«بنابر نظر بسیاری از نویسندگان، جوهره‌ی اصلی کتاب‌های تصویری روشی است که در آن متن و تصاویر باهم رابطه برقرار می‌کنند. این رابطه بین دو گونه متن مختلف، متن کلامی و بصری، رابطه‌ای بسیار پیچیده و ظریف است. طیف گسترده‌ای از استعاره‌ها برای توصیف این رابطه مورد استفاده قرار گرفته است.» این مقاله در ابتدا مروری اجمالی بر روش‌های مختلف مفهوم‌پردازی درباره‌ی رابطه‌ی متن و تصویر در کتاب‌های تصویری از سوی نظریه‌پردازان مختلف دارد. نگارنده برای توضیح این رابطه از سنت‌ها و رشته‌های نظری گوناگونی همچون نقد مخاطب محور، نقد زیبایی‌شناسانه، زبان‌شناسی و نشانه‌شناسی، و تئوری‌های ادبی کمک می‌گیرد. او می‌کوشد ارتباط میان متن و تصویر در کتاب‌های تصویری را صورت‌بندی کند و برای توضیح رابطه‌ی مورد نظر خود میان کلمات و تصاویر از اصطلاح «تعامل» استفاده می‌کند. نگارنده برای توصیف اینکه زمانی که ما کلام را به نشانه‌های بصری ربط می‌دهیم، چه اتفاقات درونی‌ای می‌افتد، نظریه‌ای در باب رابطه‌ی متن و تصویر معرفی می‌کند که بر مفاهیم نشانه‌شناختی «بین‌رسانه‌ای» استوار است. او به منظور روشن‌تر شدن این نظریه برای خوانندگان، آن را در مورد ارتباط متن و تصویر در دو صفحه از کتاب آنجا که وحشی‌ها هستند، پیاده خواهد کرد.