Die meisten bestehenden Denoisings-Algorithmen wurden für Graustufenbilder entwickelt, während die Erweiterung auf Farbbilder nicht trivial ist, da die Rauschstatistiken in den R-, G- und B-Kanälen bei realen verrauschten Bildern erheblich voneinander abweichen können. In diesem Artikel stellen wir ein mehrkanaliges (MC) Optimierungsmodell für die Denoisierung realer Farbbilder innerhalb des gewichteten Kernnorm-Minimierungsrahmens (WNNM) vor. Dabei werden die RGB-Patches zusammengefügt, um die Kanalredundanz auszunutzen, und eine Gewichtsmatrix eingeführt, um die Datentreue der drei Kanäle unter Berücksichtigung ihrer unterschiedlichen Rauschstatistiken auszugleichen. Das vorgeschlagene MC-WNNM-Modell besitzt keine analytische Lösung. Wir reformulieren es als Problem mit linearen Gleichungsbeschränkungen und lösen es mittels des Alternating-Direction-Methods-of-Multipliers (ADMM). Jeder alternierende Update-Schritt weist eine geschlossene Lösung auf, und die Konvergenz ist gewährleistet. Umfassende Experimente an synthetischen und realen verrauschten Bilddatensätzen belegen die Überlegenheit des vorgeschlagenen MC-WNNM gegenüber aktuellen Stand der Technik im Bereich der Bild-Denoisierung.