在图像获取过程中,由于传感器的热效应等原因影响,最后获取的图像无法避免的都会包含一定程度的噪声,这其中包含泊松噪声,条带噪声等等。而图像去噪作为计算机视觉底层的图像处理任务,一直是计算机视觉中经久不衰的研究热点。一方面是由于其在计算机视觉底层任务中不可或缺的地位和与其他底层任务(如去模糊等)极大的相关性,另一方面是其作为中上层图像处理任务(如检测分割等)的数据预处理步骤,能够极大地保障和提升相关任务的实际性能。大多数的图像去噪研究都是围绕着加性高斯白噪声进行的,当然也存在一些专门针对椒盐等类型噪声的工作。图像去噪的一个主要挑战在于图像退化的过程中,许多重要的信息都丢失了,导致图像去噪变成了一个高度病态的逆问题。回顾经典的图像去噪算法,按照处理对象划分,可以简单地分为空域和频率域的算法。频率域的去噪算法主要是将空域图像转换到频率域进行一系列的诸如阈值或者小波基的处理;而空域的算法则是直接在图像矩阵上进行滤波或其他处理;除此之外,也发展出了一些将两个域操作结合起来的算法,如BM3D,取得了很大的成功,并一直作为去噪算法的标杆。另外,由于图像种类繁杂多样,除了常见的灰度和彩色图像去噪外,多光谱和高光谱等图像去噪也有广泛的研究,这些图像往往包含数十或者上百个通道(带),蕴含着丰富的光谱信息,在地物分类等实际空间地理中有着很大的应用。如果直接将灰度图像的去噪算法直接应用于彩色或者多光谱这类图像的每个通道,往往会忽略通道或者光谱间的相关性,使得这部分先验信息白白浪费,从而影响最后的去噪表现。基于这样的观察,除了将进行颜色空间转换消除相关性之外,在原有的灰度图像算法的基础之上,发展出了一些专门针对彩色这类多通道图像的去噪算法,比如CBM3D和BM4D等。近些年,低秩矩阵近似在计算机视觉的许多图像处理任务中得到了广泛的应用并取得了很大的成功。但是由于求解矩阵的秩作为一类NP难的问题,往往无法直接求解。因此就需要根据客观事实增加一些先验正则项来约束解的空间,使得问题易于求解,而如何设计先验信息的正则项就变成了影响算法性能的关键一步。核范数最小化作为矩阵的秩最紧的凸松弛,在解决低秩矩阵近似问题上有着广泛的研究。但是,标准的核范数同等的对待每个秩元素(即奇异值),会导致过度收缩秩元素,从而无法准确且灵活的估计矩阵的秩。在本文中,我们在多通道加权核范数最小化(Multi-channel Weighted Nuclear Norm Minimization,MCWNNM)的框架之上提出了更灵活的加权Schatten p Norm最小优化模型(MBWPNM)。通过理论分析证明了模型MBWPNM等价于求解一组l_p范数最小化问题,而后者在确定权重的情况下,可以通过泛化迭代收缩算法求得全局最优解。将MBWPNM模型应用到彩色图像和其他类型的图像(灰度和多光谱)去噪问题,在仿真和真实噪声图像数据集上的结果表明,去噪效果优于目前最先进的去噪算法的同时,算法执行时间比MCWNNM明显缩短5倍。