l’OCR. S’il l’est déjà, vérifiez la qualité : un seul caractère mal reconnu suffit à faire échouer un motif.
Combien de quota consomme un PDF scanné ?
Les pages passées à l’OCR comptent double : un document de 10 pages dont 3 avec OCR consomme 13 pages, et non 20.
Les signatures manuscrites sont-elles détectées automatiquement ?
Mieux vaut ne pas compter dessus. Signatures, tampons et écrits manuscrits se masquent avec des zones dessinées ou des modèles de figures réutilisables.
Mon scan avait déjà un OCR : y a-t-il un risque ?
Oui : la couche texte invisible peut contenir les données même si vous les masquez sur l’image. Utilisez un outil qui supprime les deux et vérifiez en copiant le texte du résultat.
Des dossiers scannés à anonymiser ?
Découvrez les offres et commencez avec l’OCR sélectif, la détection par IA hébergée dans l’UE et des zones pour signatures et tampons.