Image SEO Checker

Warum Bilder-SEO wichtig ist

Image SEO ist der am meisten vernachlässigte Hebel auf den meisten Seiten. Bilder sind meistens der schwerste Teil einer Seite. Ein fehlender ALT-Tag verhindert nicht, dass Google das Bild indexiert (Google nutzt umgebenden Text, Dateinamen und Vision-Modelle als Fallback-Signale), aber er nimmt Google den stärksten Kontext für das Ranking in der Bildersuche. Und Screenreader haben ohne ALT-Tag nichts vorzulesen. Eine 2-MB-PNG zu liefern, wenn eine 200-KB-WebP reichen würde, killt deine Core Web Vitals. Und fehlende width/height-Attribute verursachen Layout Shift (CLS), der deinen Performance-Score drückt.

Dieses Tool prüft jedes Bild einer Seite über 20+ Checks: ALT-Tags, kaputte Bilder, Formate, Dimensionen, Lazy Loading, Dateigrößen, srcset-Abdeckung, fetchpriority, decoding, überdimensionierte Auslieferung, Mixed Content, generische Dateinamen, doppelte Alt-Texte — du bekommst einen bewerteten Report mit Fixes nach Wirkung sortiert, und smarte Heuristiken, die korrektes HTML nicht bestrafen.

Was diesen Checker anders macht

Die meisten Image-SEO-Tools wenden dieselben Regeln auf jedes Bild an und bestrafen korrektes HTML. Nav-Logos werden für "kein Lazy Loading" markiert, obwohl eager für above-fold Icons korrekt ist. Thumbnails werden für "kein srcset" markiert, obwohl ein 28×28-Bild keine responsiven Varianten braucht. Hero-Bilder, die zweimal genutzt werden (Thumbnail + Lightbox), werden als Duplikate markiert. Das Ergebnis ist ein Score, der dir sagt, dein HTML objektiv schlechter zu machen.

Dieses Tool wendet zuerst smarte Heuristiken an. Die Logo-Erkennung (basierend auf src, Dimensionen und DOM-Position) nimmt Nav-Icons von Lazy-Loading- und srcset-Abzügen aus. Die Above-Fold-Erkennung (erste 3 Bilder oder Elemente im header) nimmt Hero-Bilder von Lazy-Loading-Abzügen aus. Gewollte Duplikate bis zu zweimal pro URL sind ohne Abzug erlaubt — erst 3+ Mehrfachnutzungen werden markiert. Tracking-Pixel (Facebook, GA, LinkedIn, Bing) werden erkannt und vollständig vom Scoring ausgeschlossen. Das Ergebnis ist ein Score, dem du vertrauen kannst.

fetchpriority, decoding und moderne LCP-Optimierung

Dein LCP-Element ist fast immer ein Bild: Der HTTP Archive Web Almanac 2025 hat Bilder auf 76 % der Mobile-Seiten und 85 % der Desktop-Seiten als LCP-Inhaltstyp gemessen. Modernes Chrome, Edge, Firefox und Safari unterstützen alle fetchpriority="high" und decoding="async", geprüft werden sie in Audits trotzdem selten. Dieses Tool schon.

Der Checker parst die fetchpriority- und decoding-Attribute auf jedem Bild und zeigt sie in der Badges-Zeile. Er markiert auch das häufigste Anti-Pattern: ein Bild mit sowohl loading="lazy" ALS AUCH fetchpriority="high". Die widersprechen sich — der Browser kann keinen Fetch priorisieren, den er noch nicht gestartet hat. Wenn diese Kombination auf einem wahrscheinlichen LCP-Bild auftaucht, wird sie als Fehler markiert. Das Copy-Ready-Fix-Snippet gibt dir die exakte Attribut-Kombination, die du brauchst.

Kaputte Bilder, überdimensionierte Auslieferung und Mixed Content

Kaputte Bilder (Bilder mit 4xx/5xx Status) werden über eine HEAD-Anfrage an jede eindeutige Bild-URL erkannt. Der Check nutzt den bestehenden Fetch-Layer des Tools wieder, daher verursacht er keine zusätzlichen Kosten über den existierenden Dateigrößen-Check hinaus. Jedes Bild, das HTTP 404, 403, 500 oder ähnlich zurückgibt, wird rot markiert mit dem tatsächlichen Status-Code in der Karte.

Überdimensionierte Bilder werden erkannt, indem jedes Bild im Browser geladen und naturalWidth mit der deklarierten HTML-width verglichen wird. Der Schwellenwert ist 2,5x — das erlaubt 2x Retina-Varianten ohne falsche Positive, markiert aber Bilder, bei denen die Quelldatei objektiv zu groß ist. Mixed Content (http://-Bilder auf einer https://-Seite) wird als kritischer Fehler markiert: Chrome hebt solche Anfragen automatisch auf HTTPS an und blockiert das Bild, wenn das fehlschlägt.

Über den <img>-Tag hinaus: Schema, CSS, SVG und <picture>-Audits

Die meisten Image-SEO-Tools schauen nur auf <img>-Tags. Lumina prüft zusätzlich vier Kategorien, in denen echte Bugs stecken, die ein reiner img-Scan nie sieht:

Social Preview & Schema Cross-Check. Extrahiert og:image, twitter:image und jede Bild-URL in JSON-LD (ImageObject, primaryImageOfPage, Organization.logo, publisher.logo) und prüft sie auf Konsistenz. Erkennt die Bugs, die Social Shares kaputt machen: og:image fehlt komplett (LinkedIn zeigt keine Preview-Karte) oder og:image und twitter:image zeigen auf verschiedene URLs (Previews inkonsistent). Verifiziert zusätzlich, dass das og:image aus dem JSON-LD referenziert ist, damit Google das Primärbild der Seite übernimmt.

CSS background-image Erkennung. Scannt <style>-Blöcke und inline style=""-Attribute nach background-image: url(...) Referenzen. Google Bildersuche indexiert CSS Background Images NICHT — wenn dein Hero ein CSS Background ist, verlierst du Image-Search-Traffic komplett. Googles eigene Image-SEO-Docs sagen es klar: "Google doesn't index CSS images."

Inline-SVG Accessibility-Audit. Geht jedes inline <svg>-Element durch und prüft auf <title>-Kind, aria-label/aria-labelledby, role="img" oder aria-hidden="true" (dekorativ). Eltern-Element accessible Names (<button aria-label>) werden auch erkannt. Googles Image-SEO-Docs empfehlen genau dafür ein <title>-Element in Inline-SVGs.

<picture>-Element-Vollständigkeit. Für jedes <picture>-Element wird validiert: Fallback-<img> vorhanden, alle <source>-Elemente haben type- und srcset-Attribute, und die Source-Reihenfolge respektiert AVIF > WebP > JPG/PNG. Browser nehmen die erste matchende Source, das heißt WebP vor AVIF bedeutet: AVIF-fähige Browser bekommen nie AVIF — eine stille Performance-Regression. Empfiehlt auch AVIF-Sources für WebP-only Pictures hinzuzufügen.

Bildrechte, DSGVO und Image SEO

Bildrechte sind der blinde Fleck fast jeder Content-Strategie. Ein Stock-Foto ohne Lizenznachweis oder ein Kundenporträt ohne schriftliche Einwilligung ist eine klassische DSGVO-Falle. EXIF-Metadaten sind die zweite: viele Smartphones schreiben GPS-Koordinaten ins Bild, und wer sie nicht vor dem Upload entfernt, verrät ungewollt Standortdaten. Dieses Tool prüft die technische Seite von Image SEO: ALT-Tag, Format, Dateigröße, Layout-Shift-Risiken. Lizenzen und Personendaten musst du selbst prüfen. Kein Checker kann unterscheiden, ob du das Recht am Bild hast.

Wie funktioniert die Google Bildersuche?

Google wertet das Bild selbst per Computer Vision aus, verlässt sich aber nicht darauf allein. Dazu kommen ALT-Text, der umgebende Text und der Dateiname. Ohne ALT-Tag fällt davon das Signal weg, das du am direktesten steuerst. Beim Dateinamen empfiehlt Google kurz und beschreibend, also eher "rote-laufschuhe-damen.jpg" als "IMG_4382.jpg" — aber keine Keyword-Kette, die zählt Google als Spam.

Image SEO für Onlineshops und E-Commerce

Ein Shop hat mehr Bilder als Textseiten, und die Produktbilder sind meist die einzigen, die niemand redaktionell betreut. Jedes braucht einen ALT-Text, der die Produktbezeichnung enthält, plus ein modernes Format für schnellere Ladezeiten. Dieses Tool findet fehlende ALT-Tags auf Produktlistings und Einzelseiten in einem Scan. Für die Massenbearbeitung nutzt du danach eine Shopify Image SEO App oder ein WooCommerce Plugin, je nach Stack.

Alt-Text-Templates für Screenreader und Barrierefreiheit

Nicht "Bild von Person am Schreibtisch". Besser: "Marketing-Lead Anna Meier prüft Analytics-Daten in GA4". Ein guter ALT-Text beschreibt, was zu sehen ist und warum es im Kontext der Seite steht. Screenreader lesen ALT-Texte vor, und ein nichtssagendes Label ist für blinde Nutzer genauso nutzlos wie gar kein Label. Dieses Tool markiert schwache ALTs als Warnung, aber die Formulierung bleibt dein Job.

KI Alt-Qualitäts-Analyse (Vision-Modell)

Die meisten "AI Alt Text" Tools nutzen Regex-Heuristiken — sie prüfen ob Alt-Text existiert und ob er generisch aussieht. Dieses Tool schaut sich das Bild tatsächlich an. Klicke den lila "Alt-Qualität mit KI analysieren" Button und das Tool schickt jedes Bild mit Alt-Problem (fehlend, generisch, dateinamen-artig, schwach oder duplikat) durch ein OpenAI-Vision-Modell. Das Modell sieht das Bild, liest den aktuellen Alt-Text, und bewertet 0-10 ob der Alt-Text wirklich beschreibt was visuell vorhanden ist. Dann schlägt es einen besseren Alt-Text in der Seitensprache vor (erkannt aus dem <html lang>-Attribut) und erklärt den Score in 1-2 Sätzen.

Es ist Opt-In um die Quota-Nutzung zu kontrollieren. Das Tool sendet nur Bilder die bereits erkannte Probleme haben — typischerweise 0-3 pro Seite, nicht alle 16+. Logos und Tracking-Pixel sind komplett ausgeschlossen. Bring deinen eigenen OpenAI-Key mit (im Settings ⚙️ Icon oben rechts) für unbegrenzte Analyse. Das Modell liest die Pixel und nicht das Markup, es findet also auch Alt-Texte, die sprachlich sauber sind und trotzdem am Bild vorbeigehen.

Weitere Tools entdecken

FAQ