diff --git a/docs/superpowers/plans/2026-09-12-leonida-vice-slice.md b/docs/superpowers/plans/2026-09-12-leonida-vice-slice.md
index 65b4e8d..ed298a3 100644
--- a/docs/superpowers/plans/2026-09-12-leonida-vice-slice.md
+++ b/docs/superpowers/plans/2026-09-12-leonida-vice-slice.md
@@ -534,6 +534,13 @@ def test_unknown_pixels_are_filled_from_neighbours():
     labels = classify(img)
     assert (labels == CLASSES["stadt"]).all()
 
+def test_reports_the_share_of_unknown_pixels():
+    img = block(PALETTE["stadt"], 16)
+    img[7:9, 7:9] = (255, 0, 255)              # 4 von 256 Pixeln passen zu keiner Farbe
+    labels, share = classify(img, report_unknown=True)
+    assert (labels == CLASSES["stadt"]).all()
+    assert abs(share - 4 / 256) < 1e-9
+
 def test_shares_sum_to_one():
     img = np.concatenate([block(PALETTE["wasser"], 8), block(PALETTE["land"], 8)], axis=1)
     shares = class_shares(classify(img))
@@ -569,18 +576,23 @@ UNKNOWN = 255
 MAX_DELTA_E = 14.0     # darüber gilt ein Pixel als unbekannt (Beschriftung, Icon, Kante)
 
 
-def classify(rgb: np.ndarray) -> np.ndarray:
-    """Ordnet jedes Pixel der nächsten Palettenfarbe zu; Ausreißer werden aufgefüllt."""
+def classify(rgb: np.ndarray, report_unknown: bool = False):
+    """Ordnet jedes Pixel der nächsten Palettenfarbe zu; Ausreißer werden aufgefüllt.
+
+    Mit report_unknown=True kommt zusätzlich der Anteil der Pixel zurück, die vor dem
+    Auffüllen zu keiner Legendenfarbe passten. Aufgabe 6 bricht darüber bei über 5 % ab.
+    """
     lab = rgb2lab(rgb.astype(np.float32) / 255.0)
     ref = rgb2lab(np.array([list(PALETTE.values())], dtype=np.float32) / 255.0)[0]
     dist = np.linalg.norm(lab[:, :, None, :] - ref[None, None, :, :], axis=3)
     labels = dist.argmin(axis=2).astype(np.uint8)
     unknown = dist.min(axis=2) > MAX_DELTA_E
+    share = float(unknown.mean())
     if unknown.any():
         # Nächstes bekanntes Pixel übernehmen.
         idx = ndi.distance_transform_edt(unknown, return_distances=False, return_indices=True)
         labels = labels[tuple(idx)]
-    return labels
+    return (labels, share) if report_unknown else labels
 
 
 def class_shares(labels: np.ndarray) -> dict[str, float]: