La representación de imágenes juega un papel vital en la realización del sistema de Recuperación de Imágenes Basada en Contenido (CBIR). La representación se realiza porque la coincidencia píxel a píxel para la recuperación de imágenes es impracticable como resultado de la naturaleza rígida de tal enfoque. En CBIR, por lo tanto, se utilizan el color, la forma, la textura y otras características visuales para representar imágenes para una tarea de recuperación efectiva. Entre estas características visuales, el color y la textura son bastante notables para definir el contenido de la imagen. Sin embargo, combinar estas características no garantiza necesariamente una mejor precisión de recuperación debido a transformaciones de imagen como rotación, escalado y traslación por las que una imagen habría pasado. Además, las preocupaciones sobre la representación de vectores de características que ocupan un amplio espacio de memoria afectan el tiempo de ejecución de la tarea de recuperación. Para abordar estos problemas, proponemos un nuevo esquema de color llamado Histograma de Color en Pila (SCH) que extrae inherentemente información de color y vecindario en un descriptor para indexar imágenes. SCH realiza un filtrado medio recurrente de la imagen a indexar. El desenfoque recurrente en este método propuesto funciona filtrando (transformando) repetidamente la imagen. La salida de una transformación sirve como entrada para la siguiente transformación, y en cada caso se genera un histograma. Los histogramas se suman bin por bin y el vector resultante se utiliza para indexar la imagen. El proceso de desenfoque de la imagen utiliza información del vecindario de los píxeles, lo que hace que el SCH propuesto exhiba la información textural inherente de la imagen que se ha indexado. El SCH se probó exhaustivamente en los conjuntos de datos Coil100, Outext, Batik y Corel10K. Los conjuntos de datos Coil100, Outext y Batik se utilizan generalmente para evaluar descriptores de textura de imágenes, mientras que Corel10K se utiliza para descriptores heterogéneos. Los resultados experimentales muestran que nuestro descriptor propuesto mejora significativamente la tasa de recuperación y clasificación en comparación con (CMTH, MTH, TCM, CTM y NRFUCTM), que son los descriptores de vanguardia para imágenes con características texturales.