Bilder haben keine grammatische Struktur und können nur begrenzt logische Verknüpfungen ausdrücken. Bilder alleine sind oft mehrdeutig. Sprachliche Ergänzungen haben die Aufgabe, die Mehrdeutigkeit der Bilder für den Adressaten einzuschränken und die Interpretation zu präzisieren. Text und Bild müssen sich aufeinander beziehen und sich ergänzen, um ein integratives Gesamtverständnis zu erreichen. Es gibt drei Arten von inhaltlichen Text-Bild-Beziehungen: Kongruente Bezüge, bei denen der Text beschreibt, was das Bild zeigt.