Publikace je souborem esejí, které se postupně věnují jednotlivým aspektům vztahu textu a obrazu. Mitchell rozebírá reprezentace obrazové i verbální, souvislosti obrazu a jazyka, a to vše dokládá na velmi široké škále praktických ukázek z každodenního života. Základem Mitchellova přístupu k obrazům (a nejen k nim) je interdisciplinarita: jeho hlavní argument pro multidisciplinární náhled vychází z obavy, že důkladná lingvistická interpretace obrazů fakticky brání jejich hlubšímu porozumění. Kouzlem textů je, že se v nich nenásilně potkávají William Blake, dinosauři z Jurského parku, Nelson Goodman, přímý přenos CNN, Spike Lee, Erwin Panofsky, ale také film Olivera Stonea.
Zjednodušeně můžeme konstatovat, že Teorie obrazu propaguje vizuální gramotnost, a Mitchell v tomto svém textu dospívá k závěru, že obrazům, které nás obklopují, se sice nemůžeme bránit, ale můžeme jim lépe rozumět, a tak činit svět lepším.
Kniha je vhodnou vstupní branou do světa obrazů, nástrojem a pomůckou pro lepší pochopení vizuální složky světa, ve kterém žijeme.