Erst werden Bild- und Textdaten separat bearbeitet, um dann anschließend auf das Verhältnis dieser beiden Elemente zueinander einzugehen.
Der folgende Leitfaden179, den Müller-Doohm als modellhaft für die deskriptive Erfassung des Materials vorlegt, soll, je nach Fragestellung und Art des Materials ,,eine methodisch kontrollierte Vertextung der wahrgenommenen Bild-Text-Elemente [erleichtern]``180. Er wurde, da es sinnvoll erschien, ihn auf die tatsächliche Themenwahl und Fragestellung gut anwendbar zu machen, in einzelnen Punkten etwas ausführlicher erläutert: