Anonimizacja skanów i dokumentów po OCR. Gdzie najczęściej pozostają dane?

Jak anonimizować zeskanowane dokumenty? Wyjaśniamy rolę OCR i pokazujemy, gdzie mogą pozostać dane w obrazie, tekście oraz odręcznych dopiskach.

Zeskanowany dokument wygląda jak zwykły PDF, ale może składać się z kilku warstw. Użytkownik widzi obraz kartki, a pod nim znajduje się tekst rozpoznany przez OCR. Do tego dochodzą odręczne dopiski, pieczęcie, podpisy, kody i elementy tła. Skuteczna anonimizacja musi uwzględnić je wszystkie.

OCR bardzo przyspiesza pracę, lecz nie jest dowodem, że przeanalizowano cały dokument. Rozpoznaje to, co potrafi odczytać. Dane pominięte przez algorytm nadal pozostają na obrazie strony.

Czym jest OCR?

OCR, czyli optyczne rozpoznawanie znaków, zamienia obraz tekstu na znaki, które można wyszukać, skopiować i przetwarzać. Dzięki temu system może odnaleźć w skanie nazwisko, numer PESEL albo adres.

Jakość wyniku zależy między innymi od:

OCR może pomylić cyfrę zero z literą „O”, pominąć fragment przy zagięciu kartki albo nie rozpoznać tekstu w pieczęci. Dlatego wyszukiwanie samych słów w warstwie OCR nie wystarcza.

Dwie warstwy, dwa rodzaje ryzyka

W pliku po OCR dane mogą znajdować się równocześnie:

  1. w widocznym obrazie kartki;
  2. w niewidocznej warstwie tekstowej.

Jeżeli narzędzie zasłoni tylko obraz, tekst może nadal dać się zaznaczyć albo odnaleźć. Jeżeli usunie tylko wynik OCR, dane pozostaną widoczne na stronie. Prawidłowa redakcja powinna objąć oba poziomy i utworzyć nową kopię wynikową.

Po anonimizacji warto spróbować wyszukać usunięte nazwisko, zaznaczyć obszar kursorem i skopiować jego zawartość do prostego edytora tekstu. Trzeba jednak pamiętać, że brak wyniku takiego testu nie zastępuje oględzin każdej strony.

Najczęściej pomijane miejsca

Odręczne dopiski

Imię, numer telefonu lub adres mogą być dopisane na marginesie. Tradycyjny OCR może ich nie rozpoznać, szczególnie gdy pismo jest niewyraźne. Sam charakter pisma także może pozwolić na rozpoznanie autora w określonym środowisku. UODO zwrócił na to uwagę w 2025 roku w związku z publikacją odręcznych protestów wyborczych.

Pieczęcie i podpisy

Pieczęć może zawierać nazwisko, stanowisko, numer uprawnień albo telefon. Podpis jest widocznym elementem dokumentu, nawet jeśli tekst obok został usunięty. Nie każdy podpis trzeba usuwać, ale każdy należy świadomie ocenić.

Formularze i tabele

OCR dobrze rozpoznaje ciągłe akapity, gorzej radzi sobie z polami, kratkami i tekstem wpisanym pionowo. Dane mogą znajdować się także w nagłówkach kolumn, dopiskach pod tabelą i na kolejnej stronie formularza.

Kody QR i kody kreskowe

Kod może zawierać identyfikator dokumentu, adres internetowy z tokenem, numer przesyłki albo inne dane. Czasem informacja nie jest widoczna jako tekst, ale można ją odczytać telefonem.

Koperty, zwrotki i załączniki

Skan pisma bywa publikowany razem z kopertą, potwierdzeniem nadania, pełnomocnictwem lub załącznikiem. To właśnie na tych stronach często pozostają adresy i podpisy.

Bezpieczny przebieg anonimizacji skanu

  1. Sprawdź kompletność. Ustal liczbę stron i załączników.
  2. Uruchom OCR. Potraktuj jego wynik jako pomoc w wykrywaniu danych.
  3. Przejrzyj obraz strony. Zwróć uwagę na odręczne fragmenty, pieczęcie i elementy graficzne.
  4. Oznacz obszary do trwałej redakcji. Decyzję o zakresie podejmuje upoważniona osoba.
  5. Utwórz nową kopię. Nie nadpisuj oryginału w aktach sprawy.
  6. Sprawdź obraz i tekst. Wyszukuj, kopiuj, powiększaj i oglądaj wszystkie strony.
  7. Przeprowadź drugą kontrolę. Jest szczególnie ważna przy słabej jakości skanu i danych wrażliwych.

Czy skan jest najlepszym formatem publikacji?

Portal gov.pl przypomina, że podmiot publiczny nie ma ogólnego obowiązku publikowania skanu tylko po to, aby pokazać pieczęć i podpis. Skan bez warstwy tekstowej jest zwykle niedostępny dla osoby korzystającej z czytnika ekranu.

Jeżeli urząd posiada dostępny cyfrowo dokument źródłowy, często lepiej przygotować kopię publikacyjną z niego, zamiast drukować materiał, podpisywać go, skanować i ponownie rozpoznawać. Oryginał i sposób dokumentowania sprawy mogą pozostać zgodne z procedurami urzędu, a odbiorca otrzyma czytelniejszy materiał.

O ryzyku rozpoznania autora po charakterze pisma piszemy szerzej w artykule Czy pismo odręczne może zdradzić autora?.

Redakt łączy analizę treści PDF z kontrolą obrazu dokumentu i pozostawia użytkownikowi decyzję o zatwierdzeniu redakcji. Sprawdź Redakt na swoim skanie.

Źródła

Przetestuj anonimizację w systemie Redakt

Redakt to aplikacja internetowa MWC do anonimizacji PDF i skanów. AI wskazuje dane do sprawdzenia, a po Twoim zatwierdzeniu system trwale usuwa wybrane treści z dokumentu.

Wypróbuj Redakt bezpłatnie Poznaj funkcje systemu

Powiązane publikacje

Wróć do publikacji

Producent: MWC Sp. z o.o., ul. Kowalewicka 12, 60-002 Poznań, NIP 7831678932. Kontakt: info@mwc.pl.